對不少企業(yè)來說，如何開始一個 AI 業(yè)務(wù)是一個難題，需不需要 AI 來進行業(yè)務(wù)的輔助？是否需要組建一個自己的算法團隊？我們整理了格靈深瞳創(chuàng)始團隊：苑維然先生的主題演講《如何開始一個 AI 業(yè)務(wù)：以計算機視覺為例》希望能夠給有同樣困擾的讀者一些啟發(fā)與幫助。

下面介紹如何開始一個 AI 業(yè)務(wù)，這是一次比較科普的演講，希望通過計算機視覺的一些案例，能帶給在座的各位 EGO 會員及各行業(yè)的老板一個關(guān)于 AI 和自己的業(yè)務(wù)結(jié)合的直觀的認識。

這里我先簡單介紹一下計算機視覺做的事情是什么，然后再給大家引申一下，在一些業(yè)務(wù)里應(yīng)用這些技術(shù)的可能性。

這個圖是我今天早上臨時加上的，我覺得這樣畫應(yīng)該更容易理解一些。計算機視覺的任務(wù)就是要對幾種和視覺相關(guān)的媒體做一些信息處理，包括圖片、視頻以及深度視頻。

通過這些媒體我們得到的對象包括人臉、人體、車以及其他，這里其他對象的范圍比較廣泛，比如說寵物、食品、普通物體分類等等，但是它的應(yīng)用范圍應(yīng)該遠不如前三者。

得到了這些對象的圖像信息之后，我們要做什么任務(wù)呢？總結(jié)一下，比較廣泛應(yīng)用的有兩種任務(wù)，一是結(jié)構(gòu)化，二是圖搜。

結(jié)構(gòu)化是指這個對象確切可描述的信息。比如一張人臉圖片的結(jié)構(gòu)化信息包括人的性別、年齡、表情類別，以及戴不戴眼鏡、口罩、帽子等信息；人體的結(jié)構(gòu)化包括人的上身下身的衣著特點等；車輛的結(jié)構(gòu)化信息就比較多了，基本的有車牌、車型、年款、顏色等，另外有一些可以描述的特征信息，比如車窗內(nèi)掛件、擺件，甚至是否有劃痕等等，這些特征描述對于區(qū)分一些很像的車是非常有用的。

然后是圖搜，圖搜的信息基礎(chǔ)是沒有結(jié)構(gòu)化描述的，計算得到的是一個特征。我們常談到的人臉識別就是典型的圖搜應(yīng)用，最典型的 1:N 人臉?biāo)阉骶褪且砸粡埬標(biāo)褕D庫里的臉，得到和它距離很近的一些臉。人體和車也是一樣，只不過人體和車輛的特征維度相對于人臉來講少一些，這決定了人臉?biāo)阉骺梢栽谝粋€更大的庫中發(fā)生，人體和車輛只能在相對小的庫中搜索。

對于結(jié)構(gòu)化和圖搜這兩種任務(wù)來講，圖搜具有更廣泛的應(yīng)用場景，為什么呢？得到結(jié)構(gòu)化信息之后，通常是作為數(shù)據(jù)庫索引進行搜索，但是具體應(yīng)用中很難單純依賴結(jié)構(gòu)化信息得到想找的對象。比如要找一個人，很難通過具體描述這個人是長頭發(fā)、有胡須、戴眼鏡或者其他可描述的細節(jié)直接找到這個人，但是如果提供一張這個人的照片，就可以在人臉庫里很好地搜索到。車也是一樣，我們通常通過車牌來搜索一個車，但是在真正的應(yīng)用場景里，這是不一定生效的。比如一些犯罪分子在辦案時往往會把車牌隱藏掉，或者干脆用一個假車牌，這時候就需要用車的特征來搜索，這樣的場景下技術(shù)帶來了真正可用的價值。

這張圖再往后，是計算的平臺或載體。

首先是云服務(wù)的應(yīng)用，這在公安這類機密客戶那里是遠遠落后于商業(yè)及個人用戶的。我們?nèi)ツ杲?jīng)常做這樣的事情，就是把一堆服務(wù)器搬到用戶的機房里，比如警方或者交管局，我們留下專人運維這個機房里的服務(wù)器，我們連接客戶的視頻流，利用 CPU 和 GPU 去計算前面所所說的東西，然后把結(jié)果在它的客戶端體現(xiàn)出來，或者是推送到客戶的平臺中。

