笔者近10年来一直工作于AI领域技术和产品一线,今天分享9个大家普遍关注却少有人系统回答的问题。
1.下一个10年,AI产业在国内的发展和职业发展的机遇如何?
从四方面看:
(1)技术角度:逐步成熟且仍有大量创新;
(2)价值角度:从带动生产效率、效益提升角度有巨大潜在价值;
(3)政策支撑:核心产业规模目标2030年达万亿;
(4)机遇:增量市场空间依然很大,行业落地走向分化,有更多AI+纵向赛道孕育新机遇。
2.市场上招聘AI产品经理需要了解技术,如何看待此问题?
AI产品经理需要了解AI相关的技术,但处于不同产业链层的产品经理对技术要求不同。AI产业链中划分为应用层、技术层、基础层。底层对技术的要求高,例如做一个人脸识别打卡APP和一个AI芯片产品,对技术的要求是有差异的。
这里的懂技术有一些误区需要澄清:懂技术不是目的,目的是辅助决策,做出更好的产品。懂技术不是懂代码,懂的是产品实现的核心技术逻辑流程、路径边界界定产品范围。
3.AI.产品经理如何把握算法类产品需求边界?
AI产品经理在任务定义中起重要的作用。在任务定义中,业务规则可能直接影响到算法实现,而且业务规则是客观存在的,AI产品经理需要在中间起到拉通业务定义和算法任务定义的桥梁。举个例子:在交通中AI识别车辆违反禁止标线的问题上,有些城市的交规更加严格,车辆压实线,就会进行处罚,而在一些城市中,需要车辆实线变道才进行处罚,在业务上要求的差异,造成算法内部实现逻辑有差异,就需要AI产品经理在业务需求侧给予定义。
AI产品经理需要从算法的角度,对客户的需求进行拆解,除去一些交互的需求外,需要对算法类的需求刨根问底,获得更细致的信息,使得更容易被算法研究人员理解,最关键的就是根据客户需求定义任务和类别,在算法中,很多任务会变成分类任务、回归任务,分类任务就需要非常明确什么样的情况下归属什么类别,很多时候,依靠客户简单的语言描述是很难完整定义任务和类别的,需要不断地层层深入,举一个抽烟识别任务为例子,当客户说要识别抽烟,只要抽烟就报警,一听感觉任务很简单,就是抽烟和不抽烟的二分类任务。
但是AI产品经理应该要知道,实际场景中抽烟的细分情况非常多,需要追问客户:(1)那电子烟算不算抽烟呢?(2)如果电子烟挂在身上也识别到了是不是也要报警?(3)如果是背对摄像机吞云吐雾看不到烟头这种呢?(4)那如果大冬天的,呼吸都是吞云吐雾那就有很多误报,这个问题客户的预期会如何?(5)如果拿着烟没点,这种算不算抽烟呢?突然就会发现,看似简单的任务,中间有非常多难以界定的细节。
4.AI产品怎么还会讲技术了?来看看算法出身的AI产品经理怎么讲
(1)专业术语一头雾水?图像分割是啥?语义分割是啥、实例分割又是啥,全景分割是个啥?Faster-RCNN是个啥?YOLO是个啥?Transformer是个啥?自监督又是啥?大模型PTM是啥?量化加速又是啥?命名实体是个啥?知识图谱又是啥?生成式对话是啥?检索是对话又是啥?
