吳恩達在斯坦福大學 HAI 研討會上進行內容分享，指出 AI 部署所面臨的三大挑戰，并給出解決方案。
隨著人工智能的不斷發展，大量先進算法以及配套硬件設施不斷涌現，研究人員憑借新算法等不斷刷新 SOTA 記錄，但是在科研中、論文中實現的高精度性能，很多卻不能應用于實際的生產中。AI 離真正的落地還有多遠？
現階段，許多公司和研究團隊正在努力將研究轉化為實際的生產部署。近日，機器學習大牛吳恩達在斯坦福大學 HAI 研討會上分享了一些有趣的觀點，即「如何彌補 AI 的概念驗證與生產之間的差距」。
HAI（「以人為本」人工智能研究院）成立于 2019 年 3 月，由斯坦福大學人工智能科學家李飛飛和哲學教授約翰 · 埃切曼迪（John Etchemendy）共同領導，致力于推動人工智能領域的跨學科合作，讓科技以人為中心，并加強對人工智能社會影響的研究。HAI 定期舉辦研討會，此前吳恩達參加研討會并做了演講。
AI 部署所面臨的挑戰
在這次研討會上，吳恩達分享了人工智能面臨的挑戰之一，即 AI 概念驗證與產品落地之間的差距。
吳恩達從三個方面介紹了 AI 部署所面臨的挑戰：小數據、算法的魯棒性和泛化能力，以及變更管理。
挑戰 1：小數據問題
小數據在消費互聯網以外的工業應用中很常見，而 AI 研究通常使用大數據，很多算法是針對大數據開發的。
但是很多行業可獲取的數據規模有限，為了使 AI 在這些行業中起作用，我們必須開發針對小數據的算法。小數據適用的算法包括 GAN、GPT-3、自監督、遷移學習等。
挑戰 2：算法的魯棒性和泛化能力
大家可能已經發現，已發表論文中效果顯著的模型通常在生產中不起作用，研究中聲稱算法結果已經超過人類的方法卻不能很好地投入到生產，訓練的模型不能很好地泛化到其他數據集等。吳恩達以醫療領域舉例進行說明。然而這些問題不僅存在于醫療領域，其他領域也面臨相同的問題。
挑戰 3：變更管理
AI 技術可以使工作流程實現自動化或部分自動化，而這對相關人員的工作帶來了影響。我們需要對整體的改變有更好地掌握。
解決方案
對于上述挑戰，吳恩達也表達了自己的觀點，給出了解決方案。他指出我們應該關心整個機器學習項目周期，除了構建機器學習模型以外，其他問題也應該更系統化，讓 AI 更具可重復性和系統性：
我們應從范圍界定到數據、建模和部署，系統地規劃機器學習項目的整個周期。
吳恩達表示，學界和工業界應努力將機器學習轉換成系統化的工程學科。
