吳恩達一生中有很多頭銜，你也許知道他是谷歌大腦團隊的創(chuàng)始人，或者是百度的前首席科學(xué)家。你也許是上過他的課，通過廣受歡迎的在線課程，他向無數(shù)學(xué)生、好奇的聽眾和商業(yè)領(lǐng)袖傳授了機器學(xué)習(xí)的原理。

目前，他在 2017 年創(chuàng)立的最新創(chuàng)業(yè)項目 Landing AI 中，探索沒有龐大數(shù)據(jù)集可供利用的企業(yè)如何加入 AI 革命。

3 月 23 日，吳恩達在《麻省理工技術(shù)評論》的虛擬 EmTech Digital 峰會上分享了他的經(jīng)驗教訓(xùn)。

《麻省理工技術(shù)評論》：我敢肯定人們經(jīng)常問你：“怎么建立一個以 AI 為先的企業(yè)呢？”你通常會怎么回答呢？

吳恩達：我通常會說：“不要那樣做”。如果我在帶一個團隊，就會說：“嘿，大家請以人工智能為先” ，團隊就會把重點放在技術(shù)上，這也許對一個研究實驗室來說挺好的。但做生意時，我一般是以客戶或任務(wù)為導(dǎo)向，幾乎沒有以技術(shù)為導(dǎo)向過。

《麻省理工技術(shù)評論》：你建立了這個叫作 Landing AI 的新創(chuàng)業(yè)項目。你能告訴我們這個項目是什么嗎？以及你為什么選擇做這個項目？

吳恩達：在谷歌和百度帶過 AI 團隊后，我意識到 AI 已經(jīng)改變了消費類軟件互聯(lián)網(wǎng)，比如網(wǎng)絡(luò)搜索和在線廣告，但我想把 AI 運用到其他所有行業(yè)，這在經(jīng)濟中占更大比重。

所以在研究了很多不同行業(yè)之后，我決定從制造業(yè)下手。我覺得很多行業(yè)已經(jīng)具備了創(chuàng)建 AI 的條件，但一個行業(yè)創(chuàng)建 AI 條件更成熟的一個模式就是它正在經(jīng)歷數(shù)字轉(zhuǎn)型，這樣就會有一些數(shù)據(jù)，這為 AI 團隊利用數(shù)據(jù)創(chuàng)造價值提供了機會。

我最近很感興趣的一個項目是制造視覺檢測，看著從生產(chǎn)線上下來的智能手機的圖片，你能看出圖片有沒有缺陷呢？或者能看出汽車部件上有沒有凹痕呢？

一個巨大的區(qū)別是在消費類軟件互聯(lián)網(wǎng)上，也許你有 10 億用戶和大量的數(shù)據(jù)。但在制造業(yè)，沒有一家工廠生產(chǎn)過 10 億部甚至 100 萬部刮花的智能手機。所以挑戰(zhàn)是你能用 AI 處理 100 張圖像嗎？

事實證明，你可以做到，用少量的數(shù)據(jù)就可以做這么多事情，我每次都驚嘆不已。所以，盡管所有圍繞 AI 的宣傳、熱度和公關(guān)都是以巨大的數(shù)據(jù)集為賣點，但我覺得我們也還有很大的發(fā)展空間來開創(chuàng)其他挑戰(zhàn)大不相同的應(yīng)用程序。

《麻省理工技術(shù)評論》：你是怎么運營這個項目的？

吳恩達：我看到首席執(zhí)行官和首席信息官經(jīng)常犯的一個錯誤是，他們對我說：“嘿，安德魯，我們沒有那么多數(shù)據(jù)，我的數(shù)據(jù)一團糟。所以給我兩年時間來建立一個完善的 IT 基礎(chǔ)設(shè)施，這樣我們就有了構(gòu)建 AI 所需的海量數(shù)據(jù)。”我總回答道：“這是錯的。別這么做?！?/p>

首先，我認為當(dāng)今世界上沒有一家公司，甚至是科技巨頭會覺得他們的數(shù)據(jù)是完美無瑕的，這是一個過程。而花 2-3 年時間構(gòu)建一個漂亮的數(shù)據(jù)基礎(chǔ)設(shè)施，意味著你沒有 AI 團隊的反饋，來幫助你優(yōu)先考慮要構(gòu)建什么樣的 IT 基礎(chǔ)設(shè)施。