(2)够用易懂原则。知识框架+图解,从框架中知道术语来龙去脉,图解知道详细应用。
迁移学习、自监督学习、大规模预训练模型的整体关系
以图像分割为例
图像的分割根据对信息理解的深度,可以划分为普通分割、语义分割(semantic segmentation)、实例分割(instance segmentation)、全景分割(panoptic segmentation)。
普通分割也就是仅仅对区域的划分,仅区分区域,无需知道哪个区域代表什么意义,更多的应用是对物体前景和背景的划分,比如工业产线零件图像的分割;语义分割是在划分区域的同时,需要对其中的目标进行类别或属性划分,如图4-12b所示,需要识别哪些区域代表的是车,哪些区域代表的是人;实例分割主要针对前景目标的分割,可以理解为是在检测的基础上对目标做像素细粒度的划分。
比如人、车等,但实例分割还需要区分不同的车,不同的人,如每辆车用不同的颜色区分,每个人用不同的颜色区分,如图4-12c所示;全景分割则是把语义分割和实例分割结合,图像中的每个区域,无论是前景还是背景都需要进行分割,而且所有都需要按实例进行划分,如图4-12d所示。
5.如何定量定性评价AI产品?有什么评价体系?
对于AI产品来说,算法的参数是产品参数的重要组成,一般来说,算法的评价或者对AI产品的评价,都少不了功能、速度、精度等维度,这些指标在一定程度上可以反映产品的价值。功能是针对有无问题,速度和精度的高低,则决定了产品的可行性和性价比。通常会使用定量评价和定性评价两种方式进行速度和精度评估。
定量评价是指通过客观的指标进行计算而评价算法或者系统的精度或者性能,比如通过标注数据和推理结果进行比较,计算出如上述所讲的precision精确率、recall召回率等指标。定量评价的最大有点是客观,只要建立足够科学的度量测试集,就可以通过指标对比不同算法的表现。但是算法的定量测试是一项不小的工程,算法的定量测试早期均是算法研究员的工作,而对于产品交付,算法定量测试,对于普通的测试工程师是一个较大的挑战。
以精度为例AI构建了一套易懂易记的评价体系:
精度一般是对算法或系统的检测、识别准确率等指标进行考察,本节对算法模型精度测试定义了三类概念,第一类是基础概念,第二类是基础指标,第三类是二级指标。基础概念是指最基础的常识、方法和变量,包括度量基准(Benchmark)、测试集以及混淆矩阵等;第二类是基础指标,是在运用基础概念及变量进行计算后得出的指标,包括准确率、精确率、召回率等;第三类是二级指标,是在基础指标上再进行计算得出的更直观的精度评价指标,如ROC曲线、AUC等。
6.当我们讲AI的长尾,我们在讲什么?
AI算法的长尾体现在两方面,第一是对AI业务来说,许多业务无法仅仅使用一个算法就完成业务闭环和满足交付,比如面向城市治理解决方案,常常需要交付对人脸、人、车、非机动车、物品等等众多内容的识别,针对其中每一个主体,如对人,还需要对年龄、性别等一系列属性的识别,业务种类极其繁多,但这样的系统很多时候最关键的业务价值还是人脸识别;第二是对单个业务任务中,数据样本的长尾,使得要做好一个任务难度大。
例如判别一张图片是否有“狮子”,在狮子的图片中,大部分都是我们熟知的黄色皮肤、头部大量毛发的非洲公狮,但是狮子的品种非常多、颜色也多、就产生了很多长尾的不为我们熟知的样本,如白狮、黑狮(不管真实还是被p图),因为人的创造,还出现了很多卡通的狮子图片,甚至还有如狮虎兽、虎狮兽这样的物种,这就使得一个原本认为定义清晰简单的“狮子”变成了存在大量长尾样本,在一些长尾样本中定义存在模糊的情况。
7.怎么看待AI业务在B端落地和G端的区别?
面向企业的服务和政务的最大差别,是企业追求利润。从企业盈利属性看,赚取高于平均利润的超额利润是企业发展的重要目标,而技术创新是提升劳动生产率的重要途径,优先拥抱创新技术提高生产效率可提前获得超额利润,全社会对新技术的拥抱则会提高整体的劳动生产力。因此,企业的根本诉求是提升效率带来获取超额收益,而人工智能作为改造生产力的重要技术之一,是企业提升效率的重要选择。
8.怎么看待企业转型人工智能?
