6000字详解：如何定制企业级AI应用项目 | 附企业手把手指导教程

面对汹涌而来的AI浪潮，企业不重视AI技术，就如同放弃了新一轮的自动化技术，未来的竞争力缺乏保障。但是普通企业要顺利完成AI技术升级，必须克服众多的困难和风险。 如果企业要解决这些棘手的问题，那么，基于效果的、全方位的AI能力建设解决方案，如覆盖了项目规划、可行性评估、原型研发、产品化、模型维护、技术培训和团队建设等多个重要环节的私有化AI能力定制服务，是降低非标准化AI项目的成本和风险，企业建设和提升自有AI能力的有效捷径。

AI是社会生产力

随着越来越多的AI(人工智能, Artificial Intelligence)应用落地，AI已经成为各行各业的热点话题，甚至被认为是继计算机和互联网之后的另外一场工业革命。 咨询机构Gartner预测，2022年AI将会给全球带来3.9万亿美元的商业价值。Accenture 在分析了12个发达经济体的数据后发现，2035年前，AI有潜力让这些经济体的年增长率翻倍。IDC在2018年底发布的预测报告中认为，中国人工智能市场未来5年将处于高速发展期，预测到2022年中国的AI市场规模将达到98.4亿美元，2017—2022年复合增长率达到54.5%。

AI是企业竞争力

与计算机的价值类似，AI技术对于企业的价值依旧在“自动化”这一点上。 “自动化”让企业在多个方面占据竞争优势，包括规模、成本和商业模式。在算法、算力和数据的辅助下，AI技术孕育和推动了新一轮的自动化热潮，大大增加了自动化的广度和深度。 一个企业，不重视AI技术，就如同直接放弃了新一轮的自动化技术，失去了参与未来技术竞争的机会。

拥抱AI的七大挑战

虽然AI成了热点，但是在如何实施AI项目方面，大部分企业还远未准备好。 2018年初，Gartner经过一轮调查后，作出了令人沮丧的预测：到2022年，因为数据、算法和团队的问题，85%的AI项目将不能正常交付。要顺利完成向AI转型，普通的企业必须像跨栏一样，越过很多障碍物。 根据咨询公司Deloitte的两次AI调查，结合自身的工程经验，可总结出七大挑战，具体如下图显示：
第一大挑战：人才/技能 缺乏合格的AI技术人才是AI项目失败的首要因素。AI方面的专家和工程师十分短缺。 根据腾讯研究院发布的《2017全球人工智能人才白皮书》显示，截止到2017年10月，中国人工智能人才的需求缺口已经达到了百万级。根据UIPath.com网站发布的《AI Jobs》分析报告，中国空缺的AI职位占据全球首位。 更为糟糕的是，合格的AI专家的成长期远长于普通的 IT 人才，这么大的人才缺口很难能迅速填补上。
第二大挑战：数据
机器学习是当前AI技术的主流，本质上是利用算法从大量的数据（样本）中抽取出规律，用于预测和洞察的技术。数据的质量与规模决定了机器学习的效果，也直接关系到AI项目的成败。数据的规模和质量主要受两个方面的影响。 首先，数据获取在成本、技术和法律方面是否存在障碍。AI项目在规划阶段必须要谨慎评估这些风险和挑战，否则投资血本无归； 其次，要形成完整的、流畅的数据供给机制，包括数据的收集、清理、标注、加工和集成等诸多环节。这需要提前投资和建设。为了解决这个问题，很多公司已经开始上马大数据平台相关的项目，比如数据仓库、数据湖、DMP和CDP等等。
第三大挑战：技术实现
虽然，大量的开源代码、工具和框架，替AI开发者解决了很多自己编程才能解决的问题，但是AI的大规模普及实际上还刚刚起步，大部分企业和组织在此方面的工程经验和积累偏少，会遇到诸多工程上的风险和挑战。 首先，研发有效的技术方案耗时耗力。每个AI项目具有一定的特殊性，不可以简单复制方案，往往需要多轮调整和优化。刚起步的团队，会依赖更多的试错来解决问题，开发周期会显著拉长； 其次，传统的软件开发以数据结构和软件代码为中心，软件执行规则相对稳定清晰；AI则以数据和模型为中心的。加入AI流程后的系统会变得相对复杂，充满不确定性，会引发设计方面的诸多风险。如何针对AI项目特点，调整软件工程实践是一个不容忽视的问题； 最后，AI项目的管理风险不容忽视。与普通的软件项目相比，AI项目更加偏向实验性，失败风险偏高。这给软件项目的管理造成了困难，包括项目的质量、周期和成本。
第四大挑战：集成与融合
集成与融合是AI实施的最后一公里。AI要发挥出应有的商业价值，必须与人相互配合，成为业务流程的有机组成部分。再优秀的AI设计，如果没有被人合理使用，就会变成人工智障。 问题来自三个方面： 一是员工对AI的抵触和不理解。一定要让业务人员积极参与到AI开发过程中来，逐渐让他们理解和接受新技术； 二是配套的人员和制度。AI项目技术研发相对容易，难的是设立相应的配套机制来确保数据、模型、系统和流程正常，防范各类风险。一个没有配套的AI系统，就像一辆缺乏配套运营体系的高速火车，迟早会出问题； 最后，原有的系统和流程升级也会带来技术和人员安排方面的麻烦。
第五大挑战：捕获商业效果
因为大部分AI项目是为了业务改进和创新，所以依据商业效果来考核项目成败是一个合理的方法。但是某些情况下，量化AI项目的商业效果不是一件容易的事情。 首先定义的指标必须与企业的核心业务紧密相关，能够得到各方的认同； 其次，效果目标必须与投入产出比挂钩，不能只考虑产出，忽视投入。这需要充分的调研，甚至用一些前导性的小项目来验证； 最后，要确保商业效果在数据层面上是可跟踪的。这涉及多个方面的技术工作，包括：系统改造、数据收集、归因方法和对比测试等等。
第六大挑战：成本  
成本是AI项目的基本约束之一，影响到前面的所有问题。如何控制AI项目的成本，获得预期的收益，是管理层必须面对的挑战。
第七大挑战：战略风险
理想的情况是，企业制定好AI战略，在此基础上，落地到战术层面的项目，然后按照轻重缓急，研发相关项目。这种规划有序的方法实际并不适合目前阶段的AI技术。 AI技术还远未达到成熟。与传统的信息化项目相比，AI项目拥更高的复杂性和不确定性，试错是不可缺少的组成部分。如果缺乏对AI技术的深入洞察，很容易让项目一出生就背上“大而全“的包袱，最后夭折。