例如，如果你有很多用戶，你是否應(yīng)該優(yōu)先給他們做調(diào)查問卷來獲得更多數(shù)據(jù)？或者在工廠里，你是否應(yīng)該優(yōu)先升級傳感器，從記錄每秒 10 次震動到每秒 100 次震動？通常情況下，在開始 AI 項目時，你掌握的數(shù)據(jù)能夠讓 AI 團隊給你提供反饋，幫助你優(yōu)先考慮還要收集哪些數(shù)據(jù)。

在不具備消費類軟件互聯(lián)網(wǎng)規(guī)模的行業(yè)，我覺得我們需要從大數(shù)據(jù)轉(zhuǎn)向優(yōu)質(zhì)數(shù)據(jù)。如果你有一百萬張圖片，那就用吧。但使用小得多、標(biāo)簽清晰、精心整理的數(shù)據(jù)集就會出現(xiàn)很多問題。

《麻省理工技術(shù)評論》：你能舉個例子嗎？你說的優(yōu)質(zhì)數(shù)據(jù)是什么意思？

吳恩達：我先舉一個語音識別的例子，我在使用語音搜索時，會聽到有人說，“嗯，今天的天氣”的音頻片段，問題是這個音頻片段該怎么正確轉(zhuǎn)錄呢？是“嗯，今天的天氣”，還是“嗯、、、今天的天氣”呢？抑或是“嗯”這個詞我們沒抄下來？

其實這三種都可以，但不同的轉(zhuǎn)錄器用這三種標(biāo)記方式就有問題了，這樣數(shù)據(jù)就會有噪音，損害語音識別系統(tǒng)。現(xiàn)在，你有數(shù)百萬或 10 億用戶時，就可以把那些噪音數(shù)據(jù)平均分配一下——學(xué)習(xí)算法就可以很好做到這一點。但如果你的數(shù)據(jù)集比較小的話，如 100 個例子，那這類噪音數(shù)據(jù)會讓效果大打折扣。

還有一個是制造業(yè)的例子：我們在鋼材檢驗方面做了很多工作。如果你開一輛側(cè)面曾經(jīng)是用鋼板做的車，有時鋼板上會有一些小褶皺、小凹痕或斑點，你就可以用相機和計算機視覺來檢查是否有缺陷。

但不同的貼標(biāo)人員會對數(shù)據(jù)進行不同的標(biāo)記，有些人會在整個區(qū)域周圍放一個巨大的限位框，有些人會在小粒子周圍設(shè)置小小的限位框。當(dāng)你的數(shù)據(jù)集很小時，確保不同的質(zhì)檢人員統(tǒng)一標(biāo)記數(shù)據(jù)是最重要的事情之一。

對很多 AI 項目來說，你從 GitHub 上下載的開源模型——你可以從文獻中獲得的神經(jīng)網(wǎng)絡(luò)——（這）已經(jīng)夠好了，（雖然）這不能解決所有問題，但可以解決主要問題。所以我跟我團隊很多人說，“嘿，大家，神經(jīng)網(wǎng)絡(luò)已經(jīng)夠好了。我們不要再攪亂代碼了。你們現(xiàn)在唯一要做的就是建立流程來提高數(shù)據(jù)質(zhì)量?！笔聦嵶C明，這通常能讓算法的性能提高得更快。

《麻省理工技術(shù)評論》：你提到較小的數(shù)據(jù)集時，是指多大的數(shù)據(jù)？一百個例子？還是十個例子？

吳恩達：機器學(xué)習(xí)太多樣化了，很難給出一刀切的答案。我曾經(jīng)處理過有 2 億到 3 億張圖片的問題，也處理過只有 10 張圖片的問題，以及介于這兩者之間的我也都處理過。我觀察制造業(yè)應(yīng)用程序時，我認為一個缺陷類有幾十或上百個圖像是很正常的，但即使在工廠內(nèi)部也有很大的差異。

我確實發(fā)現(xiàn)，訓(xùn)練集的規(guī)模低于比如說 10000 個例子時，AI 實踐就會切換，因為這是一個閾值，工程師基本可以查看每個例子，自己設(shè)計、然后做出決定。

最近，我和一位非常出色、在一家大型科技公司工作的工程師聊天。我問他：“嘿，如果標(biāo)簽不一致的話你會怎么辦？”他回答道：“嗯，我們在海外有幾百人的團隊做標(biāo)簽，所以我會寫下標(biāo)簽說明，讓三個人給每張圖片貼上標(biāo)簽，然后我取一個平均值。”我說：“是的，數(shù)據(jù)集很大時就得這么做?！钡液鸵粋€較小的團隊合作時，如果標(biāo)簽不一致，我就會找到這兩個意見不一致的人，讓他們打一個 Zoom 視頻電話，互相交談一下，試圖達成一個解決方案。

