本文主要是將我們在2017年相關(guān)的實踐做個總覽式的分享，希望能夠給各位一定的啟發(fā)。

一、人工智能的核心是工程化，場景是工程化的關(guān)鍵

首先總結(jié)一下，我們在做人工智能與移動互聯(lián)結(jié)合的時候，最重要的目標(biāo)是：人工智能工程化。

做GPU的英偉達、提供開源的基礎(chǔ)框架TensorFlow的Google、研究各種算法的科學(xué)家，與我們分處人工智能產(chǎn)業(yè)鏈的不同環(huán)節(jié)，而我們的目標(biāo)是尋找合適人工智能的場景，結(jié)合行業(yè)的一些經(jīng)驗，形成工程化的解決方案。

人工智能(AI)賦能企業(yè)移動信息化建設(shè)，其本質(zhì)上就是人工智能在企業(yè)移動信息化過程中工程化落地。

支撐人工智能工程化的過程需要依賴與數(shù)據(jù)、技術(shù)、場景的三者結(jié)合，并結(jié)合軟件工程化的思想將其融合。而這三者之中，場景是關(guān)鍵。

人工智能與數(shù)據(jù)并非一定強相關(guān)

這里提到的是“數(shù)據(jù)”，而不是大家經(jīng)常提到的“大數(shù)據(jù)”，主要原因是“大數(shù)據(jù)”三個字很容易讓更多的技術(shù)團隊束縛思想讓自己無法從事于人工智能的工程化中。

甚至早期的人工智能都被某些技術(shù)社區(qū)劃歸到了大數(shù)據(jù)頻道，當(dāng)然去年他們也剝離出來了，我認(rèn)為人工智能跟大數(shù)據(jù)沒有必然直接的關(guān)系。

后面我們的場景中，并沒有強調(diào)大數(shù)據(jù)，而且從數(shù)據(jù)的角度可以通過主動學(xué)習(xí)(Active Learning)的方式來部分解決。

特別是當(dāng)去年AlphaGo Zero 出現(xiàn)后，讓我也重新審視了我對人工智能的理解，數(shù)據(jù)到底是否還有原有的大家理解的價值。

AlphaGo Zero 在完全脫離人類經(jīng)驗的情況下，一盤棋譜也沒有學(xué)習(xí)，完全超越以人類經(jīng)驗為基礎(chǔ)的AlphaGo，同時創(chuàng)造了很多人類棋手原來未曾想到的棋局。以至與著名的棋手柯潔有意無意中都在模仿AlphaGo Zero的經(jīng)驗來應(yīng)對人類棋手。簡單點說，人類正在向機器學(xué)習(xí)。

AlphaGo Zero的出現(xiàn)，對于人工智能界，我認(rèn)為***的觸動是證明了零數(shù)據(jù)的強化學(xué)習(xí)的巨大可能性和未來的空間。

我認(rèn)為，未來的人工智能，技術(shù)(模型)的價值遠超數(shù)據(jù)(已有經(jīng)驗)的價值必將成為共識。

技術(shù)提升加速AI實踐

這就回到了技術(shù)，技術(shù)離不開軟件、硬件、算法的迅速發(fā)展，技術(shù)上的提升，讓人工智能(AI)加速落地。技術(shù)上，主要圍繞在框架、算法、算力幾個維度去組建。

在后續(xù)的場景中，我們主要采用的是基于Google TensorFlow的平臺上，一些成熟算法或者模型上的應(yīng)用，基于我們的算力和性價比，我們也會做出些取舍，比如用Faster-RCNN代替RCNN等。

客戶需要的是智能化應(yīng)用場景

在企業(yè)進行移動信息化/移動互聯(lián)的建設(shè)中，都需要經(jīng)過建設(shè)期、運維期、運營期等一系列階段，從用戶角度看，本質(zhì)上需要的是一個個的智能化的應(yīng)用Intelligent Apps(參見Gartner： Top 10 Strategic Technology Trends for 2018)。

對于工程化的落地，我們認(rèn)為場景更重要，我們到底需要什么樣的智能化，支持我們做什么事情。

基于上述的思考我們抽取了幾個場景采用機器學(xué)習(xí)的方式進行了工程化實踐。

二、三類場景化實踐

場景一：移動智能開發(fā)平臺，讓工程師快速具備專家80%的開發(fā)能力

這部分工作在工程化過程中，我們分兩部分進行實踐：

1. 訓(xùn)練階段
2. 應(yīng)用階段

如下圖所示： 

• 探索：主要是確認(rèn)了場景后，結(jié)合框架、模型以及自有算力，尋求各種模型進行研究和實踐。在這個場景中，我們最終選擇了基于CNN的分類算法以及基于Faser-RCNN的目標(biāo)檢測算法?？紤]到數(shù)據(jù)的標(biāo)簽工作量的問題，我們采用了遷移學(xué)習(xí)的方式。
• 訓(xùn)練：根據(jù)探索確定的方向，構(gòu)造標(biāo)簽化的數(shù)據(jù)。在這個場景中，我們采用分類的標(biāo)簽化工作和目標(biāo)檢測的標(biāo)簽化的工作。
• 推測：采用訓(xùn)練后的結(jié)果，進行推測以驗證模型的效果。

關(guān)于為什么采用上述工具大家可瀏覽我上一篇文章《使用TensorFlow搭建智能開發(fā)系統(tǒng)，自動生成App UI代碼》。上述過程中是一個不斷調(diào)整不斷循環(huán)的工程，最終我們會選取一個模型。用于人工智能服務(wù)化(AIaas)和產(chǎn)品化的工程。

這個工程中主要采用的軟件工程的方式進行，需要考慮的是AIaas的工程中并發(fā)對算力的要求，我們采用的是AIaas之前增加了隊列和調(diào)度，這里就不贅述。