但從今年開始我們有一些新的東西受到了老客戶的青睞，對于類似于公安或交通這樣的傳統(tǒng)用戶，他們竟然也或多或少的接受云端的方案，這在以往是不可想象的，因為他們的技術(shù)和數(shù)據(jù)是非常機密的。但是現(xiàn)在一些云服務(wù)提供商針對公安、銀行這些具體的業(yè)務(wù)做了大量專用網(wǎng)絡(luò)和安全上的優(yōu)化工作，使得這個事可以發(fā)生。

另一方面就是越來越多地使用了 EDGE 端的計算，端到端（EDGE 端到 CLOUD 端）已經(jīng)不再是什么秘密，一個很直接的結(jié)果就是降低了成本、提高了密度、以及廣泛的智能化。舉個例子，原來的 IPC（網(wǎng)絡(luò)攝像機）都是傳視頻到后端去處理，現(xiàn)在很多專門的車輛及人臉抓拍攝像機可以在終端設(shè)備上把我們關(guān)注的對象抓拍成圖片，再把圖片傳到后端去處理，一方面是節(jié)省帶寬，原來一個 Gb 的帶寬只能傳輸幾十路視頻，現(xiàn)在只傳輸抓拍圖片可以做到萬路，更令人激動的是，假如抓拍設(shè)備部署在普通的超市、飯店這樣的街頭小店里，使用非常便宜和普通的家用帶寬就可以滿足要求。另外一個好處是后端服務(wù)器的計算成本極大降低，可能降低兩個數(shù)量級這樣的程度。兩個數(shù)量級大家可以想象是什么樣的情況，我們可以把一個應(yīng)用做到非常便宜，可以從原來 2G 的業(yè)務(wù)逐漸做到 2B 的業(yè)務(wù)，再逐漸做到 2C 的業(yè)務(wù)。目前零售行業(yè)以及一些智能辦公行業(yè)已經(jīng)在嘗試這樣的業(yè)務(wù)方式，總結(jié)一下，就是我經(jīng)常在公司和客戶那里說的三個詞：低成本、高密度、智能化。這是從業(yè)務(wù)上來分析計算機視覺的一些情況。

這里邊有幾個事情我需要說明一下。第一個是深度視頻，深度視頻相關(guān)的產(chǎn)品我們在四年前就開始做，我不否認它的科技范兒，以及在一些場景里它不可替代的作用，但是到現(xiàn)在為止還是一個成本比較高的產(chǎn)品，所以它大都應(yīng)用在類似于銀行加鈔、金庫、監(jiān)獄等支付能力非常強的客戶。深度視頻的作用顯而易見，通過深度數(shù)據(jù)，它很容易能夠計算出人的肢體行為、行動、人和環(huán)境關(guān)系等信息，而普通二維數(shù)據(jù)很難做到。這個產(chǎn)品目前還不具備廣泛場景的擴展性，但是隨著傳感器技術(shù)的提高，事實上我們已經(jīng)看到一些這方面的成果，它也會滿足前邊提到的低成本、高密度、智能化的原則。

另一個要說明的是視頻，這就是剛才講的，逐漸會把后端視頻的處理轉(zhuǎn)移為前端抓拍之后在后端對圖片的處理，這樣降低了兩個數(shù)量級的成本之后，最大范圍地進行業(yè)務(wù)的推廣。大家可能很奇怪，之前 GPU 的勢頭很猛，NVidia 的股價在一年時間里飆升了三倍不止。但是我想說的是 NVidia 工業(yè)級別的顯卡價格和 CPU 這樣的市場相比是小眾和暴利的。CPU 是個 2C 的市場，GPU 也有 2C 的市場，但是工業(yè)級別的 GPU 顯卡，它的市場價格是普通顯卡的幾倍。之所以能維持高價，是因為之前少有替代品，然而我們今天看來它的優(yōu)勢越來越小。

