人工智能有多火每个人的心里应该很清楚，所以在这里不再阐述。很多科技公司把未来几年的赌注压在了AI身上-“all in AI“，同时也有数不清楚的公司正在准备转型AI，另外也有很多公司虽然跟AI沾不上任何边但喊着AI口号来吸引关注。 总而言之，AI会变得越来越火，会有更多的人才走进这个大军里。
在AI转型的进程中，并不一定是一帆风顺的，甚至会很艰难。不知有多少人关注过人工智能项目的失败率？ 20%？ 30%？ .. 或者 50%？？ 可能想得太简单，据不完全统计一个数据类项目的失败率达到了85%以上！ 其实这也不奇怪，现阶段，一个一般IT类项目的失败率也是50%以上呢，何况AI项目....
所以，很多情况下投入实施AI项目本身是风险，就看你有没有足够的风控能力，最后能把项目成功落地，并且产生价值！ 那为什么会有大部分AI项目以失败为告终呢？人的问题？ 不一定！ 可能的主要原因包括: 1. 解决了错误的问题，或者把伪需求当成了真需求 2. 选择了算法解决不了的问题... 等等。
在这篇文章里，我们总结出了六条原则，这些原则对于实施一个成功AI项目来说尤其重要。对于这些原则我们也参考了 [1]。
1. 弄清楚是否是合适的时机？
人工智能最大的价值是什么？ 是可以帮你做决策！ 那为了做这种决策需要什么条件？ 必须要有数据！ 没有数据，人工智能只是空谈。所以第一点就是要弄清楚是不是切入AI的最好的时机或者是大力推进AI的最好的时机。
一个AI项目的技术流程是：搭建数据搜集系统->数据收集->清洗->AI... 如果一个公司还没有那么多数据必须由机器来分析，那这时候可以做两件事情：1. 提前想好未来应用场景，布局数据的搜集工作 2. 先专注把业务做好，AI事情之后再看。总而言之，数据是AI的基础，如果没有数据，那首先得想办法生成或者搜集数据，而不是直接跳进这个“坑”，然后拖累了其他的业务。
其实这种例子不少见。尤其是对AI了解不深的高管或者策略者，经常急于这些“锦上添花”的事情，反而在自己需要发力的战场上却没能做出成果。 所以对于第一个原则，要不断问自己：我们有足够的数据吗？ 现在是合适的时机吗？ 现阶段做什么才能一年之后才能把AI技术提升到公司的战略层面？
2. 选择正确的问题比使用哪一项技术更重要
机器学习，深度学习是AI领域的流行词，听起来高大上。在学校里，学术界甚至在各类比赛中，我们习惯于技术思维 - “我有很厉害的技术，我要做XXX项目”。其实找对问题是最重要的，这是一个人最高级别的技能。爱因斯坦等科学家为什么会这么成功？ 聪明只是一方面，核心是他们能够找到一个“好”的问题！ 为什么美国很多博士生6，7年也毕业不了？难道他们因为笨吗？ 其实不然，就是因为找不出合适的问题！ 所以，找一个正确的问题可以说是AI项目成功的一半。
那怎么去找到正确的问题呢？ 这是一个没有正确答案的问题，但其本质是找出业务中的痛点。以下几点可以作为参考：
1. 首先要理解业务，不是跟别人聊聊就行了，一定要深入。比如现在负责的业务是智能客服，那就在一线当几天客服再来谈接下来怎么做！ 如果只是跟客服负责人简单坐下来喝个咖啡聊一下，觉得能聊出真正的痛点吗？ 所以，作为AI项目的负责人，一定要对业务敏感，试图从业务人员的视角去了解。 现阶段，从事AI的人仿佛会有种优越感，很难踏实地去了解业务，导致闭门造车，最后其实也没什么成果。
2. 了解竞争对手在做什么，他们在哪些事情上已经取得了成果。知已知比是商业界很重要的一点，要时刻了解别人在做什么。如果他们在某一个领域已经验证出成功的案例出来，那这正是对你来说很好的参考。
3. 设定好项目的优先级
AI是一个非常开放的领域，即便对于一个业务，我们可能想出各种各样的问题。但需要记住的一点是：任何的AI项目必然是一个长期的工程，它所带来的成本也是比较大的。所以必须要有个优先级。假设我们面临三个选择，项目1，项目2和项目3，首先需要做哪个？ 选择最有意思的？ 选择最优挑战性的？ 还是选择我最感兴趣的技术相关的？ 别，千万不要这么做....