最終我們的大概的模型結(jié)構(gòu)如下：

如上圖，CNN(VGG)、Softmax、Faster-RCNN等都是基于Google TensorFlow的搭建的，并且主要的工作圍繞在基于GPU架構(gòu)下進行。

Basic Component、Complex Component、DSL Generator、DSL Code、Compiler、Runtime等部分，是主要基于傳統(tǒng)的CPU架構(gòu)下的軟件思路整合。

通過AIaaS化，我們將基于TensorFlow的智能服務(wù)隱藏在基于Java 的SaaS服務(wù)之后，最終，開發(fā)工程師可以通過IDE的方式進行訪問，同時讓我們更新模型對于最終用戶無法感知，最終以“智能代碼助手”的試圖(view)在IDE中進行體現(xiàn)。

場景二：智能的連接和呈現(xiàn)，以智能化的CUI方式為最終用戶提供會話式交互體現(xiàn)。

CUI是移動端最近比較看重的體驗方式，相對于傳統(tǒng)的CUI，以純語音、文字的交互，已經(jīng)演變成語音、文字、事件、連接、視頻等多種體驗方式。在這個范疇里，我還是比較認(rèn)可百度DuerOS的負(fù)責(zé)人說的，有三個方面的工作：聽清、聽懂、滿足，并且對三方面有自身的理解：

• 聽清：將在各種場景下的語音，結(jié)合上下文的情況，轉(zhuǎn)換成文字。
• 聽懂：理解文字在特定領(lǐng)域的意義，這里要強調(diào)特定領(lǐng)域。我們遇到的一個客戶經(jīng)常提到“寄遞”，在該業(yè)務(wù)領(lǐng)域，這個詞語背后代表著一系列安全與法規(guī)相關(guān)的問題。
• 滿足：為最終用戶提供強交互能力的體驗。

針對企業(yè)市場，“滿足”的解決方案沒有任何一個公有服務(wù)的方式能夠很好做支撐的，原因比較簡單，企業(yè)中大量“滿足”最終是通過自身私有的服務(wù)得以提供，而這部分必須采用私有部署的解決方案才能做到，也正是我們需要關(guān)注的重點。

關(guān)于聽清的解決方案，我們非常認(rèn)可現(xiàn)有很多解決方案，都很成熟，包括baidu，最終我們默認(rèn)的方案中優(yōu)先選擇了訊飛 。

而我們在工程化中，主要圍繞著“滿足”展開，主要尋求以下兩方面的的解決方案支撐：

• 如何能夠調(diào)用到最合理的服務(wù)。
• 如何能夠提供給最終用戶最友好的交互體驗。

為此，我們基于關(guān)鍵字、語義等信息與后端Service的調(diào)用關(guān)系訓(xùn)練模型，支撐智能連接。

同時，我們對服務(wù)調(diào)用的反饋結(jié)果以及移動端UI模型庫信息進行訓(xùn)練，以提供智能顯示。

UI模型庫采用完全動態(tài)的方式，以支持各種復(fù)雜場景的支撐，從而達到高擴展性的發(fā)展。

在小小的手機屏幕下，容不下越來越多功能的時候，讓低頻的功能更方便的被使用，除了即用即走的二維碼入口的小程序外，CUI應(yīng)該是一種非O2O更好的選擇之一。

場景三：智能推薦和輔助決策，讓用戶在適當(dāng)?shù)臅r間、地點，做“正確”的事情

從業(yè)務(wù)場景角度看，推薦、輔助等模型在技術(shù)維度和互聯(lián)網(wǎng)公司的“猜你喜歡”等并沒有太多差異性，需要說明一點的是，在做企業(yè)市場的時候，我們建議的方式，不是基于用戶，而是基于組織機構(gòu)(比如崗位)去進行分析。原因很簡單，如果基于用戶習(xí)慣，會導(dǎo)致一個喜歡遲到的人，總是在遲到的時間點推薦其打卡，這顯然既不符合用戶的個人訴求，也不符合企業(yè)的利益。

為了支撐上述的場景，移動平臺需要的是能夠提供統(tǒng)一的數(shù)據(jù)收集能力。

采用統(tǒng)一前端技術(shù)，讓自動埋點的越來越容易，更方便用戶行為數(shù)據(jù)的收集。

同時采用統(tǒng)一中臺的方式，更加方便進行收集。

四、總結(jié)

在移動互聯(lián)時代，越來越多的App正在智能化，越來越多的場景正在發(fā)生，這是一個大的趨勢，但并不是所有的場景對移動應(yīng)用本身沖擊都很大。很多AI場景對于移動平臺僅僅是一個SDK的問題，比如類似于生物識別(人臉識別)，此外，蘋果/Andriod 也都提供了基于手機端的AI技術(shù)支撐，因此，作為移動應(yīng)用業(yè)者，需要重點考慮的是，如何將人工智能結(jié)合具體的場景，進行工程化實踐，讓AI迅速發(fā)揮業(yè)務(wù)價值。

關(guān)于作者：郝振明，現(xiàn)任普元信息移動集成產(chǎn)品部負(fù)責(zé)人，十多年IT從業(yè)經(jīng)驗，一直專注于企業(yè)信息化的工作，近五年間一直從事企業(yè)移動信息化、移動互聯(lián)網(wǎng)化的咨詢、產(chǎn)品工作，曾主持參與了Primeton Mobile產(chǎn)品研發(fā)、聯(lián)通集團、廣東農(nóng)信、諾亞財富、中信重工、索菲亞等公司的移動信息化工作。在移動平臺、微信解決方案、微信小程序、AI與移動的結(jié)合以及移動云方案等領(lǐng)域有豐富的經(jīng)驗和獨到的認(rèn)識。