吴恩达出品:如何选择你的第一个人工智能项目?

简介:   吴恩达相信大家都不陌生了,这位大佬曾担任百度副总裁和首席科学家,创立了 Google Brain 项目,还是 Coursera 的联合主席和联合创始人。前几天,吴恩达 亲笔撰写了一篇博文《How to Choose Your First AI Project》,分享了他的心得:在传统企业转型为人工智能企业之前,如何挑选第一个人工智能项目?为什么要这么重视第一个项目呢?AI 前线将该文章进行了翻译整理,以飨读者。  人工智能技术有望改变每一个行业,就像 100 年前的电力一样。据 McKinsey 称,预计到 2030 年,人工智能将创造 13 万亿美元的 GDP 增长,其中大部分将在制

  吴恩达相信大家都不陌生了,这位大佬曾担任百度副总裁和首席科学家,创立了 Google Brain 项目,还是 Coursera 的联合主席和联合创始人。前几天,吴恩达 亲笔撰写了一篇博文《How to Choose Your First AI Project》,分享了他的心得:在传统企业转型为人工智能企业之前,如何挑选第一个人工智能项目?为什么要这么重视第一个项目呢?AI 前线将该文章进行了翻译整理,以飨读者。

  人工智能技术有望改变每一个行业,就像 100 年前的电力一样。据 McKinsey 称,预计到 2030 年,人工智能将创造 13 万亿美元的 GDP 增长,其中大部分将在制造业、农业、能源、物流和教育等非互联网领域。人工智能的崛起,为各行各业的高管提供了一个机会,让他们能够区分和捍卫自己的业务。但是,在整个公司范围内实施人工智能战略还是具有挑战性的,对于传统企业而言,尤为如此。

  我给任何行业的高管的建议都是从小型项目做起。根据《人工智能转型指南》(AI Transformation Playbook),构建人工智能战略的第一步是选择一两个公司级别的人工智能试点项目。这些试点项目将有助于为你的公司蓄势,并获得构建人工智能产品所需的第一手知识。

  要挖掘人工智能技术的强大功能,需要根据你的业务环境对其进行定制。你的一两个试点项目的目的只是部分为了创造价值;更重要的是,这些首批项目的成功将有助于说服利益相关者投资于构建公司的人工智能能力。

  当你考虑人工智能试点项目时,请问自己以下几个问题。

  1、该项目是否能够带来立竿见影的效果?

  使用你的第一个人工智能试点项目,尽快运行。选择那些可以快速完成的项目(最好是能够在 6~12 个月内完成的那种),并且有很高的成功几率。与其只做一个试点项目,不如选择两三个试点项目,以增加至少一个重大成功的几率。

  2、该项目的规模是否过于细小还是过于庞大?

  你的试点项目未必是最有价值的人工智能应用程序,只要它能够带来快速的成功即可。但是这个试点项目还应该具有足够的意义,能够成功说服其他公司领导投资更多的人工智能项目。

  在带领 Google Brain 团队的早期,我在 Google 内部曾面临着对深度学习潜力的广泛质疑。当时对 Google 来说,语音识别远不如网络搜索和广告来得重要,因此,我让我的团队将语音识别作为我们的第一个内部项目。通过帮助语音识别团队构建更为准确的识别系统,我们说服了其他古玩团队对 Google Brain 要有信心。在我们的第二个项目中,我们使用 Google 地图来提高数据质量。每个项目的成功,都极大鼓舞了士气,Google 之所以能够成为今天伟大的人工智能公司,Google Brain 功不可没。

  3、该项目是否针对你所在的行业?

  通过选择公司的特定项目,你的内部利益相关者就能够直接理解这个项目的价值。举个例子,如果你经营一家医疗设备公司,那么建立 AI+Recruiting(人工智能招聘)项目来筛选简历并不是什么一个好主意,原因有二:

  (1)其他人很有可能也会建立人工智能招聘平台,为更大的用户群提供服务,并将会比你在内部所做的项目更好,或者削弱你的优势。

  (2)如果你的试点项目是将人工智能应用于医疗设备的话,那么这个项目不太可能让你的公司其他人相信人工智能值得投资。

  构建一个专门针对于医疗保健的人工智能系统更有价值:从使用人工智能协助医生制定治疗计划,到通过自动化来简化医院登记流程,再到提供个性化的健康建议。

  4、你是否正与可靠的合作伙伴一起加速试点项目?

  如果你仍在建立人工智能团队(见《人工智能转型指南》第二步),请考虑与外部合作伙伴进行合作,以快速引进人工智能专业知识。最终,你可能会想拥有自己的内部人工智能团队;然而,与人工智能的崛起速度相比,在执行之前等待组建团队的话,步伐可能过于缓慢。

  5、该项目是否创造价值?