在实施AI项目的时候优先级最高的还是对业务影响最大的那一类项目。换个角度可以想一想，公司里的哪个业务因为效率低而天天被骂？ 那一批人每天做着重复性的工作但却花费大量的成本？ 产品中的哪一个环节的体验最不好？
我们可以从这些痛点中出发，先把最“痛”的且“可以AI”化的项目列出来，然后再粗略算一下，项目预期所带来的价值或者对业务上的提升。那这部分价值怎么计算？这方面要部分依赖于对AI技术的理解，比如现在有一个系统A，但未来3个月开发出了一个算法之后，能够提升多少的效率？ 另外，也可以去参考一些领域内成功案例，实在不行就去看看论文里的结果，当然这里的结果可以作为最高可以达到的预期结果。
还有一种方法是，想出一个最简单的路径来快速尝试。比如一个创业公司想推出一个机器客服系统，那搭建这种系统必然会耗时长。那这时候怎么快速验证？ 我们完全可以先以人工的方式来操作（客户以为是机器），并观察用户的反馈，如果这样的方式确实可行，那基本上心里也会有数。所以这个阶段，要想出各种捷径或者“作弊”的手段来快速测试并找出最合适的项目。
4. 理解技术的上限，不要以为AI什么都可以解决
AI就像3，4岁的孩子，它的能力是有限的，它不可能用来解决任何问题。对于一些问题它的作用确实比较大比如人脸识别，图像识别，物体检测等。但对于另外一些问题作用未必明显，或者投入产出比很低，比如通过AI去预测A股的价格，或者想做一款什么都可以回答的智能机器人。
可以把利用AI预测A股股价作为例子（美股没有预测过，所以不敢在这里评论），这个目前很难做到。为什么？股价本身是要依赖于人性的，同时也依赖于其他非价格类因素，那这些信息显然很难在我们接触到的股市数据中获得。或许有些人会说，那我们可以去分析人的行为啊，然后把它作为信号不就行了吗？ 当然可以，这也是下面我列的第三点。但即便如此，A股的这种不确定性使得目前的AI系统很难去提供准确地预测。
为了做出这样的决策，必须要对技术的前沿知识非常敏感。只有这样才能做到评估： 1. 这项目到底能不能做？ 可行性怎么样？ 2. 这项目做完之后预计提升有多少，这个提升带来的好处跟成本相比会是怎样？ 3. 如果想让目前项目具有可行性，需要具备哪些条件？或者哪些数据？ 为了拥有这些条件接下来规划是怎么样的？
5. 快速迭代，持续迭代
AI项目的核心是迭代，不断试错的过程。这点需要跟产品经理还有开发人员要达成一致。那为了更好的迭代，需要去想一个迭代的路径，也就是什么样的迭代方法让产品更快速地达到我们想要的效果？这里面的学问很多，产品怎么设计才能更好的获得反馈？ 数据怎么收集？等等。
一个AI项目如果超过3个月看不到效果是比较危险的，为什么这么说？ 因为还没看到任何效果等同于还没有任何的迭代。迭代思路其实跟MVP(minimum value product)的思路非常相近，而且这个思路也跟强化学习（reinforcement learning）比较相近。
迭代本身分成两个部分，一个是整个项目的快速迭代， 还有一个是每一个项目模块内的快速迭代。我们可以以建模来打个比方，比如我们在建模时第一个要搭建的模型叫做baseline，那什么叫baseline? 逻辑回归？ SVM？ 在我眼里，baseline 就是一天内能做出来的模型！不管数据有多大，场景多复杂，一天内需要看到一个最简单的结果。数据很多怎么办？ 那就采样一部分； 数据太脏怎么办？ 那就把脏数据先去掉；资源不够怎么办？ 那就用逻辑回归这种简单模型！ 其实总有办法可以在最短时间内弄出一个可运行的模型，并通过此结果来评估项目的可行性以及未来预期的效果。 这些数据对于后续项目的实施尤其关键。另外，让别人尽快看到结果也会增加对你的信任，不然之后的工作会非常被动。
6. 项目上线前要做好业务评估
我们在建模的时候通常会考虑一些“AI型”指标，比如AUC，F1-score等，这些应该很多人非常熟悉。那这里的问题是，这些指标越高，对业务的价值就会越高吗？ 其实不一定！ 从业务的角度评估和从模型的角度评估不一定是完全正比关系的。但至少肯定是有类似正比关系，不然采用这些指标是没有意义的！ 所以作为AI人员也需要关注业务部门关心的指标，来思考什么样的模型状态最适合当前的业务状况。
另外，在很多场景下对于模型的解释也是比较重要的。特别是对于金融，教育这类的场景。我们希望能够在部署前有对这些模型的理解，比如一个模型犯错误，理解为什么？ 这也是目前深度学习的弊端-比较差的可解释性。
参考：
[1] towardsdatascience.com/6-uncommon-…
