CTO案头必备｜AI技术产业落地的42章经( 二 ) 每一次技术革命

——《产业计算机视觉落地难点与应对》
掌握主流和全面的技术复杂任务先拆分简化，抽象问题是关键能力
当遇到复杂场景的问题时，将其拆分成一些小的任务与目标。因为小的任务相对简单一些，而复杂任务相对难一些，把复杂任务拆分成小任务本身就是一个技术建模的过程。拆分成小的任务之后，针对每一个小任务，我们都可以进行非常细致的技术选型。
文章插图
(抽象问题的拆分举例)
这个其实在我们实际场景中是非常常用的，因为真实的业务场景它可能不是一个任务，而是众多任务。比如说文本纠错、复杂的问答系统、复杂的对话系统等，它可能包含了多个子任务。
——《产业NLP任务的技术选型与落地》
很多油田电力和工矿企业，它里面存在很多传统的机械指针式的仪表，这种仪表与数字仪表不同，机械表无法将表具的读数实时发送到监控系统，需要人工进行读表检查，这种表大部分是用来做监控用的。
比如说监控设备的运行是否正常，而且这些表大部分是部署在厂区的各个位置，为了监测仪器是否工作正常，或者系统是否工作正常，工厂或者是一些企业都要派大量的人力到现场去进行巡检，检查表的读数是否正常，进而去判断整套系统或者仪器是否正常，这样的话就会消耗很多企业的人力成本，而且每次巡检周期长，频次非常低。实际解决问题之前，需要清晰的梳理出表计识别项目会面临到的难点问题：
1、表具种类多，相似度大，样本采集困难且不易分类
2、在复杂环境下，读数精确度不易保证
3、室外环境恶劣导致读数难以识别
文章插图
(技术方案拆解：目标检测+语义分割)
所以我们没选择直接识别的方案，因为直接识别会遇到多尺度的问题。我们选用了更为复杂的方案：目标检测+语义分割，当我的读数难度变小了，精确度会得到更好的保证，这是最核心的。同时，因为模型复杂度的提升，我的推理时间变长了。不过没关系，因为在表计巡检的场景里，对时效要求并不高。所以很多时候，大家问这样的方案好不好那样的方案好不好，还是要首先去回答自己的问题，你的场景到底有什么样的限制条件。没有最好，只有最适合。
——《能源电力传统仪表综合无人巡检》
Last but not least,优选工具
京东物流最开始自己要做快递单识别，其工程是非常复杂的。中国的四级地址，有的用户名字叫“一个橘子” ，区号和电话号码连在一起，还有大量的附言词。在这之中我们要做大量的分词、文本解析、结构化处理、信息的补全、消歧等，最后进行语义相似度的打分和匹配。有监督+无监督的方法结合去应用。整个团队花了很长的时间，去建立一整套的系统。
文章插图
(京东物流快递单识别所使用的ERNIEAPI)
完成了这些工作，跨过了这些坑之后，当我遇到百度文心ERNIE ，瞬间觉得豁然开朗，觉得它比我更懂我应该做什么。刚才说的所有那些很复杂的东西，从以前的Framework转到飞桨以后，前面三个API其实就搞定了。最后一个API地址识别，我画了小太阳，对我们的工作效率提升带来了很大的帮助。
很多应届生同学他们进来就能很快地上手。对于他们来说，一开始觉得这件事太难了，可能很难坚持下来。在新同学还不是特别懂深度学习的原理情况下，能够把整个技术做出来，能够有结果，这是件非常让人兴奋的事。