简单了解AI应用范围
AI的应用领域非常非常广，上图只是大家相对熟悉的几个，而且每一个领域用到的算法都不一样。有很多想转型的产品，第一个考虑的点就是：不懂技术就做不了AI，我是不是学完算法才能入行？
其实不是。
大家可能知道
1、不仅算法重要，很多时候数据可能更重要；有保质保量的数据，才可能有好的训练效果。
2、数据可分为两种类型：“被标记过”的数据和“未被标记过”的数据。什么是标记呢？意同“贴标签”，当你看到一个西瓜，你知道它是属于水果。那么你就可以为它贴上一个水果的标签。算法同事用“有标签的数据”去训练模型，这里就有了“监督学习”。
重点就是这里：只要是跟“监督学习”沾边的产品/技术，比如图像识别、人脸识别、自然语言理解等等，他们都有一个必走的流程——
一、数据标注
数据的质量直接会影响到模型的质量，因此数据标注在整个流程中绝对是非要重要的一点。
1、一般来说，数据标注部分可以有三个角色
1）标注员：标注员负责标记数据。
2）审核员：审核员负责审核被标记数据的质量。
3）管理员：管理人员、发放任务、统计工资。
只有在数据被审核员审核通过后，这批数据才能够被算法同事利用。
2、数据标记流程
1）任务分配：假设标注员每次标记的数据为一次任务，则每次任务可由管理员分批发放记录，也可将整个流程做成“抢单式”的，由后台直接分发。
2）标记程序设计：需要考虑到如何提升效率，比如快捷键的设置、边标记及边存等等功能都有利于提高标记效率。
3）进度跟踪：程序对标注员、审核员的工作分别进行跟踪，可利用“规定截止日期”的方式淘汰怠惰的人。
4）质量跟踪：通过计算标注人员的标注正确率和被审核通过率，对人员标注质量进行跟踪，可利用“末位淘汰”制提高标注人员质量。
二、模型训练
这部分基本交由算法同事跟进，但产品可依据需求，向算法同事提出需要注意的方面；
举个栗子——
背景：一个识别车辆的产品对大众车某系列的识别效果非常不理想，经过跟踪发现，是因为该车系和另外一个品牌的车型十分相似。那么，为了达到某个目标（比如，将精确率提高5%），可以采用的方式包括：
1）补充数据：针对大众车系的数据做补充。值得注意的是，不仅是补充正例（“XXX”应该被识别为该大众车系），还可以提供负例（“XXX”不应该被识别为该大众车系），这样可以提高差异度的识别。
2）优化数据：修改大批以往的错误标注。
产品将具体的需求给到算法工程师，能避免无目的性、无针对性、无紧急程度的工作。
三、模型测试
测试同事（一般来说算法同事也会直接负责模型测试）将未被训练过的数据在新的模型下做测试。
如果没有后台设计，测试结果只能由人工抽样计算，抽样计算繁琐且效率较低。因此可以考虑由后台计算。
一般来说模型测试至少需要关注两个指标：
1.精确率：识别为正确的样本数/识别出来的样本数
2.召回率：识别为正确的样本数/所有样本中正确的数
举个栗子：全班一共30名男生、20名女生。需要机器识别出男生的数量。本次机器一共识别出20名目标对象，其中18名为男性，2名为女性。则
精确率=18/（18+2）=0.9
召回率=18/30=0.6
再补充一个图来解释：
而且，模型的效果，需要在这两个指标之间达到一个平衡。
测试同事需要关注特定领域内每个类别的指标，比如针对识别人脸的表情，里面有喜怒哀乐等分类，每一个分类对应的指标都是不一样的。测试同事需要将测试的结果完善地反馈给算法同事，算法同事才能找准模型效果欠缺的原因。同时，测试同事将本次模型的指标结果反馈给产品，由产品评估是否满足上线需求。
四、产品评估
“评估模型是否满足上线需求”是产品必须关注的，一旦上线会影响到客户的使用感。
因此，在模型上线之前，产品需反复验证模型效果。为了用数据对比本模型和上一个模型的优劣，需要每次都记录好指标数据。
假设本次模型主要是为了优化领域内其中一类的指标，在关注目的的同时，产品还需同时注意检测其他类别的效果，以免漏洞产生。
产品工作补充
产品经理的工作，不止是产品评估——除了流程控制，质量评估，还有针对分类问题，由产品经理制定边界；这是非常重要的，直接影响模型是否满足市场需求。
产品制定分类规则：例如，目的是希望模型能够识别红色，那产品需要详细描述“红色”包含的颜色，暗红色算红色吗？紫红色算红色吗？紫红色算是红色还是紫色？这些非常细节的规则都需要产品设定。
如果分类细，那么针对某一类的数据就会少。如果分类大，那么一些有歧义的数据就会被放进该分类，也会影响模型效果。分类问题和策略问题道理是一样的，都需要产品对需求了解得非常深刻。
以上内容，都只是AI行业一个小领域内可梳理的工作内容。
总之，针对刚刚入行的朋友，如果没有算法基础、没有工程基础，可考虑在流程、平台等职责角度做过渡；在工作内容中不断总结学习，往自己最终的方向目标不断前进！
机器学习
机器学习的本质是模式识别。 一部分可以用于预测（有监督学习，无监督学习），另一类直接用于决策（强化学习）。相对物理微分方程代表的预测方法来说，机器学习在一定程度说是一种黑箱思想， 即先不求开始找到事物发展的精确模型，而是用基本的模型框架，直接以数据驱动我们的预测。