AI外包有风险

降低AI项目风险和学习成本的捷径是“外包“AI项目，也就是寻找外部技术供应商，依靠外部的力量完成AI项目。 这种方式简单有效，能够帮助企业迅速评估AI的价值和适用范围，建立正确的AI战略，发展自有的AI能力。虽然项目外包缩短时间和成本，但是也会暗藏风险。 主要有三大风险：
一是能力评估风险。如果企业自身无法深入理解AI技术情况，就无法正确评估技术供应商的能力的。虽然常见的竞标的方式可以降低错估风险，但是受到时间和能力限制，评估的深度和广度常常达不到要求。
二是项目管理风险。即使把项目外包给合格的技术供应商，项目的管理风险依旧不容忽视。AI偏向实验性的特点，会让项目的失败风险提高好多倍。在企业缺乏AI经验的前提下，如何有效管理外包的项目，减少项目的失败成本，是摆在项目负责人面前的一项巨大挑战。
三是外部依赖风险。依靠外部力量完成项目后，如果不能及时消化和吸收对应的技能和经验，就形成不了自有的AI能力，产生外部技术依赖风险。如果AI项目涉及核心业务，外部供应商的任何风吹草动均会波及企业的核心业务；如果实施的仅仅是前导性的实验项目，就起不到期望的培训、教育和推动作用。

有化AI能力定制服务

这里我们以智子云为例。智子云的技术团队在数据挖掘和机器学习领域深耕多年，在数字化营销和其他相关领域拥有优秀的专业技术和丰富的行业经验。为了帮助企业进一步发展自有的技术力量，除了提供标准化的SaaS产品，智子云的水滴实验室还提供了一种新的应对非标准化问题的技术解决方案：私有化AI能力定制服务。 “私有化AI能力定制服务“不是传统意义上”系统开发和维护“为重心的软件开发技术服务，也不是简单的“AI平台”售卖，而是针对AI项目与众不同的特质帮助企业顺利实现AI转型为长期目标的全方位、逐步推进的服务模式。覆盖了技术咨询、可行性评估、原型研发、产品化、模型维护、技术培训、团队建设和AI战略设计等多个环节。企业可以通过此项服务，降低实施非标准化AI项目的风险，形成自有的AI能力。

