AI 工作流程大揭秘：轻松实现从概念到市场的跨越

本文链接：https://blog.csdn.net/2401_85373396/article/details/139409360

有人说，你最近这么疯狂输出AI领域的分享，能展开说说如何从0-1搭建一个AI产品吗？

为了响应这个问题，我查了很多资料，比如《手把手构建人工智能产品》、《人工智能产品经理图谱》和一些朋友交流，我发现只需要掌握关键的六个环节就可以轻松搭建，我们来一起聊聊它的秘密。

**这六个环节是：需求定义、模型预研、数据准备、模型构建、模型宣讲、模型验收及部署。**我们将讲述六个环节具体的工作任务和输出物，最后用一个案例完美收尾。

在这里插入图片描述

需求定义

需求定义代表了这个项目的方向，在任何类型项目怎么强调都不为过。

那在这个阶段需要做什么呢？

核心就是明确这个事情的背景、价值、以及预期目标都是什么。

如果C端项目也许是运营人员提需求，提高商品打开率或者下单率，如果是B端项目也许是提高某个数据的预测值，作为重要决策进行参考。

模型预研

模型预研代表该项目具备可做的能力，这个环节需要确认两个事情：

有哪些可用的数据？
有哪些可用的模型？

作为一家具备AI研发能力的公司，一般都有现成积累的数据和算法模型，此时更多的是需要毛估一下是否可以达到业务上的要求。

如果现有数据不够用，那需要进行下一步的处理（比如埋点加数据或购买数据）；如果现有模型精度不足，但本身可用，那模型只需要提高精准性就可以了。（但在实际项目过程中，数据初步判断可以达到算法训练的要求，但产品经理还需要准备数据，因为垂直业务线的产品经理更需要了解本领域的数据。）

数据准备

数据决定了模型预测的上限，因此准备高质量的数据是关键的步骤，因为模型训练的要求，我们所要准备的数据获取难以程度都不一样，大体上有三种方式：

第一种，内部业务数据，这就是指的部门内部产生的数据，如订单数据、用户日志等等可以进行直接获取，如果碰到拿不到的，可以内部处理，则需要增加埋点来增加数据的丰富性。

第二种，跨部门业务数据，有些企业有多个事业部或者多条业务线，归属不同部门，因此该数据的管理权并不归内部管理，因此提取数据的时候，需要结合业务需求，走正常流程获取数据即可。

第三种，外部采购数据，如果一些通用数据，比如用户流量使用情况、花费等等，此时内部无法消化，那需要借助外部专业公司，比如极光、友盟或者运营商来获取关键数据。（但获取数据时，需要注意数据的安全性和稳定性，一般都需要经过法务部门审核后才可进行采购，否则会对业务造成不可控的影响）。

模型构建

完成数据准备之后，就到了模型构建的环节。这个环节会涉及整个模型的构建流程，包括模型设计、特征工程、模型训练、模型验证、模型融合。

虽然模型构建主导方是算法工程师，但实际工作中**，产品经理需要“保姆式”协同，因为训练是一个持续性的过程，如果中间环节出现问题，需要延期或资源协调的时候，就可以用非技术的语言转达给领导或客户。**

第一，模型设计

主要做三个事情：

定义模型的目标变量，也就是最终预测的是值。
定义模型构建的特征，指的是影响目标的因素，对应到数据也就是数据的属性。
选择数据的抽取方式及数据源（分层抽样、随机抽样等）

比如定义目标变量是预测你公司附近的房价，特征就是影响房价的关键因素：房屋面积、大小、户型、周围的消费水平等等。

第二，特征工程

主要做四个事情：

数据清洗（去掉异常值，补充缺失值）
特征提取（将数据转化为数值、向量或张量的过程）
特征选择（抽取重要特征数据）
获取训练集、测试集数据

第三，模型训练

主要是根据训练集数据构造函数，使参数调整最优，并验证训练结果。

第四，模型验证

主要有两类指标验证：

模型性能验证（指代模型的结果准不准）
模型稳定性验证（指代模型在时间跨度的表现稳定度）

具体有解决分类问题的算法、聚类问题的算法、回归问题的算法均有其不同的性能指标，需要具体对待。

第五，模型融合

在真实的业务场景中，为了提高效果往往会使用多个模型来达到预期效果，将多个模型组合起来的操作就叫模型融合，融合完成后将其发布在测试环境，等待工程开发进行对接。

模型宣讲

宣讲目的是让算法工程师讲明白这个产品选择的算法是什么，为什么选择这个算法，都使用了哪些特征，模型的建模样本、测试样本都是什么，以及这个模型的测试结果是怎么样的。

帮助产品经理深入了解模型的构建状况，为后续验收做准备。

模型验收及部署

模型验收是产品经理作为模型把关人的关键环节，分为两种方式来评估：

第一，离线评估

离线评估是指模型上线前的正式评估，由产品经理和算法工程师主导，其他人员辅助，主要评估当前模型的三个事情：

特征自身的稳定性评估，特征是构建模型的关键点，模型的好坏与特征的数据稳定有强关联关系。
模型性能评估，比如准确率，召回率和KS值，这个模型性能和算法工程师模型验证的模式相同，只不过更精细，使用的验证集不同。
模型稳定性评估，同理。

第二，在线评估

在线评估是在模型上线后的评估，由产品经理、运营人员主导，其他人员辅助，主要评估模型和功能的两个事情：

确认评估标准，这里的评估不单单指模型本身，还有对预期目标，比如提升用户满意度等指标评估。
监控建模性能，监控模型性能在线上运行的情况（包括准确率、召回率等等）。

模型部署部署至正式环境，服务于客户。

基于用户行为的政策推送算法

环节一：需求分析

假设我们要开发一个基于用户行为的政策推荐系统。在需求分析阶段，我们需要预先制定多版方案并与客户沟通，了解他们对政策推荐系统的期望和需求。我们还需要确定系统的可行性，例如是否有足够的数据支持模型训练，以及系统的预算和时间限制等。

环节二：模型预研

初步判断用户需求，可以使用机器学习算法来预测用户对不同政策的偏好。还需要详细调研和评估不同的机器学习算法，如决策树、随机森林和支持向量机等。并确定模型的输入，例如用户的个人信息、页面停留时间、政策库数据和历史行为数据。

环节三：数据准备

通过内部库，收集用户的历史行为数据，如浏览政策页面、点击政策链接和提交反馈等。但需要增加停留时间，因此提给开发，完善该部分数据。

环节四：模型构建

搭建过程中，我们使用机器学习决策树算法对用户的历史行为数据进行训练，以预测他们对不同政策的偏好。在模型训练阶段，我们需要定义损失函数，例如均方误差或交叉熵损失函数，并选择合适的优化算法，如梯度下降或随机梯度下降。我们还需要调整模型的超参数，如学习率和正则化参数，以提高模型的性能。

环节五：模型宣讲

由算法工程师对具体模型构建过程的输出物进行宣讲：

选择该算法原因
构建模型特征数据
训练集、测试集样本
模型验证结果表现

环节六：模型验收及部署

使用测试集数据验证模型召回率大于80%，准确率高于90%，KS为0.8，是符合验收标准；部署上线。

最后的话

AI项目的每个环节都有具体的任务和关键步骤，并且每个环节于环节之间存在强关联和依赖关系，尤其是在数据准备和特征选取环节为重中之重。

有一句话说的好：数据和特征决定机器学习的上限，算法和模型只是逼近这个上限而已。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