一方面，現(xiàn)在有很多算法上的進展告訴我們，同樣的算法在 CPU 上也可以高度的優(yōu)化，它的成本和在 GPU 上可以媲美。而結(jié)合 CPU 服務(wù)器的穩(wěn)定性和靈活性，比如分鐘級別的彈性調(diào)度，它的實際成本還有一個數(shù)量級的優(yōu)化空間。

另一方面，它的競爭對手還包括 ARM、FPGA、 Google 的 TPU 芯片等這些日益成熟的專有計算芯片。這樣的結(jié)果告訴我們，我們以前好像做錯了，我們建立了大量的 GPU 集群，某個友商甚至利用它上一輪融資的千萬美金建立了一個幾千塊 GPU 的私有計算集群。但是大家往后看，這可能不是特別值得，我感覺一兩年內(nèi)就會發(fā)生的是，首先 GPU 的價格會降低到非常親民，專有計算芯片無論在服務(wù)器端還是在輕量級設(shè)備端都普及。

這個圖是一個人臉系統(tǒng)的業(yè)務(wù)模型，左邊是終端設(shè)備，是我們系統(tǒng)的數(shù)據(jù)源，基本都是抓拍設(shè)備，包括我們自己造的人臉抓拍機，以及我們自己造的人眼相機。人眼相機是可以應(yīng)用于大廣場、大范圍的人臉抓拍機。另外還有抓拍服務(wù)器，對接普通的 IPC，通過這個抓拍服務(wù)器可以把普通的 IPC 變成抓拍機一樣的形態(tài)來對接系統(tǒng)。中間系統(tǒng)上下兩個藍色的數(shù)據(jù)流，下面的數(shù)據(jù)流是實時業(yè)務(wù)流，上面是像黑白名單入庫之類的離線業(yè)務(wù)流。視頻數(shù)據(jù)由抓拍設(shè)備轉(zhuǎn)換成圖片之后會經(jīng)過人臉引擎進行處理，這個大規(guī)模的引擎包括人臉檢測、特征提取和結(jié)構(gòu)化，對于車的數(shù)據(jù)也類似地會有相應(yīng)的車輛檢測和結(jié)構(gòu)化，然后經(jīng)過存儲、比對引擎和消息隊列，形成我們的一套系統(tǒng)，后面對接應(yīng)用的 API 池。上面還有一個從數(shù)據(jù)庫對接出的離線數(shù)據(jù)分析和實時數(shù)據(jù)分析系統(tǒng)，它結(jié)合其他平臺的業(yè)務(wù)數(shù)據(jù)，對結(jié)構(gòu)化數(shù)據(jù)和比對結(jié)果進行大數(shù)據(jù)分析，并匯集到一個多維查詢系統(tǒng)。

每個行業(yè)都有它自己不好做的地方，AI 這個細分行業(yè)里最大的特點就是數(shù)據(jù)依賴。大家可能都知道 AI 算法基本上都是以基于學(xué)習(xí)的算法為主，簡單的講就是通過大量的數(shù)據(jù)標(biāo)注之后（Data），對一個網(wǎng)絡(luò)（Network）的參數(shù)進行迭代優(yōu)化得到一個模型（Model），業(yè)務(wù)層通過這個 Model 進行推理計算。我這個題目叫“如何開始一個 AI 業(yè)務(wù)”，當(dāng)你在自己的業(yè)務(wù)上考慮這個問題的時候，你要用 AI 解決什么問題，首先要問自己數(shù)據(jù)夠不夠，第一是量夠不夠，第二是質(zhì)量夠不夠，第三是數(shù)據(jù)的多樣性夠不夠，量和質(zhì)量比較好理解，下面講一下多樣性的問題，也就是跨域數(shù)據(jù)的難題。

多樣性

以人臉識別這個業(yè)務(wù)為例，有一些公共的人臉平臺，可以輸入一張照片和一個庫，它會給出識別結(jié)果。但是據(jù)我了解，這些通用的人臉平臺在具體業(yè)務(wù)上表現(xiàn)并令人滿意。我是非常理解他們的，為什么幾個友商都說自己是人臉識別第一的平臺，但是在具體應(yīng)用時表現(xiàn)不好呢，答案是它的數(shù)據(jù)并沒有符合你使用的域。

