【CV算法内功】工业界AI项目落地方法论的总结与思考

0 导读

这是我写在公众号里的一篇文章，在此分享到知乎上，一来是希望能和知乎上的朋友们一起交流学习CV算法以及相应的知识，也欢迎大家关注我的公众号WeThinkIn。

1 写在前面

【CV算法内功】栏目专注于分享关于CV算法与机器学习在业务侧，研究侧，学习侧的一些经验与总结心得，欢迎大家一起交流学习

大家好，我是Rocky。

当我提笔写这篇文章的时候，难免会想起我接触的第一个AI算法项目，那是2019年的春天，我还是研一的学生。一晃3年过去了，学生时期我在国企，传统IT企业，独角兽，互联网大厂里进行AI项目的开发与落地，以及毕业后我加入AI安防这个CV最成熟的领域持续专注，都让我对AI项目的落地与应用有了更深和更全面的认识与理解。正是这些经历与视角，能让本文聚焦于AI项目落地通用方法论的总结与思考。

So，enjoy：

2 干货篇

2.1 目录先行

产品定义，需求调研（要做正确的事）
场景约束，数据采集（什么是正确的事）
Baseline开发，针对性优化（正确的做事）
算法部署，多维测试（合作做正确的事）
持续维护，功能拓展（持续做正确的事）

2.2 产品定义，需求调研

产品定义和需求调研是整个AI项目的起始，但也往往是最重要的一个环节。如何对产品功能进行定义，如何对需求进行抽象建模，关系到后面所有环节的顺利与否，正所谓“谋定而后动”。

产品功能可以由简到繁，需求也可以从易到难，不断的迭代优化，不断的有沉淀与成果，才是最让人踏实的逻辑。

且此阶段一般有上下游部门的参与与合作，如何高效合作，如何协调各方的想法，如何从容，融入，也是非常重要的点。

总之，明确产品功能与定位，明确需求，明确项目周期是非常重要的。AI项目通常需要消耗大量的资源，如果不充分准备，后面产生方向性的偏差可能导致整个项目推倒重来。

2.3 场景约束，数据采集

在完成了产品定义和需求调研之后，接下来就是场景的约束和数据的收集。

场景一定要聚焦，不能发散，从而能对特定场景有深入的理解与把握，也为场景从简单到复杂储备经验。

而数据又是与场景强相关的，只有在约束好场景后，数据的采集与与分析工作才能展开。

数据决定机器学习的上限，所以在数据侧的数据筛选，标注，补充，优化等工作要充分进行，正所谓磨刀不误砍柴功，重视数据会让整个AI项目落地过程更加悠然。

在对数据进行采集的同时，我们要不断对数据的整体质量做一个评估，可以从数据量级，数据质量，数据重复率等维度进行。

2.4 Baseline开发，针对性优化

到了算法开发阶段，首先要进行解决方案的调研，根据已有信息设计一个可行的方案，再以此为基础搭建一个baseline模型，建议算法工程师手里对不同的细分领域都准备几个拿手的baseline模型，在不同的AI项目里都能快速上手验证，提高开发效率。

搭建好baseline就像婴儿学会了走路，那么下一步就是学会跑步了。

想要速成跑步，可以参考如下技法：1.bad case分析，明确优化方向，具备很强的针对性。2.积极的理解数据，优化数据分布。3.设计前处理/后处理等规则辅助模型，弥补模型的不足。

想要慢慢领会跑步的精髓，可以参考如下技法：在搭建好baseline模型，同时对最后的性能心中有数时，我们可以花时间进行更多的调研，可以从最新的论文，最新的开源项目，以及经典的方法等方面切入，看看是不是有可以参考借鉴的地方，进行务实的优化。这个动作不但能优化当前的方案，同时也是让自己能学习更多，面对其他AI项目时，会有更多的方案与思考，是性价比很高的一种方式。

但一定要注意的是，AI项目的开发不像科研，AI项目需要快速的迭代优化，达到满足产品需求的目的，而不是陷入层层的实验当中。