[[413711]]

1、AI開發(fā)究竟在開發(fā)什么？

• 一個硬件開發(fā)者的工作成果是一個布滿集成電路的服務器，開機就可以運行某種軟件。
• 一個移動端開發(fā)者的工作成果可以是一個手機APP，包括了大量二進制數據，可被麒麟芯片直接運行。
• 一個AI開發(fā)者的工作成果則是一個模型，模型本質上是一個函數：

f(圖片) = "How are you" 
f(貓圖片) = "Cat" 

無論這個函數有多么復雜，有多少個變量或者參數，AI開發(fā)都是試圖找出這個函數的表達式。

2、AI模型（函數）是怎么開發(fā)出來的？

AI模型本質是一個函數，想要找到這個函數準確的的表達式，僅憑邏輯是無法推導出來的，而是訓練出來的，我們喂給機器目前已有的數據，機器就會從這些數據里去找出一個最能滿足（專業(yè)術語稱為擬合）這些數據的函數，當有新的數據需要預測的時候，機器就可以通過這個函數去預測出這個新數據對應的結果是什么。

對于一個具備某種智能能力而言，一般具備以下要素：數據+算法+模型，開發(fā)的過程，就是不斷地用數據和算法使得模型越來越逼近真實情況，注意是逼近而非推導，這個過程稱為訓練。

3、AI模型的訓練過程是怎么樣的？

我們來用一個能夠區(qū)分貓和狗圖片的模型來幫助理解訓練的過程：“數據”就是我們需要準備大量標注過是“貓”還是“狗”的圖片；“算法”指的是構建模型時我們打算用淺層的網絡還是深層的，如果是深層的話我們要用多少層，每層有多少神經元、功能是什么等等，也就是網絡架構的設計，相當于我們確定了我們的預測函數應該大致結構是什么樣的。

我們用Y=f(W，X，b)來表示這一函數，X是已有的用來訓練的數據（貓和狗的圖片），Y是已有的圖片數據的標簽（該圖片是貓還是狗）, W和b是什么意思呢？一開始，我們確實不知道，這兩個參數是需要機器學習后自己找出來的，找的過程也就是訓練的過程。

“模型”指的我們把數據帶入到算法中進行訓練，機器就會去不斷地學習，當機器找到最優(yōu)W和b后，我們就說這個模型是訓練成功了，這個時候我們的函數Y=f(W，X，b)就完全確定下來了

然后我們就可以在已有的數據集外給模型一張新的貓或狗的圖片，那模型就能通過函數Y=f(W，X，b)算出來這張圖的標簽究竟是貓還是狗，這就是推理。

簡單總結下：不管是最簡單的線性回歸模型、還是較復雜的擁有一億個參數的深度神經網絡模型，本質都是尋找一個能夠良好擬合目前已有數據的函數Y=f(W，X，b)，并且我們希望這個函數在新的未知數據上也能夠表現良好。

4、AI為什么要強調大量數據？

因為只有數據量足夠大，模型才能夠學習到足夠多且準確的區(qū)分貓和狗的特征，才能在區(qū)分貓狗這個任務上，表現出足夠高的準確性；當然數據量不大的情況下，我們也可以訓練模型，不過在新數據集上預測出來的結果往往就會差很多。

假設識別貓的模型要非常準確，就需要各種光照條件、各種背景、各種花色的貓的照片，不僅要有波斯貓，還要有加菲貓，直到模型包含了我們能想到的各種貓的特征，一個人臉識別模型，大約需要幾百萬張照片，才能達到可用，著名的Imagenet數據集，大約包含了1400萬張圖片，極大地方便了開發(fā)者。

5、在AI開發(fā)過程中一個好的開發(fā)工具可以幫助開發(fā)者做什么？

假設沒有一個現成的開發(fā)平臺，首先你需要學會常用的AI開發(fā)語言python，python是整個過程并不耗精力的環(huán)節(jié)，其次你需要學習傳統(tǒng)機器學習和深度學習相關算法，這塊算是花費最多精力和時間的環(huán)節(jié)，然后盡可能去理解和推導算法，然后用python代碼去實現算法再訓練模型，代碼能力很重要，不然你的模型都建不起來。

然后你發(fā)現了一個開發(fā)框架，華為MindSpore或者谷歌Tensorflow，你會發(fā)現并不需要那么高的數學門檻，不是說要深刻理解算法才能更好訓練出好模型，模型損失函數優(yōu)化方法MindSpore/Tensorflow都內置好了，而且只需要簡單的調用就好了，如果說MindSpore/Tensorflow是可以把一個模型代碼量大大減少的框架，那么Keras就是讓模型代碼量可以少到驚人的框架，例如上面的貓狗分類器，15行代碼就可以搞定，幾十行代碼就把一個擁有著卷積層、池化層和全連接層的較高級優(yōu)化方法的深度學習網絡架構寫出來。

