如何评估AI项目才能避免AI落地坑

都说AI落地难，其实是把AI想得太神奇。

AI必须在自己能力范围内才有可能落地。以下总结了四条AI落地前就大致能评估清楚的问题：

最终产品错误容忍率阈值很高，会导致孵化期长，产品化机会低

AI一般都有进化过程，对最终产品错误容忍率阈值很高的(接近0），孵化期会很长，很长一段时间只能处于测试阶段或者项目阶段（环境可控），无法真正全面产品化。

举例一：最明显的例子是自动驾驶，最终产品涉及人命问题，错误容忍率接近0，即使自动驾驶技术相比人驾驶的事故发生率在统计意义上已超过，还是不能判定为真正产品化。
举例二：菜品识别可能有同样问题，从团餐管理者角度讲，对菜品识别的错误容忍率接近0。假设菜品识别正确率是95%，意味着每20盘菜有一盘错误，如果是每人3个菜的配置，每7个人有一个错误，需要人工介入，对团餐收银效率的提升并没有多少帮助，何况菜品识别前期还需要很多额外的标注模型建立工作，对食堂管理者来说，只要正确率没有达到近乎100%，相较之下，宁愿使用人工方式。

视频算法中单帧检测结果，抽帧检测有统计意义 VS. 必须连续帧检测才有意义，会有明显成本区别

-有些场景，比如后厨，货架，单帧检测就有意义
-有些场景，比如计算客流，计算某个位置的驻足（人头，热力图），使用抽帧也是有统计意义的
-某些场景，特别是判断行为，比如收银防损，如果建立场景中发现无法转换用单帧和抽帧检测识别，必须要连续帧检测。这类场景必须先考虑成本问题，成本可能成为无法全面产品化的关键因素。

AI框架问题：某些场景边界定义困难，涉及的认识论问题会导致技术探路无法进行

AI本身有一个框架问题，如果场景边界很难被完全预先定义，场景转换为知识表示就很难，就会导致人类默认的含义被计算机忽略，框架问题就会出现，因为这些含义没有被阐明。

现有技术下，场景建立还是需要人为对一个场景进行某种形式化，并暗示环境中的事物不会任意改变，涉及比较多的认识论问题。Epistemology框架问题，认识论和常识约翰·麦卡锡（John McCarthy）和帕特里克·海斯（Patrick J.Hayes）在1969年的文章《从人工智能的角度看一些哲学问题》中定义了框架问题，后来，在哲学中，框架问题成为了如何理解人类判断事物相关和不相关性的问题。框架问题在技术上来说不难解决，但是到了哲学上，这个问题就变得颇为复杂，其核心问题在于，如何知道一个动作会改变怎样的对象？一个动作会改变怎样的对象涉及常识，而常识的困难之处在于它对我们而言是在太显而易见了，甚至很难用语言去描述它，进而在数据中给它打标签。对于所有“显而易见”的东西，我们存在巨大的盲点。因此，我们无法教计算机常识，不仅因为这可能不切实际，更根本的原因是我们甚至没有意识到“常识”是什么。直到我们发现机器人做了一些很愚蠢的事情，我们才顿悟：“哦，原来它不懂 ”。From MARGARET A.BODEN：AI: It's nature and future, P44

框架问题.png

收银防损问题可能就是这样一个边界定义比较困难的场景，即使场景定义为只关注收银区域的防损，和外盗，内盗，自然损耗中的防损概念还是无法切割清楚，收银区域可能出现收银员故意偷盗，顾客故意漏扫，将非自然损耗算为自然损耗等情景，而这些情景相关行为也经常出现在收银区域以外的地方，包括收银员偷盗商品，外盗不经过收银直接偷盗，收银员将无损耗商品定为自然损耗商品，边界定义困难。

AI算法是否有潜力加载至边缘计算

边缘计算是一大趋势，能规避一些隐私法律问题同时，能做成边缘计算基本也代表了产品化程度高，不需要根据项目人工调参。

如果有能力做成软硬件一体的AI方案，落地可能性会大很多。