Shift AI models to real world products

五年前，不提Big Data、Hadoop出门都不好意思跟人打招呼，这两年公司不想办法往AI、Block Chain方向靠，都不好意思更新网站，在这个热闹非凡，热点轮转的时代，以上种种意想不到的情况，在一定程度上来说，也是必然。

之前 2、3 年基本少有人对 AI 落地非常关心，“豪华团队 + Paper + 比赛刷榜”就是一个团队最好对背书，不管是谁的钱，投资总是需要考虑回报这件事的，在大方向都转向比拼落地能力的 2019 年，为什么没有感觉到这个行业对于落地的急迫，依然有对豪华团队的迷之自信，可看看知乎的这个问题：清华 AI 四大公司 PonyAI、RealAI、Face++、商汤未来能否达到 Google、微软的高度？。必须要说，对于这些横跨学术与产业的顶尖人才的贡献，我是无比敬佩，IT 领域也算混了二十年，从来没见过哪个方向有如此强大的开源与分享动力，框架、论文、实现代码、权重与参数（预训练模型）大家你争我抢，毫无保留的都给社区随便用，Google 的推动更是不可忽视（从开源协议来说，大多都是没法商用的，比如 ImageNet 下载申请协议的第一条就是Researcher shall use the Database only for non-commercial research and educational purposes，做 CV 的有几家能全部避免使用 ImageNet 的相关产物？为了下数据集，找在学校任教的同学、朋友借 edu 邮箱，前几年估计很多产业界的人都干过这样的事情）。用半年业余加班时间就能从 0 开始做出检测算法，跑出来 Demo，活着爬出销售挖的坑，没有这些开源分享，就算有“飘柔”般的自信和“梁静茹”给的勇气，这事情也是想都不敢想的。

其实，对于非 AI 领域的公司积极拥抱 AI，出现的各种理解与认识偏差，是能理解的（毕竟，我就是摸着石头一步一步往前走的），但是对于Scientists坐镇的 AI 公司，现阶段也不缺钱，工程化、产品化落地情况依然不乐观，这件事我是有点困惑的。

对于 AI 的落地，我相信，一定会有：“训练几个 model 搭几个 inference 的 APIs，业务去调用不就好了么？”这样的简单想法存在。我的理解是：对于 AI 这个“边缘”技术领域，如何从解决一个特定问题的构想到最终的工程化落地的产品、项目，虽然看起来都是写代码，但是和我们传统的软件开发过程、产品思考、交付能力要求相比，还是有较大差异的。

基于自己的理解，结合近期与微信群、知乎上的一些“陌生人”聊天过程中的收获，以及工作以来对售前、产品、研发、咨询、交付与技术管理的认识与实践，入门 DL 后的学习探索与项目落地交付实战，还有近一年来较为深入的阅读、学习与思考，把我对于如何实现Shift AI models to real world products的一孔之见与相关实践经验组织为一个较为系统的知识体系回馈给社区，同时，我相信写作过程也是对相关知识领域的认知程度的梳理与再学习过程。

考虑到我的知识背景局限性（熟悉 B/G 项目和产品，略懂 CV 和监督学习），所以内容和其中的一些建议与案例，更倾向监督学习、CV 在 B/G 端的产品与项目落地，对于机器学习的 NLP、RL 等领域以及像推荐算法这些在线学习的互联网方向的应用，争取也能做一些建议。

主要还是无聊，所以准备花两个月撸个这玩意，欢迎大家提问、提建议、提要求，能力之内的，我都会尽量写进去。

Github | Shift-AI-models-to-real-world-products