吳恩達在斯坦福大學 HAI 研討會上進行內容分享，指出 AI 部署所面臨的三大挑戰(zhàn)，并給出解決方案。

　　隨著人工智能的不斷發(fā)展，大量先進算法以及配套硬件設施不斷涌現(xiàn)，研究人員憑借新算法等不斷刷新 SOTA 記錄，但是在科研中、論文中實現(xiàn)的高精度性能，很多卻不能應用于實際的生產中。AI 離真正的落地還有多遠？

　　現(xiàn)階段，許多公司和研究團隊正在努力將研究轉化為實際的生產部署。近日，機器學習大牛吳恩達在斯坦福大學 HAI 研討會上分享了一些有趣的觀點，即「如何彌補 AI 的概念驗證與生產之間的差距」。

　　HAI（「以人為本」人工智能研究院）成立于 2019 年 3 月，由斯坦福大學人工智能科學家李飛飛和哲學教授約翰 · 埃切曼迪（John Etchemendy）共同領導，致力于推動人工智能領域的跨學科合作，讓科技以人為中心，并加強對人工智能社會影響的研究。HAI 定期舉辦研討會，此前吳恩達參加研討會并做了演講。

　　AI 部署所面臨的挑戰(zhàn)

　　在這次研討會上，吳恩達分享了人工智能面臨的挑戰(zhàn)之一，即 AI 概念驗證與產品落地之間的差距。

　　吳恩達從三個方面介紹了 AI 部署所面臨的挑戰(zhàn)：小數(shù)據(jù)、算法的魯棒性和泛化能力，以及變更管理。

　　挑戰(zhàn) 1：小數(shù)據(jù)問題

　　小數(shù)據(jù)在消費互聯(lián)網以外的工業(yè)應用中很常見，而 AI 研究通常使用大數(shù)據(jù)，很多算法是針對大數(shù)據(jù)開發(fā)的。

　　但是很多行業(yè)可獲取的數(shù)據(jù)規(guī)模有限，為了使 AI 在這些行業(yè)中起作用，我們必須開發(fā)針對小數(shù)據(jù)的算法。小數(shù)據(jù)適用的算法包括 GAN、GPT-3、自監(jiān)督、遷移學習等。

　　挑戰(zhàn) 2：算法的魯棒性和泛化能力

　　大家可能已經發(fā)現(xiàn)，已發(fā)表論文中效果顯著的模型通常在生產中不起作用，研究中聲稱算法結果已經超過人類的方法卻不能很好地投入到生產，訓練的模型不能很好地泛化到其他數(shù)據(jù)集等。吳恩達以醫(yī)療領域舉例進行說明。然而這些問題不僅存在于醫(yī)療領域，其他領域也面臨相同的問題。

　　挑戰(zhàn) 3：變更管理

　　AI 技術可以使工作流程實現(xiàn)自動化或部分自動化，而這對相關人員的工作帶來了影響。我們需要對整體的改變有更好地掌握。

　　解決方案

　　對于上述挑戰(zhàn)，吳恩達也表達了自己的觀點，給出了解決方案。他指出我們應該關心整個機器學習項目周期，除了構建機器學習模型以外，其他問題也應該更系統(tǒng)化，讓 AI 更具可重復性和系統(tǒng)性：

　　我們應從范圍界定到數(shù)據(jù)、建模和部署，系統(tǒng)地規(guī)劃機器學習項目的整個周期。

　　吳恩達表示，學界和工業(yè)界應努力將機器學習轉換成系統(tǒng)化的工程學科。