随着人工智能的不断发展，大量先进算法以及配套硬件设施不断涌现，研究人员凭借新算法等不断刷新 SOTA 记录，但是在科研中、论文中实现的高精度性能，很多却不能应用于实际的生产中。AI 离真正的落地还有多远？

现阶段，许多公司和研究团队正在努力将研究转化为实际的生产部署。近日，机器学习大牛吴恩达在斯坦福大学 HAI 研讨会上分享了一些有趣的观点，即「如何弥补 AI 的概念验证与生产之间的差距」。

HAI（「以人为本」人工智能研究院）成立于 2019 年 3 月，由斯坦福大学人工智能科学家李飞飞和哲学教授约翰 · 埃切曼迪（John Etchemendy）共同领导，致力于推动人工智能领域的跨学科合作，让科技以人为中心，并加强对人工智能社会影响的研究。HAI 定期举办研讨会，此前吴恩达参加研讨会并做了演讲。

在这次研讨会上，吴恩达分享了人工智能面临的挑战之一，即 AI 概念验证与产品落地之间的差距。

吴恩达从三个方面介绍了 AI 部署所面临的挑战：小数据、算法的鲁棒性和泛化能力，以及变更管理。

小数据在消费互联网以外的工业应用中很常见，而 AI 研究通常使用大数据，很多算法是针对大数据开发的。

但是很多行业可获取的数据规模有限，为了使 AI 在这些行业中起作用，我们必须开发针对小数据的算法。小数据适用的算法包括 GAN、GPT-3、自监督、迁移学习等。

大家可能已经发现，已发表论文中效果显著的模型通常在生产中不起作用，研究中声称算法结果已经超过人类的方法却不能很好地投入到生产，训练的模型不能很好地泛化到其他数据集等。吴恩达以医疗领域举例进行说明。然而这些问题不仅存在于医疗领域，其他领域也面临相同的问题。

AI 技术可以使工作流程实现自动化或部分自动化，而这对相关人员的工作带来了影响。我们需要对整体的改变有更好地掌握。

对于上述挑战，吴恩达也表达了自己的观点，给出了解决方案。他指出我们应该关心整个机器学习项目周期，除了构建机器学习模型以外，其他问题也应该更系统化，让 AI 更具可重复性和系统性：

我们应从范围界定到数据、建模和部署，系统地规划机器学习项目的整个周期。

吴恩达表示，学界和工业界应努力将机器学习转换成系统化的工程学科。

吴恩达演讲完整视频：

推荐阅读

• 吴恩达给74岁老父亲发证了！8年完成146门课程，他才是「机器学习先驱」！
  

• 吴恩达：机器学习毕业后，如何规划职业生涯？
  

• 专访吴军：未来10年，AI的发展方向是应用，不会出现重大的理论突破

添加极市小助手微信（ID : cvmart2），备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳），即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群：每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~

△长按添加极市小助手

△长按关注极市平台，获取最新CV干货

觉得有用麻烦给个在看啦~