AI场景的价值体现——视觉 AI 技术如何落地(二)
那么，怎样判断一个行业是否具有做 AI 场景的价值?在做AI平台化的进程中，遇到过哪些挑战和问题?
01、看需求
首先，需求得是真实的。杨帆举了个具体的例子：有一个家电厂商想通过人脸识别功能，实现“我进去之后这个房间自动调节成 16 度，我母亲进这个房间自动调节成 26 度”。我问他：“如果你和你母亲一块进去怎么办，如果你背着身进去怎么办?”他说这个需求，其实最好的解决办法就是摇控器。
其次，需求得是刚性的。需要考虑用户愿不愿意买单，愿意花多少钱买单?往后更深层次的逻辑链，需要对场景的更深的了解。
02、规模化
今天完成一套解决方案成本很高。人脸识别这样的技术，在不同的场景中技术差异很大。我今天做金融，1：1的认证，错误率做到百万分之一，千万分之一，准确性非常高，在金融场景中非常好用。如果放在安防的场景下，安防要求百万人的黑名单库。而且黑名单库还要有误报，每一次误报有一个出警。
同样是人脸识别，不同场景下关注的技术指标和任务是完全不同的。所以同样一个技术概念，在不同场景下的差异性非常明显。再者技术什么时候成熟需要在特定的需求场景下，离成熟多远要有一个预判力。
03、数据闭环
做AI技术，数据闭环是非常重要的环节。为什么?我们做视频的会发现，当你技术不成熟的时候你的业务不能用，业务没有落地的时候就没有数据。做不好，就形成死循环。这样的死循环如何去打破?原动力的突破来自于技术，当你的技术有小的突破，把其他场景迁移过来。
技术的突破可以带来业务的落地，业务的落地带来数据的累积，数据的累计可以带来技术的进步。这样的数据闭环，帮助整体业务拓展并能带来非常大的价值。今天，数据面临隐私性和安全性的质问和考验。包括区块链在内的很多技术，还有一些非技术的方式方法，可以带来更深层次的探索。
04、商业化
光做出好产品是不够的，还要在市场上真的有价值，并且能持续保有竞争力。任何新技术都会随着时间的推移而扩散，一般所拥有的时间窗口最多也就是一年多的时间。
在这一段时间内，如何看待当前所面临的场景?在这个场景中技术到底占据多大的地位?是非关键性的应用还是关键性的应用?技术上的突破和分配，是否产生根本性的问题?在技术的壁垒期，我们能否利用这一段时间构建起技术以外的壁垒?
只有壁垒构建出来，利用时间窗口期把技术优势转化成其他的竞争性壁垒，这样的行业才值得去做。
05、技术创新驱动
早在一两年前，我们就搜集到大量用假照片和视频去攻击刷脸识别的行为，各种各样的案例。当我们拥有大量来自真实业务的攻击数据时，就能够针对图像视频各种各样的攻击方式进行非常好的防范，这来自于大量线上攻击的业务数据的累积，以及对这些数据的二次挖掘和利用。这个给我们什么样的启示?
做刷脸一开始是做人脸识别，但后来我们发现人脸识别不是最重要的，最重要的活体识别，分清到底是一个真人还是仿冒攻击。只有深入场景，才能发现你所面临的技术挑战跟你之前想象的不同。当行业落地的时候所面临的技术挑战，实际上需要重新定义、分解和解决。
从这五个闭环能够帮助我们去判断，把一个AI技术应用在某一个场景是否真的有价值，是否真的有意义，是否带来更大的用户价值。从这几个角度大家去进行分析判断，会有一个相对比较好的结论。
想把落地场景做好，复合型技术人才尤为重要
如杨帆所说，真正去看行业落地的时候，往往都是不同的技术叠加和组合的应用，这里面人脸识别和动作识别是最关键的技术，但实际上想把落地场景做好，一定需要多种技术组合。
杨帆表示，将创新技术转变为实际产品是一条满是荆棘的道路，行之不易，而其中最大的难点，一是如何选对方向和时机，二是如何找到合适的人才。
行业落地需要各种综合性的关键技术的整合。行业的需求往往是一些相对模糊的，而且从技术上来看是非常不明确的东西，这时候就需要有人有足够的能力去一一拆解。在杨帆看来，找到或培养一些既有技术背景、又对行业有足够深的理解的人才，是企业实现AI技术落地最关键的一点。
他说到，“人才问题、团队组织问题、发展问题，特别是做2B行业，标准化与非标准之间的平衡性掌握，任何一个技术性产品落地会面临的共有问题，做AI技术落地，这些问题一个都不会少，而只会更严重。AI人才是个更大的坑，AI的技术性更深重，从过往来看，它跟行业的结合更弱，所以你想要真正去打磨出一个符合真正行业需求的产品的时候，需要把对行业的理解和对技术的理解融合在一起，这是当前最具挑战任务之一，因为过去可能这个世界上基本不存在这样的人，对行业有理解的人很少。”
视觉AI技术的落地与AI人才的培养是个复杂而庞大的话题，需要对技术和人才都有比较深刻的理解和认知，也是目前业内广泛关注的话题之一。2018年1月5日，在AI时代的移动技术创新大会上，更多重量级大咖，将对AI、移动应用技术、前端开发等内容进行深度的分享，感兴趣的小伙伴快来报名参加吧!