  大多数人工智能项目创造价值的方式不外乎三种:降低成本(自动化为几乎所有行业降低成本创造了机会)、增加收入(推荐和预测系统提高了销售和效率)、或者启动新的业务线(人工智能使以前不可能的新项目成为可能)。

  即使没有 “大数据”,你也可以创造价值,而 “大数据” 往往被夸大了。一些企业,例如网络搜索,其查询往往有 “长尾效应”,因此数据越多的搜索引擎,表现确实会更好。然而,不是所有的企业都有如此海量的数据,并且,也许有可能建立一个有价值的人工智能系统,可能只有 100~1000 条数据记录(尽管更多的数据记录并没有坏处)。不要仅仅因为你在 X 行业有用大量数据就选择某个项目,要相信人工智能团队会找到将这些数据转化为价值的方法。像这样的项目往往会失败。重要的是要提前就人工智能如何具体创造价值撰写一篇论文。

  AI 前线注:长尾(英语:The Long Tail),或译长尾效应,最初由《连接》的总编辑 Chris Anderson 于 2004 年发表于自家的杂志中,用来描述诸如 Amazon、Netflix 和 Real.com/Rhapsody 之类的网站之商业和经济模式。是指那些原来不受到重视的销量小但种类多的产品或服务由于总量巨大,累积起来的总收益超过主流产品的现象。在互联网领域,长尾效应尤为显着。长尾这一术语也在统计学中被使用,通常应用在财产的分布和词汇。

  那么,上述这些要点在实践中是什么样子的呢?

  打个比方说,人工智能就是打了类固醇的自动化。人工智能项目的很大灵感来源于使用一种称为“监督学习”(Supervised Learning)的技术,这项技术将人类目前正在做的任务变成自动化。你会发现,人工智能擅长自动化任务,而不是作业。你可以尝试确定人们正在做的具体任务,并检查是否有可以自动化的任务。例如,放射科医生的工作涉及的任务可能包括读片、操作成像设备、咨询同事以及手术计划。与其试图自动化整个工作,不如考虑是否可以通过部分自动化来实现其中某项任务的自动化或者更快地完成。

  在执行人工智能试点项目之前,我建议要明确说明该项目期望的时间表和结果,并为团队分配合理的预算。

  任命负责人:选择一个能够跨职能工作的人,在人工智能和你所在行业的领域专家之间架起一座桥梁。这一做法,将确保当项目成功时,能够影响组织的其他部分。他们的目标并不是创建一家人工智能初创公司,而是建立一个成功的项目,作为构建未来项目的第一步,这个项目将影响公司其他部门对人工智能的信念和知识状态。

  进行业务价值和技术尽职调查:确保项目如果成功执行,业务负责人同意该项目将为业务创造足够的价值,但也要确保该项目是可行的。技术尽职调查可能需要数周的时间,需要技术团队检查你所拥有的数据,甚至还可能会进行小规模的实验。

  组建一支小型团队:我见过很多试点方案,都是 5~15 个人一起执行的。每个项目的确切资源水平差别很大,但是可以通过小团队完成的项目范围确定确保每个人都可以了解其他人并进行跨职能工作,也可能使资源分配更加轻松。虽然现在有些项目需要 100 多名(甚至 1000 多名)工程师才能做好,但对于你的人工智能试点项目来说,可能并不需要如此高水平的资源。

  沟通机制:当试点项目达到关键的里程碑时,特别是当它取得成功的结果时,一定要给团队一个内部平台:从谈话到奖励,甚至外部公关 —— 让他们所做的工作在公司内部为人所知。确保项目团队得到 CEO 的认可,并取得明显的成功,将是创建势头的关键部分。如果你的人工智能技术团队和业务团队合作,也要确保业务团队因成功而得到足够的荣誉和奖励。这一做法也将会鼓励其他业务团队加入人工智能。

  我曾经带领过 Google Brain 和百度人工智能团队,它们都是将 Google 和百度打造成伟大的人工智能公司的中坚力量,我认为,大多数公司都能够并且也应该能够成为擅长人工智能的公司。你的目标不应该是与领先的互联网公司展开竞争,而是为你所在的垂直行业掌握人工智能技术。请记住:第一步就是选择合适的试点项目并执行他们。