《麻省理工技術(shù)評論》：現(xiàn)在我想請你談?wù)剬σ话?AI 產(chǎn)業(yè)的看法。我收集了我們讀者想問你的問題。一位讀者問道：AI 的發(fā)展似乎主要分兩種方向，一種是學(xué)術(shù)研究，一種是大規(guī)模、資源密集型的大公司項目，如 OpenAI 和 DeepMind。這并沒有給小型創(chuàng)業(yè)公司留下太多的空間。你認為小公司可以關(guān)注哪些實際問題來推動 AI 的真正商業(yè)應(yīng)用呢？

吳恩達：我認為很多媒體都把注意力放在大公司上，有時也放在大型學(xué)術(shù)機構(gòu)上。但如果你參加學(xué)術(shù)會議，就會發(fā)現(xiàn)很多工作是由小型研究小組和研究實驗室完成的。我和不同公司各行各業(yè)的人士交談時，我覺得他們可以利用 AI 來解決很多商業(yè)應(yīng)用問題。我通常去問商業(yè)領(lǐng)袖：“你們最大的商業(yè)問題是什么？你最擔(dān)心的事情是什么？”這樣我就能更好理解企業(yè)的目標(biāo)，然后集思廣益是否有 AI 解決方案，有時找不到解決方案的話，那也沒關(guān)系。

也許我要提幾個我覺得興奮的差異，我認為今天構(gòu)建 AI 系統(tǒng)仍然需要大量的手工操作。你有一些聰明的機器學(xué)習(xí)工程師和數(shù)據(jù)科學(xué)家在計算機上做事情，然后把事情推向生產(chǎn)，在這個過程中有很多手動步驟。因此，我對 ML Ops（機器學(xué)習(xí)操作）感到興奮，因為這是一門新興學(xué)科，有助于讓構(gòu)建和部署 AI 系統(tǒng)的過程更加系統(tǒng)化。

此外，如果你看看許多典型的商業(yè)問題（從營銷到人才）的所有職能，就會發(fā)現(xiàn)自動化和效率提高的空間很大。

我也希望 AI 社區(qū)能夠關(guān)注最大的社會問題，看看我們能為氣候變化、無家可歸或貧困做些什么。除了有時非常有價值的商業(yè)問題，我們也應(yīng)該致力于最大的社會問題。

《麻省理工技術(shù)評論》：你如何確定是否有機會在你的企業(yè)中進行機器學(xué)習(xí)呢？

吳恩達：我會試著自己學(xué)習(xí)一些商業(yè)知識，也會試著幫助商業(yè)領(lǐng)袖學(xué)習(xí)一些有關(guān) AI 的知識，然后我們通常會集思廣益一組項目，對于每個想法，我會同時在技術(shù)和業(yè)務(wù)上作出努力。我們將著眼于：你是否有足夠的數(shù)據(jù)？精度是多少？您將其部署到生產(chǎn)環(huán)境中時，是否存在長尾現(xiàn)象？你如何填充數(shù)據(jù)，為持續(xù)學(xué)習(xí)形成閉合回路？所以要確保問題在技術(shù)上是可行的。然后是商業(yè)方面做出的努力：我們要確保這會實現(xiàn)我們期待的投資回報率。在這個過程之后，你通常要做這樣的事情，比如評估資源、里程碑。

另一個建議是：開始要快，這很重要，從小處開始也沒關(guān)系。我在谷歌第一個有意義的商業(yè)應(yīng)用程序是語音識別，而不是網(wǎng)絡(luò)搜索或廣告，但幫助谷歌語音團隊提高語音識別的準(zhǔn)確度，給大腦團隊確立了信譽以及提供必要的資金去追求更大的合作伙伴。

所以谷歌地圖是我們第二大合作伙伴，我們使用計算機視覺，讀取房屋號碼，在谷歌地圖上定位房屋。只有在前兩個項目成功之后，我才與廣告團隊好好探討了一下。我想我看到過很多公司因為起步太大而失敗，這比起步太小而失敗的要多。作為一個組織，你可以先做一個較小的項目，了解一下使用AI的感覺，然后再繼續(xù)做大。

《麻省理工技術(shù)評論》：為了在自己的公司里實現(xiàn) AI，我們的用戶明天應(yīng)該開始做一件什么事？

吳恩達：投入。AI 正在改變許多行業(yè)的格局，所以，如果你的公司還沒有做出非常浩大和明智的投資，這是一個好時機。

原文標(biāo)題：吳恩達：不要建立AI先行的企業(yè)，而要從任務(wù)導(dǎo)向開始 | 專訪

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq