如果開始深入研究人工智能應(yīng)用程序開發(fā)過程，首先要了解這些項目與常規(guī)應(yīng)用程序開發(fā)項目有何不同。談到人工智能，每個問題都需要一個獨特的解決方案，即使企業(yè)已經(jīng)開發(fā)了類似的項目。一方面，有多種預(yù)訓(xùn)練模型和經(jīng)過驗證的方法可用于構(gòu)建人工智能。此外，人工智能是獨一無二的，因為它基于不同的數(shù)據(jù)和業(yè)務(wù)案例。正因為如此，人工智能工程師通常通過深入研究業(yè)務(wù)案例和可用數(shù)據(jù)、探索現(xiàn)有方法和模型來開始這一旅程。

由于這些方面，人工智能項目的創(chuàng)建更接近于科學研究，而不是經(jīng)典的軟件開發(fā)。以下探討一下其原因，以及了解這一現(xiàn)實如何幫助企業(yè)準備好為其項目執(zhí)行這些流程和預(yù)算。

人工智能項目分類

人工智能項目可以分為四組：

直截了當?shù)捻椖浚旱湫偷睦影梢酝ㄟ^應(yīng)用公共數(shù)據(jù)集和知名技術(shù)來實現(xiàn)的生產(chǎn)就緒模型。例如，ImageNet適用于旨在對圖像進行分類的項目。

知名技術(shù)項目：在這些情況下，我們知道該項目所需的適當技術(shù)，但我們?nèi)匀恍枰κ占蜏蕚鋽?shù)據(jù)。

需要深入研究的項目：原則上，我們可以弄清楚模型是如何工作的，如何應(yīng)用現(xiàn)有數(shù)據(jù)，或者應(yīng)該采取哪些步驟來訓(xùn)練模型以完成特定任務(wù)。僅憑經(jīng)驗無法做出任何預(yù)測，因為我們不知道模型的行為方式。啟動過程需要額外的測試和案例處理。

生產(chǎn)項目需要額外的努力：這組案例中的數(shù)據(jù)和模型在實踐中都沒有得到充分的嘗試。

為什么人工智能項目如此不可預(yù)測?

人工智能項目開發(fā)環(huán)境可以被可視化為一個由技術(shù)和即用型解決方案組成的三層金字塔。

上層包含適合人工智能使用的現(xiàn)成產(chǎn)品——如第三方庫或經(jīng)過驗證的公司解決方案。例如，谷歌用于檢測支票欺詐、面部識別和物體檢測的解決方案就是很好的例子。

第二個層次包括描述業(yè)務(wù)挑戰(zhàn)的新領(lǐng)域。我們可能有合適的模型來解決挑戰(zhàn)，但該技術(shù)需要稍作修改或調(diào)整才能在實施過程中證明其有效性。該模型應(yīng)該專門針對其特定用例，這導(dǎo)致了人工智能使用中新利基市場的出現(xiàn)。

科學研究構(gòu)成低層?？茖W研究還沒有準備好生產(chǎn)，因為人們不知道這些模型會展示什么結(jié)果。這是人工智能系統(tǒng)的一個深層次，盡管可以朝這個方向努力。

人工智能應(yīng)用程序開發(fā)與常規(guī)應(yīng)用程序

使用人工智能進行應(yīng)用程序開發(fā)與非人工智能應(yīng)用程序沒有根本區(qū)別，但包含概念證明(PoC)和演示。和用戶界面(UI)/用戶體驗(UX)階段在演示和人工智能組件準備就緒時開始。

應(yīng)用程序開發(fā)公司在接到創(chuàng)建人工智能驅(qū)動的應(yīng)用程序的任務(wù)時要做的第一件事就是詢問客戶的需求和數(shù)據(jù)：人工智能是產(chǎn)品的核心還是附加組件?這個問題的答案會影響解決方案的復(fù)雜程度。

客戶可能不需要最準確和現(xiàn)代的解決方案。因此，重要的是要找出人工智能組件的缺乏是否阻礙了成熟的產(chǎn)品開發(fā)，以及在沒有人工智能組件的情況下創(chuàng)建產(chǎn)品是否有任何意義。解決了這個問題后，我們就可以繼續(xù)前進了。

一開始，可以將人工智能項目分為兩個子類別：

從頭開始構(gòu)建的應(yīng)用程序

人工智能組件集成到現(xiàn)有應(yīng)用程序中

從頭開始構(gòu)建人工智能應(yīng)用程序

因此，如果決定從頭開始開發(fā)一個新的人工智能功能應(yīng)用程序。正因為如此，沒有任何基礎(chǔ)設(shè)施來集成人工智能應(yīng)用程序。這里來到了最重要的問題：人工智能功能開發(fā)是否可以像處理通常的應(yīng)用程序功能一樣處理，例如登錄/注銷或發(fā)送/接收消息和照片?

乍一看，人工智能只是用戶可以與之交互的一項功能。例如，人工智能可用于檢測一條消息是否應(yīng)被視為垃圾郵件，識別照片中臉上的微笑，并在人臉和語音識別的幫助下實現(xiàn)基于人工智能的登錄。然而，人工智能解決方案的開發(fā)仍然很年輕，而且還以研究為基礎(chǔ)。這導(dǎo)致人們意識到應(yīng)用程序的人工智能功能是整個項目中風險最大的部分，尤其是在業(yè)務(wù)目標需要提出創(chuàng)新且復(fù)雜的AI解決方案時。

例如，如果構(gòu)建一個帶有登錄/注銷屏幕、消息系統(tǒng)和視頻通話的聊天應(yīng)用程序。視頻通話應(yīng)支持類似Snapchat的過濾器。以下是風險表和應(yīng)用程序不同功能復(fù)雜性的概述：

聊天應(yīng)用功能

很明顯，從風險最小化策略的角度來看，從具有最低復(fù)雜性和風險的任務(wù)開始開發(fā)過程是不合理的。人信可能會問，為什么類似Snapchat的過濾器風險最大?這里有一個簡單的答案：要創(chuàng)建一個類似Snapchat的過濾器，必須涉及許多尖端技術(shù)，如增強現(xiàn)實(AR)和深度學習，將它們適當?shù)鼗旌显谝黄穑⑺鼈兎旁谟嬎阗Y源低的手機上。為此，您必須解決許多非凡的工程任務(wù)。

將人工智能組件集成到現(xiàn)有應(yīng)用程序中

將人工智能功能集成到現(xiàn)有項目與從頭開始構(gòu)建AI應(yīng)用程序有一些不同。首先，我們必須使用人工智能增強的現(xiàn)有項目是在沒有任何架構(gòu)考慮AI功能的情況下開發(fā)的，這是一種常見的情況。考慮到人工智能功能是某些數(shù)據(jù)管道的一部分，我們得出結(jié)論，開發(fā)AI功能肯定需要至少對應(yīng)用程序架構(gòu)進行一些更改。從人工智能的角度來看，現(xiàn)有的應(yīng)用可以分為以下幾類：

(1) 基于數(shù)據(jù)庫的項目：

文本處理

推薦系統(tǒng)

聊天機器人

時間序列預(yù)測

(2) 非基于數(shù)據(jù)庫的項目：

圖像/視頻處理

語音/聲音處理

人工智能應(yīng)用程序開發(fā)的主要階段

以下回顧一下典型的人工智能應(yīng)用程序開發(fā)過程是如何分五個階段發(fā)展的。

1.業(yè)務(wù)分析

在第一階段，我們獲得客戶的輸入或愿景，這些輸入或愿景可以作為具有總體想法概述的文檔。在這里，我們開始業(yè)務(wù)分析過程。為了準備輸入，我們需要考慮業(yè)務(wù)問題。企業(yè)用業(yè)務(wù)問題解決應(yīng)用程序開發(fā)公司，后者的工作是找到業(yè)務(wù)和人工智能能力的交點。

例如，在餐館或雜貨連鎖店的情況下，企業(yè)主有興趣通過分析采購和銷售來減少食物浪費并實現(xiàn)平衡。對于人工智能工程師來說，這項任務(wù)變成了時間序列預(yù)測或關(guān)系分析任務(wù)，其解決方案使人們能夠預(yù)測特定數(shù)字。

2.機器學習問題確定

下一階段是確定應(yīng)該討論和解決的機器學習(ML)問題。這必須考慮到人工智能子領(lǐng)域的技術(shù)能力，例如計算機視覺、自然語言處理、語音識別、預(yù)測、生成人工智能等。

3.數(shù)據(jù)收集

數(shù)據(jù)是機器學習的燃料，是人工智能應(yīng)用程序開發(fā)的關(guān)鍵步驟。有兩種主要的數(shù)據(jù)類型——特定的和一般的。一般數(shù)據(jù)可以從開源數(shù)據(jù)網(wǎng)站獲得，所以我們要做的就是縮小目標受眾的范圍，把重點放在特定的地區(qū)、性別、年齡或其他關(guān)鍵因素上。大量通用數(shù)據(jù)可以簡化流程。

因此，如果客戶有一個基于健身追蹤器活動的應(yīng)用程序，我們可以應(yīng)用數(shù)據(jù)和遷移學習來盡快開始實施。這同樣適用于可以從大量集合開始的圖像分類。

(1)為新項目開發(fā)AIPoC

全新人工智能項目的概念證明(PoC)階段應(yīng)該以AI為中心。這是什么意思?為了滿足風險最小化策略，我們應(yīng)該從項目中風險最大的部分開始，即AI功能，如果可能的話，不要觸及項目的任何其他功能。概念證明(PoC)階段可以重復(fù)多次以達到合適的結(jié)果。在取得令人滿意的結(jié)果后，可以自由地進入MVP/工業(yè)化階段，開發(fā)應(yīng)用程序的所有剩余功能。

(2)為現(xiàn)有項目開發(fā)AIPoC

為了使最終用戶可以使用人工智能功能，首先必須開發(fā)該功能，然后將其與現(xiàn)有應(yīng)用程序集成。即，具有應(yīng)用程序代碼庫、架構(gòu)和基礎(chǔ)架構(gòu)。

人工智能功能最令人著迷的地方在于，它們可以在不觸及主要應(yīng)用程序的情況下進行研究、開發(fā)和測試。這產(chǎn)生了一個想法，即人們可以啟動人工智能隔離的概念證明(PoC)而不會對主要應(yīng)用程序造成風險。這實際上是風險最小化策略的本質(zhì)。

以下是要遵循的三個步驟：

(1)通過以下方式從現(xiàn)有應(yīng)用程序中收集數(shù)據(jù)：

制作數(shù)據(jù)庫轉(zhuǎn)儲

收集圖像/視頻/音頻樣本

標記收集的數(shù)據(jù)或從開源庫中獲取相關(guān)數(shù)據(jù)集

(2)使用之前收集的數(shù)據(jù)構(gòu)建一個隔離的AI環(huán)境：

培訓(xùn)

測試

分析

(3)部署訓(xùn)練成功的人工智能組件：

為當前應(yīng)用程序架構(gòu)做準備的變化

針對新AI功能的代碼庫適配

根據(jù)項目類型，代碼庫的調(diào)整可能會導(dǎo)致：

更改數(shù)據(jù)庫架構(gòu)以簡化和加速人工智能模塊對其的訪問

視頻/音頻處理微服務(wù)拓撲的變化

更改移動應(yīng)用程序最低系統(tǒng)要求

4.PoC階段估計

企業(yè)主經(jīng)常向軟件供應(yīng)商詢問概念證明(PoC)階段可能需要的預(yù)算、時間表和工作量。正如上面所展示的，與常規(guī)開發(fā)過程相比，人工智能項目的特點是高度不可預(yù)測。這是由于任務(wù)類型、數(shù)據(jù)集、方法和技術(shù)的高度可變性。所有這些條件都解釋了為什么對假設(shè)項目進行估算是一項相當困難的任務(wù)。盡管如此，我們還是根據(jù)項目的復(fù)雜程度展示了上述人工智能項目的一種可能分類。

5.新的迭代或生產(chǎn)

第一個概念證明(PoC)之后的下一步可以是概念證明(PoC)的新迭代，并進行進一步的改進或部署。創(chuàng)建新的概念證明(PoC)意味著數(shù)據(jù)添加、案例處理、錯誤分析等。迭代次數(shù)是有條件的，取決于項目。

任何人工智能項目都與風險直接相關(guān)。可能面臨來自數(shù)據(jù)適用性的風險，以及算法或?qū)嵤╋L險。為了降低風險，明智的做法是僅在人工智能組件的準確性滿足業(yè)務(wù)目標和期望時才開始產(chǎn)品開發(fā)。