導(dǎo)讀

本文從作者的經(jīng)歷和經(jīng)驗(yàn)教訓(xùn)展開，闡述了在AI項(xiàng)目研發(fā)中的各個環(huán)節(jié)的重要細(xì)節(jié)點(diǎn)，展現(xiàn)了一個AI項(xiàng)目到最終落地繁瑣的過程。

前言

AI虐我千百遍，我待AI如初戀。什么才是好的AI？答：能落地的AI才是好AI。AI項(xiàng)目從無到有，再到最終落地，無非不是挖坑、踩坑、填坑的過程。本文從筆者的一些經(jīng)歷、經(jīng)驗(yàn)、血淚教訓(xùn)展開，說一下對AI項(xiàng)目研發(fā)過程中的感想。

被虐的案例

案例1：經(jīng)過N次版本修改與優(yōu)化，最終定稿。支持切換型號、云端訓(xùn)練、人工調(diào)參等。搞到最后，才發(fā)現(xiàn)別人要求準(zhǔn)確率100%。

案例2：樣機(jī)各種燈光閃來閃去，各種運(yùn)動機(jī)構(gòu)群魔亂舞。什么犄角旮旯都覆蓋到，什么劃痕、殘缺、臟污都面面俱到。但是，一個產(chǎn)品的檢測竟然要30s。到過一次現(xiàn)場才發(fā)現(xiàn)，人工目檢只需要2s。

案例3：光學(xué)、算法、界面都o(jì)k了。在熱火朝天、干勁十足的準(zhǔn)備推廣成千上百套變現(xiàn)的時候，客戶說只要一套。

案例4：同上，最終客戶說再考慮一下，當(dāng)然是杳無音信。算是被耍呢？還是算是白嫖呢？

案例5：當(dāng)我們正為識別準(zhǔn)確率是99%的時候，客戶把一個識別成功的和一個識別失敗拿到一起，問：這兩個明明一模一樣，為啥這個失敗了，這個成功了？

案例6：我去生產(chǎn)現(xiàn)場培訓(xùn)客戶標(biāo)注。他們非常配合，找來的也是目檢老手。我示范了幾個后，讓他試試。他就是不肯，搞到最后才知道：額，他不會用電腦！

案例7：我們的算法好牛掰，我們模型好先進(jìn)。AI+傳統(tǒng)方法一起來搞，完美。不過你需要調(diào)整這20個超參數(shù)。人呢？別走??！

案例8：已經(jīng)上線運(yùn)行了，最后發(fā)現(xiàn)某一種型號的某一種缺陷打光不佳，圖像上很難判斷。最終只能推倒重來。

案例9：沒有意識到數(shù)據(jù)的重要性，每次都是幾張圖片在測試，結(jié)果是很完美，最匆匆拍板上線。最終大批量測試的時候，發(fā)現(xiàn)不work了。

為啥這么難？

工業(yè)AI，尤其是缺陷檢測這塊都是硬骨頭。雖然場景非常簡單，雖然數(shù)據(jù)都是源源不斷，雖然算法都是非常純粹。主要是其需求太分散了，不是不能做，而是值不值得去做。因?yàn)槟阋媾R以下問題：

說不清道不明、模棱兩可的需求標(biāo)準(zhǔn)，某些難以量化的標(biāo)準(zhǔn)。

頻繁的變更需求標(biāo)準(zhǔn)，難以做到只靠調(diào)后處理參數(shù)就快速響應(yīng)。

頻繁更換型號的場景，留給你訓(xùn)練的時間不多。甚至無法提供良好的訓(xùn)練環(huán)境。

立體的產(chǎn)品，各種吃光照，吃視角的缺陷，極其微弱的缺陷。

難以保證的樣本一致性問題。

準(zhǔn)確率能不能到100%？

有沒有人工做的更快？

有沒有人工費(fèi)用更便宜？

需要配合繁復(fù)的硬件設(shè)備，尤其是運(yùn)動設(shè)備。如何才能保證整套設(shè)備的穩(wěn)定性？

后期維護(hù)成本問題？由于涉及的環(huán)節(jié)太多，需要“全才”才能搞定。

......

