1. 數(shù)據(jù)是核心
這一輪的人工智能實(shí)際上是數(shù)據(jù)智能，深度學(xué)習(xí)算法通過輸入數(shù)據(jù)訓(xùn)練算法涩堤，學(xué)習(xí)數(shù)據(jù)中隱藏的模式缭受，最終實(shí)現(xiàn)分類和回歸的任務(wù)。從而可以解決一大類以前對人類簡單鹿驼，但對機(jī)器很難的問題欲低，例如：
- 人臉識(shí)別
- 車牌識(shí)別，交通統(tǒng)計(jì)
- 物體分類
人工智能系統(tǒng)的三大要素：
- 數(shù)據(jù)
- 計(jì)算資源（服務(wù)器畜晰，GPU）
- 算法工程師
計(jì)算資源只要花錢就能買到砾莱，算法工程師更多是工匠，除非頂級(jí)的算法工程師凄鼻，否則差別不會(huì)特別大恤磷。因此人才和計(jì)算資源都是通用的，難以差異化野宜。
數(shù)據(jù)扫步，尤其是與行業(yè)結(jié)合的數(shù)據(jù)，其他人獲取不到匈子，才可能成為真正稀缺的資源河胎。
如李開復(fù)所說，AI產(chǎn)業(yè)已經(jīng)從發(fā)明時(shí)代進(jìn)入了實(shí)干的年代虎敦，重點(diǎn)在于取得行業(yè)數(shù)據(jù)游岳，解決細(xì)分領(lǐng)域的問題政敢。
2. 訓(xùn)練才能成長
有監(jiān)督的學(xué)習(xí)，通過訓(xùn)練提升性能胚迫。
反饋的方式：
- 客觀結(jié)果
下圍棋的輸贏 - 專家結(jié)果評價(jià)
3. 方向的選擇
判斷模式相對復(fù)雜喷户，但結(jié)果很明確的領(lǐng)域
- 商品推薦和廣告服務(wù)
電商和社交網(wǎng)站 - 投資
金融機(jī)構(gòu) - 法律文檔
法律行業(yè)，專利檢查访锻、審核 - 報(bào)稅系統(tǒng)
醫(yī)療影像等行業(yè)的切入方式：
- 巨頭大平臺(tái)信譽(yù)可靠
Google+DeepMind褪尝，騰訊 - 專業(yè)公司+醫(yī)院合作
依圖+華西醫(yī)院 - 醫(yī)療器械廠商自己做
如魚躍醫(yī)療
細(xì)分領(lǐng)域的應(yīng)用：
- 按大小分揀黃瓜，CV系統(tǒng)
- 分析動(dòng)物遷徙路線期犬，CV識(shí)別
- 風(fēng)格遷移河哑，CV遷移學(xué)習(xí)
讓機(jī)器為自己干活
TODO：
- 熟悉訓(xùn)練深度學(xué)習(xí)模型的套路
掌握如何成功訓(xùn)練模型的方法論 - 能夠評估訓(xùn)練一個(gè)業(yè)務(wù)的資源消耗
需要多少GPU計(jì)算資源（費(fèi)用），耗費(fèi)多少人力龟虎，有哪些風(fēng)險(xiǎn) - 找到深度學(xué)習(xí)的應(yīng)用場景璃谨，能對接的業(yè)務(wù)性質(zhì)
- 利用起原有的行業(yè)資源
4. AI應(yīng)用的思考
明確目標(biāo)
做窄應(yīng)用，限定的場景
弱人工智能鲤妥，宜窄不宜寬佳吞，宜特定不宜寬泛
領(lǐng)域
優(yōu)勢在于數(shù)據(jù)和行業(yè)經(jīng)驗(yàn)
要回答的問題：
- 領(lǐng)域是否有數(shù)據(jù)
- 數(shù)據(jù)是否有壁壘
- 是否能夠定義出可以用人工智能解決的問題
- 是否被市場接受
- 大公司是否做同樣的事情
- 信任問題
- 擠壓問題
最好和行業(yè)場景以及傳感硬件結(jié)合，拿到大公司拿不到的數(shù)據(jù)棉安。
開發(fā)
是否有清晰客觀的結(jié)果
底扳？？
沒有理解
運(yùn)營
算法上的優(yōu)勢很難構(gòu)成核心優(yōu)勢垂券。
把優(yōu)勢控制在數(shù)據(jù)+行業(yè)經(jīng)驗(yàn)
了解行業(yè)的痛點(diǎn)。
個(gè)人思考
利用信息不對稱賺錢
用現(xiàn)有的成熟AI方法羡滑，對傳統(tǒng)行業(yè)降維打擊菇爪。
比訓(xùn)練模型刷百分點(diǎn)更有意義的是，找到更合適通用AI的應(yīng)用場景柒昏，結(jié)合新的行業(yè)需求凳宙。