一個開發(fā)框架就像安卓框架為手機APP開發(fā)者提供的很多基礎功能，如果沒有這個框架，一個簡單的給好友發(fā)送圖片的功能，你需要直接和操作系統(tǒng)的各個底層功能模塊打交道了。

6、AI開發(fā)，有了開發(fā)框架就夠了嗎？

當然不是，一個開發(fā)框架，只是幫開發(fā)者做了一些開發(fā)者沒必要實現的部分，或者實現起來代價太大的部分，一個完整的AI開發(fā)過程，從準備數據、數據預處理、數據標注、選擇算法、訓練、調參、部署，這和一個普通的APP開發(fā)的過程差不多。如同生產一輛汽車，一個自動化、高科技的總裝車間是必不可少的，但沖壓、涂裝車間也制約著汽車的生產效率，那么制約AI開發(fā)效率最頭痛的是什么，請看下一個問題。AI開發(fā)過程中最大的困難是什么？

7、AI開發(fā)過程中最大的困難是什么？

• 要準備大量的數據，前面已經提過，更可怕的是數據標注，據統(tǒng)計，數據處理和標注環(huán)節(jié)大約占整個開發(fā)周期的70%。所謂標注，就是給數據打標簽，告訴機器一張圖片究竟是貓還是狗，標注是一件在AI開發(fā)者看來技術含量非常低的工作，已經屬于勞動密集型產業(yè)，業(yè)界有大量的第三方公司，專門從事數據標注工作。以自動駕駛為例，車頭上的攝像機在實時拍攝車前的所有畫面，自動駕駛標注的過程要標注前車、障礙物、行人、信號燈、指示牌、指示線等等，這個過程如果完全依賴人工標注，自動駕駛將永遠難以商用。
• 要反復迭代訓練，訓練并不是一蹴而就，要反復修改各種參數，使得模型的準確度逐步提升，這個過程，目前需要豐富的經驗，如果沒有充足的算力，訓練一次，等待三天，然后調參，再等待三天，如果要迭代20次，這個過程是很消耗人的意志。所以，即使不考慮成本因素，算力也是制約AI普及最大的問題。

8、怎么解決AI開發(fā)者的問題？

正如開發(fā)一個office軟件，不可能費事到用記事本敲代碼，你需要一個像visual studio一樣的集成開發(fā)環(huán)境，需要一個像Git一樣的代碼管理工具，同理，開發(fā)一個AI模型，你也需要一個集成開發(fā)環(huán)境，而且需要一個版本管理工具。

提供給開發(fā)者代碼編輯環(huán)境、語法檢查、編譯器等功能，一個AI的開發(fā)平臺，同樣也要能幫開發(fā)者標注數據、創(chuàng)建模型訓練作業(yè)、部署模型等功能，有了開發(fā)平臺，開發(fā)平臺要幫助開發(fā)者把所有苦活累活都干完，讓開發(fā)者聚焦在最核心的代碼和算法上。

當然，要提供給開發(fā)者易獲取、性能強、價格低的算力，提高模型訓練的迭代速度。

9、有沒有更快地提升AI開發(fā)速度的辦法？

當然有。從根本上提升開發(fā)效率，挖掘到最本質，只有兩個辦法：重用和自動化，否則只能一行一行代碼干起。

開發(fā)一個APP，可以從最基本的代碼寫起，可以復用開發(fā)者共享的開發(fā)包、函數等，華為云開源鏡像站有大量的java開發(fā)包，就是這個意思，也可以復用一個完整的APP，修改下界面配色，就變成了自己的APP，這是復用。要保障APP的質量，可以手工測試，也可以用自動化測試工具。如果這些都不想做，可以也可以用一個現成的工具，用可視化的方法生成一個APP，當然APP的風格只能從工具已有的模板中選取。開發(fā)者一直在試圖用各種辦法，降低開發(fā)的工作量。

AI開發(fā)也是一樣的。可以找現成的數據集、找現成的標注好的數據集，現成的算法和模型，用自動部署工具將模型部署到端邊云。當然，也可用自動學習功能，只要提供原始數據，由系統(tǒng)幫助開發(fā)者完成模型構建、算法選擇和自動訓練，開發(fā)者可以直接看到結果。最簡單的辦法，就是尋找一個已經訓練好的模型，在軟件中直接調用。

基于此，一個好的AI開發(fā)平臺，要從各個維度去提升開發(fā)效率，這些功能往往都是很多小細節(jié)，算力強、訓練快，只是完成了必須的最基本的功能。