课堂笔记：吴恩达的AI课（AI FOR EVERYONE）-W2 AI项目工作流程

一、如何开始一个AI项目？

1、建设项目工作流程
2、选择合适的AI项目
3、为这个项目收集数据和组织团队
在这里插入图片描述

二、AI项目的工作流程

（1）机器学习项目的关键步骤：示例1：以亚马逊的语音助手 Echo/Alexa为例
①收集数据
②训练模型：迭代这个模型，直到达到足够好的效果
③部署模型：获取反馈，持续优化模型
在这里插入图片描述

（2）机器学习的关键步骤：示例2：以自动驾驶为例
①收集数据：图片，例如图片中其他车的位置
②训练模型：不停地迭代，直到获取到足够好的效果
③部署模型：获取反馈数据，持续优化模型
在这里插入图片描述

（3）数据科学项目的关键步骤：示例1：优化销售模式
①收集数据：例如用户ID，国家，时间和网址等
②分析数据：不停地迭代职高获得更好的效果
③输出建议或者行动：实施这些变化，重新分析新的数据
在这里插入图片描述

（4）数据科学项目的关键步骤：示例2：以工厂手工线体为例
以做咖啡杯为例，不同供应商提供的黏土哪个更好？
①收集数据：例如，加班时间，需要的温度，灼烧的时间等
②分析数据：不停地迭代直到获得更好的洞察
③输出建议或者行动：实施这些变化，重新分析新的数据
在这里插入图片描述

三、各职能部门对于数据应用能力的建设

（1）对于销售来说：
①数据科学：优化销售数据漏斗；
②机器学习：自动排序客户优先级；
在这里插入图片描述

（2）手工线体管理：
①数据科学：优化线体效率
②机器学习：自动识别优劣品
在这里插入图片描述

（3）招聘：
①数据科学：优化招聘漏斗；
②机器学习：自动化建立筛选；
在这里插入图片描述

（4）市场：
①数据科学：A、B测试；
②机器学习：定制化产品推荐；
在这里插入图片描述

（5）农业：
①数据科学：种子分析；
②机器学习：精准除草；
在这里插入图片描述

四、如何选择人工智能项目

（1）AI知识和领域知识
①AI专家负责知道AI可以做什么；
②领域专家知道这个事情的商业价值；
③所以AI项目团队是跨领域的项目团队，既要有AI专家，又要有领域专家；
在这里插入图片描述

（2）头脑风暴的框架：
①思考要任务化，而非岗位化，例如呼叫中心的具体任务，或者放射科的具体任务；
②驱动这件事情的最主要的业务价值是什么？
③做这个事情的最大的痛点是什么？
在这里插入图片描述

（3）你可以做一些事情，即使没有大量的数据
①有非常多的数据，这件事没有害处；
②数据能让某些业务（比如网页搜索）具备竞争壁垒。
③但即便只有小数据集，你仍能取得进展。
在这里插入图片描述

五、如何选择人工智能项目2

（1）项目的一些工作侧重点
①技术工作侧重点：
a.人工智能系统能否达到预期性能；
b.需要多少数据；
c.工程时间安排；

②业务工作侧重点：
a.更低的成本
b.增长的收益
c.启动新的产品或者业务
其中，a和b针对的是现有的业务，c是针对新业务；
在这里插入图片描述

（2）自研还是外包？
①机器学习项目可以自研或者外包；
②数据科学项目大多数是自研的；
③一些事情已经有了行业标准，那么我们要避免自研这些事情；
一句通俗的话，我们不要在火车前面奔跑；
行业发展十分迅速，我们不应该去对抗，或者一心求着去快速赶超或者制造行业标准，获取我们拥抱行业标准，才会更快更好的实现价值；
在这里插入图片描述

六、人工智能团队协作机制

（1）明确你的验收标准：
①目标：以 95% 的准确率检测缺陷；
②向人工智能团队提供一个数据集，用于衡量其性能；
在这里插入图片描述

（2）AI团队应该如何看待数据？
①训练集：用于训练模型；
②测试集：用于测试模型；
在这里插入图片描述

（3）陷阱：期望达到 100% 准确率
① 测试集；
② 机器学习的局限性；
③ 数据不足；
④ 数据标注错误；
⑤ 标签模糊；
在这里插入图片描述

七、人工智能团队技术工具

（1）一些开源框架：
①机器学习框架：
a.PyTorch
b.TensorFlow（张量流）
c.Hugging Face（拥抱脸，知名机器学习模型库）
d.PaddlePaddle（飞桨）
e.Scikit - learn（科学工具包 - 学习）
f.R（编程语言）
②研究出版物平台：
Arxiv（预印本平台，常用于分享学术研究成果）
③开源代码库：
GitHub
在这里插入图片描述