一般流程

AI要敏捷開發(fā)，更要方法論，更更要穩(wěn)定成熟的流程。

這里要提的是，工業(yè)場景的AI不過是整套系統(tǒng)中的一個小小組件，你一定不會靠單純的AI去make money。即便如此，AI從無到有，依然經(jīng)過以下幾個環(huán)節(jié)：

需求階段

包括場景分析，問題定義，可行性分析。很多任務(wù)都是從該階段直接進(jìn)入end。這個是好事，一定不要盲目自信和盲目樂觀。所謂一葉障目不見泰山，只看到算法容易實(shí)現(xiàn)就忽略以上的問題，最后只能慘淡收場。最怕投入太多沉沒成本之后，想收場卻不甘心。

什么是需求，什么是真正需求，什么是隱藏等待發(fā)掘的真正需求。很多時候，和客戶一起聊需求的時候，他們給不出明確的需求。最簡單直接的辦法就是，深入?yún)⒂^他們的生產(chǎn)現(xiàn)場。和工人融到一起，學(xué)會他們的判斷標(biāo)準(zhǔn)。為他們發(fā)掘需求，尤其是下面幾點(diǎn)必須提前明確清楚：

什么是絕對不能容忍的錯誤，一旦出現(xiàn)就是質(zhì)量事故。我們要知道算法的下限在哪里。

涉不涉及更換型號，能否提供符合模型訓(xùn)練的場景要求，比如至少得有GPU吧，或者可以上網(wǎng)進(jìn)行云端訓(xùn)練。

對時間上的要求，很多替換人工工位都要要求比人更快。我們要知道系統(tǒng)的物理極限，例如運(yùn)動設(shè)備。

對于算法難以界定的灰色地帶，接不接受人工二次復(fù)檢。對于不work的個例，我們要有backup。

其他都比較直白，對于第二點(diǎn)說明一下。大家想必都知道，我們做算法復(fù)現(xiàn)的時候，推理部分比訓(xùn)練部分要容易好幾個等級。同理，上線部署的時候，如果涉及用戶自己訓(xùn)練，那么難度就上來了。要把標(biāo)注、數(shù)據(jù)處理、訓(xùn)練參數(shù)、測試評估等都打包在一起，還要實(shí)現(xiàn)全自動化。甚至?xí)龅街T如用戶電腦不能上網(wǎng)&沒有GPU，沒有錯，即便是你提訓(xùn)練必須條件，他也不一定會給你配到。

以上這幾點(diǎn)，一定要仔細(xì)論證，全局論證，反復(fù)論證。論證不是內(nèi)卷，不是效率不高，不是執(zhí)行力不高。沒有詳細(xì)論證而匆匆上馬的項(xiàng)目，一般后期有無數(shù)個坑在等著你。

打光階段

包括光學(xué)設(shè)計(jì)，成像分析，當(dāng)然還包括不是那么AI的結(jié)構(gòu)設(shè)計(jì)等。俗話說：七分靠打光，三分靠調(diào)參。打光非常重要，因?yàn)楹罄m(xù)算法只能為圖片負(fù)責(zé)。一般我會用“明顯”和“明確”來進(jìn)行可行性分析，“明顯”就是來自光學(xué)。最直觀的判斷就是，人肉眼能否通過圖片進(jìn)行精準(zhǔn)判斷。如果存在模棱兩可的部分，那么它也將成為算法模棱兩可的地方。

數(shù)據(jù)階段

包括數(shù)據(jù)采集，數(shù)據(jù)標(biāo)注，數(shù)據(jù)處理。數(shù)據(jù)的重要性不言而喻，正所謂：七分靠數(shù)據(jù)，三分靠trick。數(shù)據(jù)到位了，一切都好說。數(shù)據(jù)的重要性，想必是任何一個從業(yè)人員都深有體會的。我們要數(shù)據(jù)，要有效的數(shù)據(jù)。沒有數(shù)據(jù)的場景，抱歉請用傳統(tǒng)方法。要記住，模型泛化，沒那么重要，當(dāng)然模型也沒有那么強(qiáng)的泛化能力。它之所以能夠識別，那是因?yàn)樗娺^。將模型理解成一個存儲器，而不是泛化器。之前的你，需要建立數(shù)據(jù)庫來存儲數(shù)據(jù)用以測試時的比對，現(xiàn)在的你，模型就是你的數(shù)據(jù)庫。

數(shù)據(jù)標(biāo)注就會涉及標(biāo)準(zhǔn)的定義，很多時候很難拿到清晰的標(biāo)準(zhǔn)?；蛘哒f無法量化為清晰的標(biāo)準(zhǔn)。往往會存在灰色地帶，這就要提前有一個清晰的認(rèn)識。對于灰色地帶的處理，或者說客戶的容忍，要提前想好策略。這里比較困難的是，灰色地帶可能很難量化出來，我們只是知道這個樣本是灰色地帶，到底有多灰，have no idea。

