人工智慧專案的十條建議——概念篇

人工智慧專案可以為公司帶來難以置信的價值，但它們的設計必須符合核心指導原則，以確保獲得最大回報。

介紹

隨著各行各業希望透過提高自動化來改善工作流程，以及產品和服務的交付，對採用更先進的人工智慧能力和專案的需求不斷增長。

當然，只有在合適的前提下，深度學習和機器學習可以帶來巨大的價值回報。在任何情況下，無論是從業務角度還是技術角度，人工智慧專案都必須經歷一些問題。為了讓以後AI專案少踩坑，根據以往經驗，我總結了“十條建議”，分為兩篇：概念篇，指導篇，下文是概念篇的內容。

1. 定義問題--理解問題

在處理人工智慧問題時，必須以最完整的術語定義問題。在專案開始時需要預留出時間。記錄要解決的問題是什麼，哪些資料可供您使用，以及需要什麼樣的解決方案。與終端使用者重要問題陳述，以確保提供正確的解決方案。

在定義問題時，讓問題變得具體才是關鍵。以欺詐檢測模型為例。與其將問題定義為“減少欺詐”，後者設定了廣泛的引數並且沒有明確的起點和終點，而是更具體地指導您正確有效地解決問題。例如，將問題描述為“在付款完成之前標記信用卡購買的潛在欺詐交易並提醒客戶”，這提供了有關需要預測什麼、需要採取哪些行動以及適當的時間框架的資訊。

2.不要根據你想要的方案來製造問題

從第一條開始。在不瞭解資料和問題陳述的情況下說“我想使用神經網路解決這個問題”，甚至說“我們將使用機器學習來解決這個問題”是很危險的。並非所有問題都需要機器學習，有些基於規則的方法通常就足夠了，甚至更勝一籌。同樣，並非所有機器學習問題都適合神經網路。有很多演算法，每種演算法都擅長做不同的事情。讓解決方案來自問題——而不是相反。

這再次歸結為仔細定義。不要跳到解決方案。例如，避免將您的解決方案定義為“我想使用深度學習來解決潛在的欺詐交易”。相反，請用更簡單的術語來構建您的解決方案，例如“我想標記潛在的欺詐性交易”。

3.確保問題能夠得到解決

明白定義問題和獲取資料並不意味著問題可以得到解決。想想當前的解決方案，你有什麼樣的資料，以及想要的結果。在給定無限時間的情況下，人類能否使用相同的資料來解決這個問題？如果不是，則很可能無法使用機器學習來解決問題。如有疑問，請諮詢同事。

在金融界，賬戶餘額預測是一種經常被要求的解決方案，但沒有人或電腦能告訴你未來幾個月你的財務狀況會怎樣。想想大流行何時來襲；數百萬人意外失去了工作。當房屋被盜並且需要更換物品時該怎麼辦？這些是人類和演算法都無法預測的事情。

4.瞭解你的目標使用者

任何問題的最終目標都是透過提供適當的解決方案來滿足終端使用者的需求。通過了解目標使用者當前擁有什麼、缺乏什麼以及他們未來需要什麼，您可以從一開始就瞄準最佳解決方案。使用者想要聚合預測、分佈還是單獨的預測？他們希望如何呈現資料？API 可能更適合技術人員，但視覺化儀表板更適合PM或管理人員的。一旦解決方案完成，這些思路可以減少繁瑣的格式化，因此必須提前考慮。

5. 擁有與問題相關的良好資料

垃圾進垃圾出。這是AI行業流行的格言。不管有多少資料，如果不好，就無法進行資料分析。資料必須與問題相關，並且有足夠量的有效記錄。

如果任務需要資料標籤而沒有資料標籤，則分類演算法將無法工作。如果資料的結構不一致，那麼未來的pipe將無法工作。不要僅僅為了有而建立一個垃圾模型。

6.有一個業務專家支援

如果不瞭解問題和資料，您將不可避免地犯下非常可避免的錯誤。

透過聘請業務專家，您可以提出有關資料的問題（例如，“當該欄位為空時，這意味著什麼？”）和問題（例如，“考慮此功能是否有意義？”）。透過與他們一起檢查，您可以確保您的產品確實是一個可靠的解決方案。

7.注意你的預測和業務進度限制

業務目標幾乎總是遵循進度表，因此請考慮模型的訓練和預測允許多少時間和計算能力。有些情況需要立即進行預測，而其他情況可以在閒暇時分批完成。您可能有可用的大型計算叢集，或者可能必須使用很少的記憶體快速訓練模型。訓練一個超級複雜的神經網路有可能並不是業務真正想要的

8. 預先了解存在哪些法律限制

在金融等受監管的行業中，可以使用哪些資訊以及模型必須有多透明是有限制的。提前知道哪些資料可以自由使用。如果您想要的欄位受到限制，請找出是否可以以某種方式對其進行儲存或匿名化。同樣重要的是，哪些機器學習模型可以用於任務，而不會影響監管標準。例如，決策樹通常被認為是非常透明的，而神經網路則不是。為了滿足法律要求，通常需要輕微的效能下降。