企业拥抱人工智能技术有两种路线:第一是使用人工智能解决问题,如利用人工智能技术降本增效提质。第二是使用人工智能赚钱,即在第一步基础上输出AI+自身领域解决方案业务,成为AI解决方案供应商。
人工智能产业发展包含产业智能化、智能产业化两个维度,有一些企业是已有传统行业业务,通过转型利用人工智能技术赋能旧业务,可以理解为旧产业的智能化,也有新创立的人工智能企业,专门提供人工智能基础设施产品,这些人工智能基础产品形成一个产业,即智能的产业化。
9.当在做AI中台产品,涉及到算力层面需要考虑什么?
(由于篇幅限制,本文只选其中一个部分展开,更多内容可阅读笔者的新书AI
从AI中台产品的算力层面,我们可以从以下4个维度来考虑:
(1)集中式和分布式;
(2)端边协同;
(3)算力多元化;
(4)算力的精细化管理
算力的精细化管理:在算法对算力的使用上,需要进行精细化地规划管理才可最大化利用算力。
第一是针对一个业务算法的异构算力的规划利用,在计算中,有些类型的计算更适合用CPU处理,而神经网络矩阵运算更适合NPU、GPU等并行计算实现,但是由于异构的通信、多媒体处理流水线中还有如编解码等环节,有时候需要根据算法的特性进行异构情况下算力的分配,其中分配的内容包括如CPU的核心数量、GPU数量、显存分配等等,最大化发挥异构算力中每个环节的性能;
第二是针对多种业务算法并存情况下的算力精细化分配,在实际业务划分中,在众多独立的算法共同服务一项业务,并分布到不同的算力单元上,但由于算法本身速度差异,会有如“木桶效应”存在,即某一算法满而拖慢了其他更快速度的算法,从而拖慢了整体业务的处理速度,则需要从不同业务算法性能出发进行算力分配,计算速度慢的模块,应该分配更多的计算单元,减少整体等待时间,或者更高明的是动态实现算力的分配,实现整体性保持高性能。算力的精细化管理虽然不一定需要AI产品经理亲自设计解决方案,但提前预知问题的存在,会减少预期高性能算法实际应用中速度落差大的问题。
零基础如何学习大模型 AI
领取方式在文末
为什么要学习大模型?
学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术,如自然语言处理和图像识别,正在推动着人工智能的新发展阶段。通过学习大模型课程,可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术,从而提升自己在数据处理、分析和决策制定方面的能力。此外,大模型技术在多个行业中的应用日益增加,掌握这一技术将有助于提高就业竞争力,并为未来的创新创业提供坚实的基础。
大模型实际应用案例分享
①智能客服:某科技公司员工在学习了大模型课程后,成功开发了一套基于自然语言处理的大模型智能客服系统。该系统不仅提高了客户服务效率,还显著降低了人工成本。
②医疗影像分析:一位医学研究人员通过学习大模型课程,掌握了深度学习技术在医疗影像分析中的应用。他开发的算法能够准确识别肿瘤等病变,为医生提供了有力的诊断辅助。
③金融风险管理:一位金融分析师利用大模型课程中学到的知识,开发了一套信用评分模型。该模型帮助银行更准确地评估贷款申请者的信用风险,降低了不良贷款率。
④智能推荐系统:一位电商平台的工程师在学习大模型课程后,优化了平台的商品推荐算法。新算法提高了用户满意度和购买转化率,为公司带来了显著的增长。
…
这些案例表明,学习大模型课程不仅能够提升个人技能,还能为企业带来实际效益,推动行业创新发展。
学习资料领取
如果你对大模型感兴趣,可以看看我整合并且整理成了一份AI大模型资料包,需要的小伙伴文末免费领取哦,无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发
部分资料展示
一、 AI大模型学习路线图
整个学习分为7个阶段
二、AI大模型实战案例
涵盖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,皆可用。
三、视频和书籍PDF合集
从入门到进阶这里都有,跟着老师学习事半功倍。
如果二维码失效,可以点击下方链接,一样的哦
【CSDN大礼包】最新AI大模型资源包,这里全都有!无偿分享!!!
😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~