舉個例子，一個做婚戀網(wǎng)站，它數(shù)據(jù)庫里的照片都是經(jīng)過化裝打扮的；一個社交網(wǎng)站，它的人臉頭像數(shù)據(jù)都是個性搞怪的；而我們的身份證照片，則是普通素顏的。這幾個領(lǐng)域里的數(shù)據(jù)，領(lǐng)域內(nèi)是非常好用的，但是它們相互之間的交叉聯(lián)系，無論從數(shù)據(jù)獲取、標(biāo)注還是得到最終應(yīng)用結(jié)果，都是非常困難的。我們之前在某個邊疆省份做了一個業(yè)務(wù)，模式很簡單，就是用人臉識別跑一個黑名單，黑名單里包括公安關(guān)注的危險分子，這個名單非常大，大概有幾十萬。在最開始實施現(xiàn)場測試的時候，我們發(fā)現(xiàn)結(jié)果非常不好，準(zhǔn)確度并沒有達到我們的期望。后來我們發(fā)現(xiàn)這個省的大多是少數(shù)民族，他們的臉跟漢族人特征差異很大，而跟西亞人或者是俄羅斯人種是更像的，而我們那時候的人臉模型，還是以漢族人為主要的樣本訓(xùn)練得到的，所以帶來了很大的困難，其根本原因還是樣本數(shù)據(jù)量不足造成的。所以在我們把現(xiàn)場數(shù)據(jù)標(biāo)注和重新訓(xùn)練作為項目本身的過程，很快就達到了我們期望的準(zhǔn)確度。

只有深入理解應(yīng)用數(shù)據(jù)的域，才能夠得到期望的效果。另外一種情況是希望有跨域數(shù)據(jù)的應(yīng)用，比如證件照和各種現(xiàn)場抓拍照的跨域，就必須專門針對跨域的問題進行交叉的標(biāo)注和訓(xùn)練，才能得到好的結(jié)果。跨域的成本往往取決于數(shù)據(jù)的來源，比如刷身份證并抓拍人臉的門禁，就可以很好的把證件照和抓拍照聯(lián)系起來。

另外一個與數(shù)據(jù)相關(guān)的就是如何在業(yè)務(wù)中結(jié)合標(biāo)注。所謂標(biāo)注，大家可以理解為人工智能里的“人工”。一個已經(jīng)使用舊數(shù)據(jù)訓(xùn)練好的模型在你的領(lǐng)域里可能不一定適用，必須把標(biāo)注的任務(wù)融入到業(yè)務(wù)里，讓它成為業(yè)務(wù)的常態(tài)。做電商一定會有個呼叫中心，做 AI 也一定會有個標(biāo)注中心支撐我們的業(yè)務(wù)，他們就會根據(jù)我們?nèi)蝿?wù)的指標(biāo)去完成標(biāo)注的任務(wù)。經(jīng)過標(biāo)注中心標(biāo)注之后，AI 模型的效果會逐漸變好。所以當(dāng)你考慮這樣的業(yè)務(wù)一定要同時考慮相關(guān)的人工成本，如果領(lǐng)域不變的話，成本可能會逐漸降低，需要標(biāo)注的數(shù)據(jù)會逐漸變少，但是可能不會消失，因為時過境遷，總會有些變化的東西。

ID，ID，ID，重要的事情說三遍，在 AI 業(yè)務(wù)里，我們認為能得到的最有價值的信息就是 ID。我把它分成了幾種層次：

第一種就是類似于身份證這樣的 ID，它不一定是身份證，但一定是長效、唯一的 ID，這是最有價值的，就像你在網(wǎng)上做什么事都有記錄一樣，如果我有這個 ID，而以后你在現(xiàn)實中做什么事也都有紀(jì)錄，這是很可怕的事情。

第二種就是長 ID，長 ID 是跨域的，跨時間、跨地點、跨來源，長 ID 并不能知道你是張三還是李四，但是它知道這個 ID 之前所有的活動。我們把能夠拼接形成長 ID 的計算過程叫 ReID，就是你很多活動我們通過算法把它們連接在一起了。