服务流程

一、流程概览

私有化AI能力定制服务的执行流程概要，如下图所示：

流程覆盖了完整的AI项目研发和能力构建环节，有5个迭代子流程：

1.1.项目规划：调研、讨论和确定项目的基本内容和目标；
1.2.合同签署：在需求论证的基础上，签订一个分阶段实施的合同；
1.3.原型实验：研发AI模型和功能原型，通过模型和在线实验，验证AI系统的预期效果，适合用于高风险项目；
1.4.系统研发：正式研发完全符合企业要求的AI系统，开展线上测试，评估系统效果；
1.5.项目交付：交付产品相关的代码、设计文档和使用手册等，并为企业内部的维护团队，提供完整的AI技术培训。


AI项目完成后，企业可以根据自身的战略，继续开展新项目的需求论证，启动新一轮的研发迭代，逐步向各方面提升和拓展私有化的AI能力。

二、项目规划


项目规划阶段主要包括：需求定义和可行性评估两个部分。在需求定义部分，需要讨论和调研，定义研发的基本内容和最终的效果目标。可行性评估是指，针对需求定义，帮助企业从技术上评估这些需求在技术层面是否可行。需求定义和可行性评估之间循环迭代，直到形成一组稳定可行的需求定义。 在服务的过程中，通常会基于来自企业的样本数据，开展模拟预测实验，评估AI技术的能力边界。因此，服务提供方也会先与企业签署一份保密协议，保证数据和商业机密不泄露。 如果可行性评估没有通过，如智子云这样的服务提供方会提供相关报告给企业，解释需求无法实现的原因。企业可以根据报告与服务提供方一起讨论，然后决定是否暂停项目或者调整需求。


三、合同签署   
在项目规划阶段达成一致意见后，会与企业签署一个正式的研发合同。内容包括：研发的基本内容、保密条款、时间、效果目标、效果考核方法和相关研发费用。 为了减轻企业AI项目研发的风险和成本，还会设立“先（效果）达标后付费”的服务原则。在效果没有达标的情况下，企业可以不需要支付费用。一般情况下，研发费用会按比例分摊到各个阶段，在关键节点达成约定效果指标后，企业才需要支付费用。这些节点包括原型效果评估、线上效果评估、产品交付和AI技术培训完成后支付等。 智子云建议企业用短期的可考核的金融收益作为效果指标，因为这样的指标有着强大的说服力，能够迅速得到业务方的认同，扫清不必要的疑虑。


四、原型实验


原型实验进一步消减了项目失败的风险和成本，适用于高风险的AI项目。 在这个流程中，服务提供方在企业的协助下，研发关键的AI模型和系统功能，通过模拟和在线实验，验证上线后的效果。原型研发和原型效果评估之间会循环迭代，直到效果指标达到项目预期。


五、系统研发


在可行性评估和原型实验的技术基础上，服务提供方在企业的协助下，会研发符合企业要求的AI系统或者功能组件。开发完成后，会开展线上测试，再次评估系统效果。 智子云建议合作伙伴用短期的可考核的金融收益作为效果指标，因为和其他指标相比，它们更加直观、更加有说服力。 系统研发和线上效果评估之间会循环迭代，直到效果指标达到预期目标。


六、项目交付


当在线测试的效果达标后，进入项目交付阶段。在安装完成后，先交付项目源代码、设计文档、维护和使用手册等硬性内容。然后交付软性内容，就是为企业内部的维护和研发团队，提供与项目相关完整的AI技术培训，帮助企业的内部团队能够维护和后续继续研发。 在企业内部团队的维护能力尚未达到要求前，服务提供方一般会依旧合同要求，继续维护系统。

服务特点

一、分步验证，稳妥推进


与普通的软件项目相比，AI项目偏向实验性，失败风险偏高。为了减少失败成本，私有化AI能力定制服务在“项目规划”和“原型实验”两个子过程中，均安排了技术和效果验证工作，能分步骤降低系统研发的风险。


二、效果达标后付费


普通软件按照固定的业务规则执行，项目的主要验收标准也是围绕这些规则设定的。AI项目则以数据和AI模型为中心构造的，AI模块的输出缺乏明确、稳定的规则，业务规则导向的验收标准就不能用于评估AI部分的功能。 为了解决这个问题，如智子云就提供了“先达标后付费”的模式。也就是说，AI部分的功能是以“效果达标”为验收标准的。完成后，才正式付费。此外，付费方式还可以按达标程度，分批支付。 智子云建议合作伙伴用短期的可考核的金融收益作为效果指标，因为这样的指标有强大的说服力。