另外，比較重要的是盡快建立穩(wěn)定的、有代表性的數(shù)據(jù)集合，尤其是測試集，這點(diǎn)非常重要。可以幫助非常敏捷進(jìn)行后續(xù)的benchmark實(shí)驗(yàn)。如果你不知道你對什么樣的最終結(jié)果負(fù)責(zé)，那么你將永無止境的做下去。

算法設(shè)計(jì)階段

包括任務(wù)定義，任務(wù)拆分，模型選擇。尤其是任務(wù)拆分，你不肯定把所有的大象都裝到一個冰箱里面，你也不可能把所有的雞蛋放到一個籃子里面。

杜絕唯模型論 & SOTA 論。我們需要的是在特定場景下解決特定的問題。這里涉及學(xué)院派思維轉(zhuǎn)變，學(xué)院派的高手為imageNet和COCO等數(shù)據(jù)集負(fù)責(zé)，而我為我自己的場景和自己數(shù)據(jù)集負(fù)責(zé)。SOTA看中的是模型的上限，而實(shí)際的場景，看中的是模型的下限。

杜絕唯AI論。不管傳統(tǒng)方法還是AI方法，能work的就是好算法。如果傳統(tǒng)方法沒有明顯的缺陷，那么請選擇傳統(tǒng)方案。或者你可以這么認(rèn)為，當(dāng)前看似高大上的AI并不是真正的AI，或許30年后一天，你會說：先用傳統(tǒng)方法YOLO V28 來試一下吧！

訓(xùn)練評估階段

包括模型調(diào)參，模型訓(xùn)練，指標(biāo)評估。所謂的“煉丹”。前幾步做好了，一般不會有太大問題，如果有，請向前追溯。這里要說一句，“提前優(yōu)化是萬惡之源“。在保證精度的時候，再去考慮速度，再去做優(yōu)化。當(dāng)然你靠58個模型聯(lián)合起來獲取的精度不在該討論范圍。

部署階段

這個階段坑比較多，基本上都是技術(shù)方面。也是所謂的“臟活”。包括模型優(yōu)化，跨平臺前向推理，模型加密。終于到部署階段了，也看到了落地的曙光。關(guān)于深度學(xué)習(xí)人工智能落地，已經(jīng)有有很多的解決方案，不論是電腦端、手機(jī)端還是嵌入式端，將已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)重在各個平臺跑起來，應(yīng)用起來才是最實(shí)在的。不過依然存在這么多工作需要做：

跨平臺：可跑目標(biāo)硬件上，包括各類cpu/gpu/npu/fpga等等。
高效能：速度快、占用內(nèi)存少等。
精度沒有丟失：經(jīng)過一通量化、剪枝、蒸餾、圖優(yōu)化等操作后，終于滿足時間要求了，卻突然發(fā)現(xiàn)部署測試精度掉了一半，WTF。
加密需求：你一定不希望自己辛辛苦苦搞出來的成果被別人白嫖吧！
閉環(huán)生態(tài)：當(dāng)然你不能一勞永逸，怎么在應(yīng)用中收集樣本，更新系統(tǒng)。你需要作成實(shí)用、好用的閉環(huán)工具鏈。

運(yùn)維階段

包括運(yùn)行監(jiān)控，模型更新等。你以為可以所以口氣了，并沒有。能不能經(jīng)受海量產(chǎn)能和時間的考驗(yàn)，請瑟瑟發(fā)抖地注視著吧！運(yùn)維的核心就是保證業(yè)務(wù)安全穩(wěn)定運(yùn)行。上面提到，AI泛化能力還是比較欠缺的，所以很可能會在實(shí)際運(yùn)行的過程中遇到不work的情況。當(dāng)然最最直接的辦法就是持續(xù)不斷擴(kuò)充數(shù)據(jù)。當(dāng)然要保證你的模型有足夠的capacity，如果沒有，那么就是算法設(shè)計(jì)環(huán)節(jié)沒有做好。收集數(shù)據(jù)利用上面部署階段所說的閉環(huán)生態(tài)工具鏈來持續(xù)完成這個事情。至此，你的AI項(xiàng)目已經(jīng)落地。

結(jié)語：多謝各位。

責(zé)任編輯：xj

原文標(biāo)題：工業(yè)界AI項(xiàng)目落地的繁瑣過程

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。