认识达内从这里开始

随着人工智能技术的不断发展，许多的企业都纷纷开启了智能化的办公方式，比如说我们常见的人脸扫描加指纹识别门禁方式。

今天，我们就一起来了解一下，对于其他的企业来说，是否所有的公司都需要智能化办公的方式呢?

以人脸识别这个业务为例，有一些公共的人脸平台，可以输入一张照片和一个库，它会给出识别结果。但是据我了解，这些通用的人脸平台在具体业务上表现并令人满意。我是非常理解他们的，为什么几个友商都说自己是人脸识别第一的平台，但是在具体应用时表现不好呢，答案是它的数据并没有符合你使用的域。

举个例子，一个做婚恋网站，它数据库里的照片都是经过化装打扮的;一个社交网站，它的人脸头像数据都是个性搞怪的;而我们的身份证照片，则是普通素颜的。这几个领域里的数据，领域内是非常好用的，但是它们相互之间的交叉联系，无论从数据获取、标注还是得到最终应用结果，都是非常困难的。我们之前在某个边疆省份做了一个业务，模式很简单，就是用人脸识别跑一个黑名单，黑名单里包括公安关注的危险分子，这个名单非常大，大概有几十万。在最开始实施现场测试的时候，我们发现结果非常不好，准确度并没有达到我们的期望。后来我们发现这个省的大多是少数民族，他们的脸跟汉族人特征差异很大，而跟西亚人或者是俄罗斯人种是更像的，而我们那时候的人脸模型，还是以汉族人为主要的样本训练得到的，所以带来了很大的困难，其根本原因还是样本数据量不足造成的。所以在我们把现场数据标注和重新训练作为项目本身的过程，很快就达到了我们期望的准确度。

只有深入理解应用数据的域，才能够得到期望的效果。另外一种情况是希望有跨域数据的应用，比如证件照和各种现场抓拍照的跨域，就必须专门针对跨域的问题进行交叉的标注和训练，才能得到好的结果。跨域的成本往往取决于数据的来源，比如刷身份证并抓拍人脸的门禁，就可以很好的把证件照和抓拍照联系起来。

另外一个与数据相关的就是如何在业务中结合标注。所谓标注，大家可以理解为人工智能里的“人工”。一个已经使用旧数据训练好的模型在你的领域里可能不一定适用，必须把标注的任务融入到业务里，让它成为业务的常态。做电商一定会有个呼叫中心，做AI也一定会有个标注中心支撑我们的业务，他们就会根据我们任务的指标去完成标注的任务。经过标注中心标注之后，AI模型的效果会逐渐变好。所以当你考虑这样的业务一定要同时考虑相关的人工成本，如果领域不变的话，成本可能会逐渐降低，需要标注的数据会逐渐变少，但是可能不会消失，因为时过境迁，总会有些变化的东西。

ID，ID，ID，重要的事情说三遍，在AI业务里，我们认为能得到的最有价值的信息就是ID。我把它分成了几种层次：

第一种就是类似于身份证这样的ID，它不一定是身份证，但一定是长效、唯一的ID，这是最有价值的，就像你在网上做什么事都有记录一样，如果我有这个ID，而以后你在现实中做什么事也都有纪录，这是很可怕的事情。

第二种就是长ID，长ID是跨域的，跨时间、跨地点、跨来源，长ID并不能知道你是张三还是李四，但是它知道这个ID之前所有的活动。我们把能够拼接形成长ID的计算过程叫ReID，就是你很多活动我们通过算法把它们连接在一起了。

在商场里，当你进入的时候，如果获得了你得长ID，系统虽然不知道你是谁，但是能瞬间调出你之前进入商店的行为，包括你在哪个柜台前逗留时间长，你的动线轨迹，甚至可以绑定了你的结帐信息，知道你购买的记录。对于商店的应用来讲，这些数据已经足够了，这样的一个长ID获取成本低而且规避了侵犯隐私风险，一个商场显然不可能对你的身份信息进行核实，但是它有这样的长ID，就有足够的想象空间做出一些营销上的优化。短ID，就是一个在时空上局部的ID。ID的价值从上到下是递减的，当然获取成本也是越来越小。ID的密度和分布也是非常重要的，就像网站的浏览记录，得到的ID密度越高，对用户行为了解得更透彻，这里有很多细节。包括我是只得到你在这的活动，还是说得到你非常大范围的活动。这些就是我对ID的一个分类定义。

这里总结了一下以人脸识别或者车辆识别技术为基础的应用，本质上是ID的关系。所有我们需要得到的结果都是这几个ID的关系，车辆、模糊的车辆、清晰的车辆、人脸、人体、手机，或者没有写进来的其他的东西。

