85%的AI项目以失败了结，切记这6条成功原则！

人工智能有多火每一个人的内心应该很清楚，因此在这里再也不阐述。 不少科技公司把将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，另外也有不少公司虽然跟AI沾不上任何边但喊着AI口号来吸引关注。 总而言之，AI会变得愈来愈火，会有更多的人才走进这个大军里。

在AI转型的进程中，并不必定是一路顺风的，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，据不彻底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，一个通常IT类项目的失败率也是50%以上呢，况且AI项目....

因此，不少状况下投入实施AI项目自己是风险，就看你有没有足够的风控能力，最后能把项目成功落地，而且产生价值！ 那为何会有大部分AI项目以失败为了结呢？人的问题？ 不必定！ 可能的主要缘由包括: 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，咱们总结出了六条原则，这些原则对于实施一个成功AI项目来讲尤为重要。对于这些原则咱们也参考了 [1]。

1. 弄清楚是不是合适的时机？

人工智能最大的价值是什么？ 是能够帮你作决策！ 那为了作这种决策须要什么条件？ 必需要有数据！ 没有数据，人工智能只是空谈。因此第一点就是要弄清楚是否是切入AI的最好的时机或者是大力推动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... 若是一个公司尚未那么多数据必须由机器来分析，那这时候能够作两件事情：1. 提早想好将来应用场景，布局数据的搜集工做 2. 先专一把业务作好，AI事情以后再看。总而言之，数据是AI的基础，若是没有数据，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”，而后拖累了其余的业务。

其实这种例子很多见。尤为是对AI了解不深的高管或者策略者，常常急于这些“锦上添花”的事情，反而在本身须要发力的战场上却没能作出成果。 因此对于第一个原则，要不断问本身：咱们有足够的数据吗？ 如今是合适的时机吗？ 现阶段作什么才能一年以后才能把AI技术提高到公司的战略层面？

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，学术界甚至在各种比赛中，咱们习惯于技术思惟 - “我有很厉害的技术，我要作XXX项目”。其实找对问题是最重要的，这是一我的最高级别的技能。爱因斯坦等科学家为何会这么成功？ 聪明只是一方面，核心是他们可以找到一个“好”的问题！ 为何美国不少博士生6，7年也毕业不了？难道他们由于笨吗？ 其实否则，就是由于找不出合适的问题！ 因此，找一个正确的问题能够说是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。如下几点能够做为参考：

1. 首先要理解业务，不是跟别人聊聊就好了，必定要深刻。好比如今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作！ 若是只是跟客服负责人简单坐下来喝个咖啡聊一下，以为能聊出真正的痛点吗？ 因此，做为AI项目的负责人，必定要对业务敏感，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，致使闭门造车，最后其实也没什么成果。

2. 了解竞争对手在作什么，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，要时刻了解别人在作什么。若是他们在某一个领域已经验证出成功的案例出来，那这正是对你来讲很好的参考。

3. 设定好项目的优先级

AI是一个很是开放的领域，即使对于一个业务，咱们可能想出各类各样的问题。但须要记住的一点是：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。因此必需要有个优先级。假设咱们面临三个选择，项目1，项目2和项目3，首先须要作哪一个？ 选择最有意思的？ 选择最优挑战性的？ 仍是选择我最感兴趣的技术相关的？ 别，千万不要这么作....

在实施AI项目的时候优先级最高的仍是对业务影响最大的那一类项目。换个角度能够想想，公司里的哪一个业务由于效率低而每天被骂？ 那一批人天天作着重复性的工做但却花费大量的成本？ 产品中的哪个环节的体验最很差？

咱们能够从这些痛点中出发，先把最“痛”的且“能够AI”化的项目列出来，而后再粗略算一下，项目预期所带来的价值或者对业务上的提高。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，好比如今有一个系统A，但将来3个月开发出了一个算法以后，可以提高多少的效率？ 另外，也能够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，固然这里的结果能够做为最高能够达到的预期结果。

还有一种方法是，想出一个最简单的路径来快速尝试。好比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？ 咱们彻底能够先以人工的方式来操做（客户觉得是机器），并观察用户的反馈，若是这样的方式确实可行，那基本上内心也会有数。因此这个阶段，要想出各类捷径或者“做弊”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，不要觉得AI什么均可以解决

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。对于一些问题它的做用确实比较大好比人脸识别，图像识别，物体检测等。但对于另一些问题做用未必明显，或者投入产出比很低，好比经过AI去预测A股的价格，或者想作一款什么均可以回答的智能机器人。

能够把利用AI预测A股股价做为例子（美股没有预测过，因此不敢在这里评论），这个目前很难作到。为何？股价自己是要依赖于人性的，同时也依赖于其余非价格类因素，那这些信息显然很难在咱们接触到的股市数据中得到。或许有些人会说，那咱们能够去分析人的行为啊，而后把它做为信号不就好了吗？ 固然能够，这也是下面我列的第三点。但即使如此，A股的这种不肯定性使得目前的AI系统很难去提供准确地预测。

为了作出这样的决策，必需要对技术的前沿知识很是敏感。只有这样才能作到评估： 1. 这项目到底能不能作？ 可行性怎么样？ 2. 这项目作完以后预计提高有多少，这个提高带来的好处跟成本相比会是怎样？ 3. 若是想让目前项目具备可行性，须要具有哪些条件？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。这点须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，须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咱们想要的效果？这里面的学问不少，产品怎么设计才能更好的得到反馈？ 数据怎么收集？等等。

一个AI项目若是超过3个月看不到效果是比较危险的，为何这么说？ 由于还没看到任何效果等同于尚未任何的迭代。迭代思路其实跟MVP(minimum value product)的思路很是相近，并且这个思路也跟强化学习（reinforcement learning）比较相近。

迭代自己分红两个部分，一个是整个项目的快速迭代， 还有一个是每个项目模块内的快速迭代。咱们能够以建模来打个比方，好比咱们在建模时第一个要搭建的模型叫作baseline，那什么叫baseline? 逻辑回归？ SVM？ 在我眼里，baseline 就是一天内能作出来的模型！无论数据有多大，场景多复杂，一天内须要看到一个最简单的结果。数据不少怎么办？ 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！ 其实总有办法能够在最短期内弄出一个可运行的模型，并经过此结果来评估项目的可行性以及将来预期的效果。 这些数据对于后续项目的实施尤为关键。另外，让别人尽快看到结果也会增长对你的信任，否则以后的工做会很是被动。

6. 项目上线前要作好业务评估

咱们在建模的时候一般会考虑一些“AI型”指标，好比AUC，F1-score等，这些应该不少人很是熟悉。那这里的问题是，这些指标越高，对业务的价值就会越高吗？ 其实不必定！ 从业务的角度评估和从模型的角度评估不必定是彻底正比关系的。但至少确定是有相似正比关系，否则采用这些指标是没有意义的！ 因此做为AI人员也须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情况。

另外，在不少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。咱们但愿可以在部署前有对这些模型的理解，好比一个模型犯错误，理解为何？ 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-…