在商場里，當(dāng)你進入的時候，如果獲得了你得長 ID，系統(tǒng)雖然不知道你是誰，但是能瞬間調(diào)出你之前進入商店的行為，包括你在哪個柜臺前逗留時間長，你的動線軌跡，甚至可以綁定了你的結(jié)帳信息，知道你購買的記錄。對于商店的應(yīng)用來講，這些數(shù)據(jù)已經(jīng)足夠了，這樣的一個長 ID 獲取成本低而且規(guī)避了侵犯隱私風(fēng)險，一個商場顯然不可能對你的身份信息進行核實，但是它有這樣的長 ID，就有足夠的想象空間做出一些營銷上的優(yōu)化。短 ID，就是一個在時空上局部的 ID。ID 的價值從上到下是遞減的，當(dāng)然獲取成本也是越來越小。ID 的密度和分布也是非常重要的，就像網(wǎng)站的瀏覽記錄，得到的 ID 密度越高，對用戶行為了解得更透徹，這里有很多細節(jié)。包括我是只得到你在這的活動，還是說得到你非常大范圍的活動。這些就是我對 ID 的一個分類定義。

這里總結(jié)了一下以人臉識別或者車輛識別技術(shù)為基礎(chǔ)的應(yīng)用，本質(zhì)上是 ID 的關(guān)系。所有我們需要得到的結(jié)果都是這幾個 ID 的關(guān)系，車輛、模糊的車輛、清晰的車輛、人臉、人體、手機，或者沒有寫進來的其他的東西。

在應(yīng)用里，我們希望它們之間都有 ID 對應(yīng)，同一類對象，比如人臉和人臉之間，進行比對之后，就知道兩個人臉是不是同一個人的概率，如果是同一個人，再把兩個 ID 合并，其他的也是一樣。但是當(dāng)我關(guān)注下面這樣的事的時候，就不一樣了。一個人開了車，然后從這個車上下來，這個時候，我作為一個人很容易知道這個車是他的車，他是司機也好，他是副駕駛也好，這個關(guān)系我知道，但是人工智能很難處理這樣的事情，它需要通過一些邏輯上的分析以及一些模糊的匹配去得到這樣的關(guān)系。

比如圖中橫向的，車輛和人臉之間的關(guān)系，模糊車輛和清晰車輛之間的關(guān)系，模糊車輛就是看不清楚車牌，但是大概能看清這個車，清晰車輛就是車牌能看得更清楚一些。我們會通過一些模糊匹配的方式以及時空關(guān)系等方式把它們匹配起來。包括人臉和人體也是一樣，能看清這張臉，但是當(dāng)其他任何拍這個人拍得比較小的時候，這張臉看不清楚了，我怎么知道這個人還是你，這也是一個要打通的關(guān)系。人體和手機更是這樣。當(dāng)我們把橫向和縱向的關(guān)系都打通， ID 全部的關(guān)系就通了。現(xiàn)在我的圖中打問號的這幾個地方，實際上是目前做得并不好的地方，這也是人工智能相關(guān)的應(yīng)用在近幾年要特別加強，也是最有機會的地方。

你的業(yè)務(wù)需要 AI/CV 嗎？

我接受過很多的公司來向我們咨詢方案，想要他們的業(yè)務(wù)里獲得 AI 的能力，用來幫助他們的業(yè)務(wù)進行優(yōu)化和轉(zhuǎn)型。在實際項目中我也接觸了幾個行業(yè)，我們也做了一些產(chǎn)品去應(yīng)用于不同行業(yè)。

圖中列的幾個行業(yè)有這樣的一些關(guān)系，首先從公安業(yè)務(wù)說起，它的特點就是 2G，主要的業(yè)務(wù)目標(biāo)是公安稽查、布控，就是剛才講的動態(tài)黑名單布控、靜態(tài)圖幀這樣的一些業(yè)務(wù)，這個業(yè)務(wù)做了幾年。說實話，這是我們的衣食父母，到現(xiàn)在公安業(yè)務(wù)也是整個人工智能行業(yè)最現(xiàn)實的一個業(yè)務(wù)方向。以公安業(yè)務(wù)的技術(shù)、產(chǎn)品為基礎(chǔ)，我們發(fā)現(xiàn)可以做很多新的東西，比如說智能辦公，樓宇和室內(nèi)顯然比公共場所的業(yè)務(wù)量級要大，但這是一個 2B 的業(yè)務(wù)，之前是不好做的，因為成本太高。

