在智慧建筑项目中会接触到一些AI相关的功能。人脸识别是其中最常用的算法,基本是每个项目标配。今天就从人脸识别入手谈谈AI在实际项目中的使用情况。
一 基础概念
先说说几个参数。
系统正确识别4只唐老鸭,错误识别了2只唐老鸭,还漏了一只唐老鸭没有识别出来
在人脸识别界(姑且这么称呼),分别用准确率,误识别率,召回率来描述上述情况
准确率:正确的个数占所有被系统识别出来的比例(本例子中系统识别6个,正确识别4个,准确率=4/6)
误识别率:识别错误的个数占所有应该错误总数的比例(本例子中共4个错误,选错了2个,误识别率2/4)
召回率:识别正确的个数占所有应该正确总数的比列(本例子中共5个正确,选出来4个,召回率4/5)
数学上的准确率和召回率并没有必然的联系,但真正在项目的实际应用中,其实会有互相制约。根本原因是如何定义“正确”这个东西。
比如严格按照五官长相来识别人脸,准确率会上升,但召回率可能会下降。(胡子邋遢没洗头发的唐老鸭会被排除)
相反如果放宽识别的条件,召回率可能会上升,而准确率对应的会不那么精确。(没洗头发的唐老鸭被识别了,但跟唐老鸭长得相似的小黄鸭也被放行了)
二 行业冲突
客户对AI的期待与目前AI能达到的能力存在一定偏差。
ToB中,往往做决定的并不是技术人员,他们对AI的理解只有个大概,而且经常是期望很高。不管前期沟通得如何顺畅,客户给钱给得如何豪爽。该清楚讲给用户听的一定要做到。因为就算他前期只有个模糊印象,交付过程中清晰起来了,第一个怼的就是你。
客户的期望是一方面,AI的应用限制是另外一个方面。聚个例子,有个项目中给客户安装人脸识别门禁机,放在客户公司门口,但因为是在办公楼内,光照条件不是很好,识别效果不如人意。
训练成本的窘境。
接着上面的例子,人工智能的杀手锏说到底还是训练,打标签。同个算法在不同的数据集下表现很可能有差异。比如化妆女性,阿拉伯人,这些准确率都是要靠海量的样本数度学习堆起来的。那么问题来了,能不能为客户在特定的环境训练算法?技术上是可以,但成本谁来承担。项目角度这属于定制化的功能,理应客户承担。但客户并不如此认为,我买你们的产品,是要成熟的产品,并不想成为小白鼠还要为此支付训练成本。
不仅仅是AI。
基本上,每个客户到最后都会问一句:我买你们的AI产品能干啥。客户不关心你的算法有多牛逼,准确率多少个9,只关注这个产品能为他带来什么效益。单卖AI没有市场,帮客户实现业务闭环才是王道。还是上面的例子,人脸识别门禁要跟考勤系统要跟安防系统打通才有意义,孤立的AI不足以打动客户。
三 结语
一年来的ToB转变,确实是不断的踩坑填坑。遇到的很多问题很多思考是以前做ToC完全没有接触的。接触到不同的客户遇到不同的现场环境。要做有口碑的交付团队,任重而道远。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。