如何从AI到IA？

看到国内很多公司都在搞AI，简单说下最近做AI的一些个人看法。当然有很多不足之处，也请指正。

人工智能（Artificial Intelligence），英文缩写即我们常说的AI。它是研究、开发用于模拟、延伸及扩张人类智能的理论、方法、技术及应用的一套科学技术。

是的，听起来很高深，也很神奇。最近几年比较火。各个大小公司开始使用这个概念，包括很多创业公司开始使用这个概念来拉融资，但是聊过之后才知道，很多公司大佬对AI的理解还停留在10年之前的老方法上，以为用下OpenCV就是AI了。

我们搞研究一般有2个层次或者说是两种思路，一种是创造性研究，研究新的领域及算法或者架构；另一个种则是使用性研究，把已有的方法应用于我们要解决的问题。大部分公司停留在AI的第二种应用研究上，只有老一点的大牌公司才有资本（钱）支持AI的创造性研究，比如学习框架TensorFlow、Pytorch等等，算法CNN、RNN、LSTM、Attention等等。

作为创业型公司更多的可能是如何使用这些架构、算法或者论文中提出的优化方案应用于我们的项目场景，比如说做图片上文字检测，我们首先考虑到的是网上搜一下论文或者Github已经实现的代码，把我们的样本代入看看效果，然后才会考虑调参数。这个过程我们可以简单的认为是AI应用过程的一部分。但是我们为什么需要把AI应用于到我们的业务中呢？

是的，我们希望产生一个智能助手（Intelligent Assistant, IA）,比如智能对话产生了小冰、小爱等，比如头条的智能推荐是为了让头条变成一个新闻智能助手，比如教育公司的的语音评测、作业智能批改等让产品变成了智能老师或者智能助教。那如果产生这些产品，如何把AI相关的知识和理论应用于这些产品中是我们创业或者产品成功的关键，即所谓的AI落地。

很多公司还在苦苦寻求活探索AI落地的方案，其实流程很简单：

数据收集->数据清洗->算法研发->算法实验->场景调参->服务或者SDK封装->产品对接->产品上线->（线上数据收集）->（数据清洗）。。。

整个流程会形成一个闭环，保存算法及产品的迭代。分的细一点，这其中开发人员包括数据工程师、算法研发工程、算法调参工程师、算法平台工程师、业务开发工程师、大数据工程师，当然配上项目leader、PM、designer，整个pipeline就成形了。这其中无所谓哪个部分更重要，每个环节都是必要的。针对不同的公司及业务发展阶段，每个部分的重视程度及拿到的成果也是不一样的，pipeline从0到1需要每个环节共同努力。项目起始阶段，算法研发工程师更容易出准确率及并发能力的成果；后期主要业务上更容易出成果，业务推广及业务量会直接给业务开发部门更多的绩效。当然聪明的工程师在寻找项目的事情或者面试新公司的时候，这些都是会去考虑的，即我们所说的“要看个人及项目发展”。

Pipeline的前半部分或者前期，我们更多关注的是AI，那么后期其实要关注更多的是IA，怎么能帮助用户用智能方法解决问题。AI是IA的基础，IA是AI的扩展及应用。其实我们从AI到IA的过程就是落地的过程了。落地听起来很fantastic，but not so easy。有很多分享会提到这个落地的概念，以为说了这个概念就很牛逼！No！！！

不行了，怎么感觉开始吐槽了，先这样吧。