在应用里，我们希望它们之间都有ID对应，同一类对象，比如人脸和人脸之间，进行比对之后，就知道两个人脸是不是同一个人的概率，如果是同一个人，再把两个ID合并，其他的也是一样。但是当我关注下面这样的事的时候，就不一样了。一个人开了车，然后从这个车上下来，这个时候，我作为一个人很容易知道这个车是他的车，他是司机也好，他是副驾驶也好，这个关系我知道，但是人工智能很难处理这样的事情，它需要通过一些逻辑上的分析以及一些模糊的匹配去得到这样的关系。

比如图中横向的，车辆和人脸之间的关系，模糊车辆和清晰车辆之间的关系，模糊车辆就是看不清楚车牌，但是大概能看清这个车，清晰车辆就是车牌能看得更清楚一些。我们会通过一些模糊匹配的方式以及时空关系等方式把它们匹配起来。包括人脸和人体也是一样，能看清这张脸，但是当其他任何拍这个人拍得比较小的时候，这张脸看不清楚了，我怎么知道这个人还是你，这也是一个要打通的关系。人体和手机更是这样。当我们把横向和纵向的关系都打通，ID全部的关系就通了。现在我的图中打问号的这几个地方，实际上是目前做得并不好的地方，这也是人工智能相关的应用在近几年要特别加强，也是最有机会的地方。

你的业务需要AI/CV吗?

我接受过很多的公司来向我们咨询方案，想要他们的业务里获得AI的能力，用来帮助他们的业务进行优化和转型。在实际项目中我也接触了几个行业，我们也做了一些产品去应用于不同行业。

首先从公安业务说起，它的特点就是2G，主要的业务目标是公安稽查、布控，就是刚才讲的动态黑名单布控、静态图帧这样的一些业务，这个业务做了几年。说实话，这是我们的衣食父母，到现在公安业务也是整个人工智能行业最现实的一个业务方向。以公安业务的技术、产品为基础，我们发现可以做很多新的东西，比如说智能办公，楼宇和室内显然比公共场所的业务量级要大，但这是一个2B的业务，之前是不好做的，因为成本太高。

大家也看到很多楼宇物业已经应用了包括人脸门禁，它不是一个新鲜的事物，刷脸然后进门或者拍一个证件对脸进行验证之后就可以进去了，证明你的人和证件是同一个。但是智能办公的要求是不一样的，它的要求是不只在门口要有这样的设备，在公司的各个角落里都要有，包括休闲区、工作区，甚至车口、门口等等，这作用是什么呢?作用就是把办公区里人的行为数据化，当然能做到这点的前提就是成本降低了。包括收费业务，有些朋友应该发现广东这边已经有了，就是当你进入高速路口时，可以刷支付宝进行收费，不用去ETC，也不用去交现金。很快它可能做到连手机的支付宝也不用刷了，它看到你的车牌，并且看到你的脸，把车牌和你的脸进行验证之后，你就直接可以开车通过了。当然之前你要通过支付宝去存一些钱，或者绑定支付宝在相应的帐户里，这样就会得到一个更快捷的通过方法。后面还有几个这样的业务目标，不扩展讲了。

你的业务需要一个算法团队吗?

这个问题好多人问的，就是当你的公司想做一些AI相关的业务，你需不需要自己养一个算法团队。这没有直接的答案，得具体问题具体分析，需要看是哪些方面的业务。

首先你的业务从AI的层面上来讲，是不是一个通用的类型。比如说你希望像美图秀秀拍一个人脸之后进行美化，这个就有有可能不需要自己的AI团队，百度腾讯谷歌微软这样一些提供基础AI服务的公共资源以及像“一桶筐汤”这样的公司提供的方案，都可以是你的选择。但是当你遇到一些业务别人并没有涉及过的或者你的领域数据很独特时，可能就得养一个算法团队了。但是需要更正一下，确切的说是算法“工程”团队。算法团队是更基础的层面，但算法工程团队实际上是把现成的算法进行实践和工程化的团队，这是非常必要的。

做一个AI的业务在研发团队里需要有这样一些角色，算法团队、软件团队、设备团队，更包括运营和售前。这些团队角色之间的关系，我简单讲一下。比如说算法团队和软件团队之间的关系，看起来很自然，算法团队提供算法，给软件团队来包装成产品。但实际上并不是这么直接，算法的结果一定是循序渐进的，开始得到的结果肯定不好。软件团队提供给用户的价值，是通过算法体现出来，但是算法还不够好的过程中，软件要当好一个背锅侠的角色，它需要通过各种手段来进行补助。算法不是万能的，软件在合适的时候巧妙的使用算法，才能实现算法最大的价值，不能美玉当砖。

作者：苑维然

来源：infoq

【免责声明】：本内容转载于网络，转载目的在于传递最新信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。