三、无黑箱交付


服务提供方需要给企业交付详细、完整的产品源码和设计文档，没有封闭黑箱组件。为了帮助企业在发展自有AI能力，技术服务要尽量使用开源平台、工具和系统，减少未来的维护和再开发成本。


四、完整的技术培训


产品交付完成后，如智子云这样的服务提供方就会为企业提供AI技术培训。除了基本的技术培训，这些培训主要是围绕着整个项目内容开展，目标是让企业最终能够独立承担项目维护和优化工作，拥有相应的AI研发能力。
五、完善的售后服务


在合作伙伴还未形成独立的AI能力之前，要按照合同维护和优化系统。为了降低AI系统复杂性造成的系统稳定方面的问题，也要提供一年的AI模型和系统免费维护和优化，保证交付后，系统能够稳定运行，如智子云就是如此。

适用范围

一、企业类型


私有化AI能力定制服务，适合以下类型的合作伙伴：
1、从数据方面来讲，已经积累了一定量的自有数据，希望数据发挥出潜在价值。目前只有少量的数据，但是正在计划收集和整理的企业，也可以考虑开展初始阶段的合作；

2、从目标方面来讲，追求的是AI的实际商业效果，并且要求项目有良好的投入和产出比；
3、从技术能力来讲，企业希望自建内部AI能力，但是当前阶段存在某些方面的困难，不能快速实施；
4、从项目内容来讲，包含了大量非标准化的AI定制化需求。标准的SaaS和产品无法快速解决这些项目需求，定制研发成了唯一可行的途径。


二、应用领域


只要不超出服务提供方的技术能力边界，私有化AI能力定制服务一般并不限定具体的应用领域。 其中，以智子云为例，打造了以推荐、预测、优化、视频、语音、可视化为核心的AI应用平台，在程序化广告、大数据应用和数字化管理等领域都有成功案例，具体包括商品推荐、个性化新闻推送、CTR预测、SEM自动优化、程序化广告、客户数据集成、数据标签化、客户画像、流失预测、风险预估，......等。此外，在自然语言处理、图像与视频处理等领域，智子云也有一定的技术积累和应用案例。

总结

面对汹涌而来的AI浪潮，企业不重视AI技术，就如同放弃了新一轮的自动化技术，未来的竞争力缺乏保障。但是普通企业要顺利完成AI技术升级，必须克服众多的困难和风险。这时，多数情况下，企业必须借助第三方专业服务提供方的能力，才可以实现这一目标。


资料和文献:

[1]	Gartner  Says Global Artificial Intelligence Business Value to Reach $1.2 Trillion in  2018 https://www.gartner.com/en/newsroom/press-releases/2018-04-25-gartner-says-global-artificial-intelligence-business-value-to-reach-1-point-2-trillion-in-2018
[2]	Why  Artificial Intelligence is the Future of Growth - Accenture https://www.accenture.com/t20170524T055435__w__/ca-en/_acnmedia/PDF-52/Accenture-Why-AI-is-the-Future-of-Growth.pdf
[3]	Gartner  Says Nearly Half of CIOs Are Planning to Deploy Artificial Intelligence https://www.gartner.com/en/newsroom/press-releases/2018-02-13-gartner-says-nearly-half-of-cios-are-planning-to-deploy-artificial-intelligence
[4]	IDC FutureScape：全球人工智能及大数据市场2019预测-中国启示 https://www.idc.com/getdoc.jsp?containerId=CHC44586318
[5]	China is  hiring for the most jobs overall with 12,113 vacancies, and Japan is hiring  for the most per-million (44.7) of their working-age population. https://www.uipath.com/automation/ai-jobs#/locations/top-countries
[6]	D.  Sculley, G. Holt, D. Golovin, E. Davydov, T. Phillips, D. Ebner, V.  Chaudhary, M. Young, J.-F. Crespo, and D. Dennison, “Hidden technical debt in  machine learning systems,” in NIPS, 2015.
[7]	State of  AI in the Enterprise, 2nd Edition - Deloitte https://www2.deloitte.com/content/dam/insights/us/articles/4780_State-of-AI-in-the-enterprise/DI_State-of-AI-in-the-enterprise-2nd-ed.pdf
[8]	The 2017  Deloitte State of Cognitive Survey https://www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/us-da-2017-deloitte-state-of-cognitive-survey.pdf