人工智能是近几年最火热的技术名词，如果不谈人工智能相当于落伍，但当真正进入人工智能领域时才发现，一开始以为“拦路虎”是算法，后面发现落地是一个巨大的难题。本文从作者的经历和经验教训展开，阐述了在AI项目研发中的各个环节的重要细节点，展现了一个AI项目到最终落地繁琐的过程。

被虐的案例

案例1：经过N次版本迭代与优化，最终定稿。支持切换型号、云端训练、人工调参等貌似高大上的功能。最后，才发现客户的要求是准确率100%。

案例2：样机各种灯光闪来闪去，各种运动机构群魔乱舞。什么犄角旮旯都覆盖到，什么划痕、残缺、脏污都面面俱到。但是，一个产品的检测竟然要30s。到过一次生产现场才发现：人工目检只需要2s。

案例3：光学、算法、界面都ok了。在热火朝天、干劲十足的准备推广成千上百套变现的时候，客户说：抱歉，只要一套。

案例4：同上，最终客户说你们这个产品真的很先进，容我再考虑一下。当然是杳无音信。算是被耍呢？还是算是白嫖呢？

案例5：当我们正为识别准确率到达99%而欢呼雀跃的时候，客户把一个识别成功的和一个识别失败拿到一起，问：这两个明明一模一样，为啥这个失败了，这个成功了？

案例6：我去生产现场培训客户标注。他们非常配合，找来的也是目检老手。我示范了几个后，让他试试。他就是不肯，搞到最后才知道：额，他不会用电脑！

案例7：我们的算法好牛掰，我们模型好先进。AI+传统方法一起来搞，完美。不过你需要调整这20个超参。人呢？别走啊！

案例8：已经上线运行了，最后发现某一种型号的某一种缺陷打光不佳，图像上很难判断。最终只能推倒重来。

案例9：没有意识到数据的重要性，每次都是几张图片在测试，结果是很完美，最匆匆拍板上线。最终大批量测试的时候，发现不work了。

案例10：算法ok，部署效率也ok，标注-训练-部署的闭环生态也ok。然后客户问：每次更换型号，能不能不训练？

工业AI 为啥这么难？了解详细解读，请点击下面的“阅读原文”。

内容中包含的图片若涉及版权问题，请及时与我们联系删除