目录
相关文章
|
3月前
|
机器学习/深度学习 算法 TensorFlow
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
动物识别系统。本项目以Python作为主要编程语言,并基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集4种常见的动物图像数据集(猫、狗、鸡、马)然后进行模型训练,得到一个识别精度较高的模型文件,然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面,实现用户上传一张动物图片,识别其名称。
107 1
动物识别系统Python+卷积神经网络算法+TensorFlow+人工智能+图像识别+计算机毕业设计项目
|
8天前
|
存储 人工智能 数据库
Codel:AI代理工具,支持在终端、浏览器、编辑器执行复杂任务和项目
Codel是一款全自主AI代理工具,支持在终端、浏览器和编辑器中执行复杂任务和项目。它运行在沙盒化的Docker环境中,具备自主操作能力,内置浏览器和文本编辑器,所有操作记录存储于PostgreSQL数据库。Codel能够自动完成复杂任务,如创建项目结构、进行网络搜索等,适用于自动化编程、研究与开发、教育与培训以及数据科学与分析等多个领域。
40 11
Codel:AI代理工具,支持在终端、浏览器、编辑器执行复杂任务和项目
|
20天前
|
人工智能 物联网 Shell
今日 AI 开源|共 12 项|开源的DIY健康追踪项目,基于低成本的智能戒指构建私人的健康监测应用
本文介绍了多个开源项目,涵盖了从量子计算错误纠正到视频生成和编辑的广泛应用领域。这些项目展示了AI技术在不同领域的创新和应用潜力。
135 10
今日 AI 开源|共 12 项|开源的DIY健康追踪项目,基于低成本的智能戒指构建私人的健康监测应用
|
13天前
|
存储 人工智能 缓存
官宣开源 阿里云与清华大学共建AI大模型推理项目Mooncake
近日,清华大学和研究组织9#AISoft,联合以阿里云为代表的多家企业和研究机构,正式开源大模型资源池化项目 Mooncake。
|
14天前
|
存储 人工智能 缓存
官宣开源|阿里云与清华大学共建AI大模型推理项目Mooncake
2024年6月,国内优质大模型应用月之暗面Kimi与清华大学MADSys实验室(Machine Learning, AI, Big Data Systems Lab)联合发布了以 KVCache 为中心的大模型推理架构 Mooncake。
|
1月前
|
存储 人工智能 文字识别
AI与OCR:数字档案馆图像扫描与文字识别技术实现与项目案例
本文介绍了纸质档案数字化的技术流程,包括高精度扫描、图像预处理、自动边界检测与切割、文字与图片分离抽取、档案识别与文本提取,以及识别结果的自动保存。通过去噪、增强对比度、校正倾斜等预处理技术,提高图像质量,确保OCR识别的准确性。平台还支持多字体识别、批量处理和结构化存储,实现了高效、准确的档案数字化。具体应用案例显示,该技术在江西省某地质资料档案馆中显著提升了档案管理的效率和质量。
|
1月前
|
人工智能 安全 网络安全
揭秘!大模型私有化部署的全方位安全攻略与优化秘籍,让你的AI项目稳如磐石,数据安全无忧!
【10月更文挑战第24天】本文探讨了大模型私有化部署的安全性考量与优化策略,涵盖数据安全、防火墙配置、性能优化、容器化部署、模型更新和数据备份等方面,提供了实用的示例代码,旨在为企业提供全面的技术参考。
94 6
|
3月前
|
机器学习/深度学习 人工智能 算法
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
植物病害识别系统。本系统使用Python作为主要编程语言,通过收集水稻常见的四种叶片病害图片('细菌性叶枯病', '稻瘟病', '褐斑病', '稻瘟条纹病毒病')作为后面模型训练用到的数据集。然后使用TensorFlow搭建卷积神经网络算法模型,并进行多轮迭代训练,最后得到一个识别精度较高的算法模型,然后将其保存为h5格式的本地模型文件。再使用Django搭建Web网页平台操作界面,实现用户上传一张测试图片识别其名称。
138 22
植物病害识别系统Python+卷积神经网络算法+图像识别+人工智能项目+深度学习项目+计算机课设项目+Django网页界面
|
2月前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
71 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
探索未来AI趋势:掌握Function Calling技巧,解锁大模型精度提升的秘密武器,让你的数据科学项目事半功倍!
【10月更文挑战第6天】随着深度学习技术的发展,神经网络模型日益复杂,Function Calling作为一种机制,在提升大模型准确度方面发挥重要作用。本文探讨Function Calling的概念及其在大模型中的应用,通过具体示例展示如何利用其优化模型性能。Function Calling使模型能在运行过程中调用特定函数,提供额外的信息处理或计算服务,增强模型表达能力和泛化能力。例如,在文本生成模型中,根据上下文调用词性标注或实体识别等功能模块,可使生成的文本更自然准确。通过合理设计条件判断逻辑和功能模块权重,Function Calling能显著提升模型整体表现。
69 3