大家也看到很多樓宇物業(yè)已經(jīng)應(yīng)用了包括人臉門禁，它不是一個新鮮的事物，刷臉然后進門或者拍一個證件對臉進行驗證之后就可以進去了，證明你的人和證件是同一個。但是智能辦公的要求是不一樣的，它的要求是不只在門口要有這樣的設(shè)備，在公司的各個角落里都要有，包括休閑區(qū)、工作區(qū)，甚至車口、門口等等，這作用是什么呢？作用就是把辦公區(qū)里人的行為數(shù)據(jù)化，當(dāng)然能做到這點的前提就是成本降低了。包括收費業(yè)務(wù)，有些朋友應(yīng)該發(fā)現(xiàn)廣東這邊已經(jīng)有了，就是當(dāng)你進入高速路口時，可以刷支付寶進行收費，不用去 ETC，也不用去交現(xiàn)金。很快它可能做到連手機的支付寶也不用刷了，它看到你的車牌，并且看到你的臉，把車牌和你的臉進行驗證之后，你就直接可以開車通過了。當(dāng)然之前你要通過支付寶去存一些錢，或者綁定支付寶在相應(yīng)的帳戶里，這樣就會得到一個更快捷的通過方法。后面還有幾個這樣的業(yè)務(wù)目標(biāo)，不擴展講了。我覺得蠻有意思的，通過一種技術(shù)從高大上而專業(yè)（圖左邊）到走向非常便宜而廣泛（圖右邊）的這一路上，有非常多的機會。實際上正是這樣的轉(zhuǎn)變，才能讓一個技術(shù)真正落地，實現(xiàn)它的價值。

你的業(yè)務(wù)需要一個算法團隊嗎？

這個問題好多人問的，就是當(dāng)你的公司想做一些 AI 相關(guān)的業(yè)務(wù)，你需不需要自己養(yǎng)一個算法團隊。這沒有直接的答案，得具體問題具體分析，需要看是哪些方面的業(yè)務(wù)。

首先你的業(yè)務(wù)從 AI 的層面上來講，是不是一個通用的類型。比如說你希望像美圖秀秀拍一個人臉之后進行美化，這個就有有可能不需要自己的 AI 團隊，百度騰訊谷歌微軟這樣一些提供基礎(chǔ) AI 服務(wù)的公共資源以及像“一桶筐湯”這樣的公司提供的方案，都可以是你的選擇。但是當(dāng)你遇到一些業(yè)務(wù)別人并沒有涉及過的或者你的領(lǐng)域數(shù)據(jù)很獨特時，可能就得養(yǎng)一個算法團隊了。但是需要更正一下，確切的說是算法“工程”團隊。算法團隊是更基礎(chǔ)的層面，但算法工程團隊實際上是把現(xiàn)成的算法進行實踐和工程化的團隊，這是非常必要的。

做一個 AI 的業(yè)務(wù)在研發(fā)團隊里需要有這樣一些角色，算法團隊、軟件團隊、設(shè)備團隊，更包括運營和售前。這些團隊角色之間的關(guān)系，我簡單講一下。比如說算法團隊和軟件團隊之間的關(guān)系，看起來很自然，算法團隊提供算法，給軟件團隊來包裝成產(chǎn)品。但實際上并不是這么直接，算法的結(jié)果一定是循序漸進的，開始得到的結(jié)果肯定不好。軟件團隊提供給用戶的價值，是通過算法體現(xiàn)出來，但是算法還不夠好的過程中，軟件要當(dāng)好一個背鍋俠的角色，它需要通過各種手段來進行補助。算法不是萬能的，軟件在合適的時候巧妙的使用算法，才能實現(xiàn)算法最大的價值，不能美玉當(dāng)磚。這些團隊里，有不少故事可以講，有機會我專門整理。