企业官网建设流程全解析

有哪些建设网站公司,济南槐荫区最新消息,90设计赚钱,网站如何做邮箱订阅号文章解析了AI产品经理岗位出现的三大背景#xff1a;技术背景#xff08;云计算、大数据、深度学习算法#xff09;、社会需求背景#xff08;产业升级#xff09;和历史发展背景#xff08;自动化智能化趋势#xff09;。AI产品经理与传统互联网产品经理在工作重心技术背景云计算、大数据、深度学习算法、社会需求背景产业升级和历史发展背景自动化智能化趋势。AI产品经理与传统互联网产品经理在工作重心连接vs效率、目标用户ToC vs ToB和技术要求上有显著差异。合格的AI产品经理需具备技术背景、理解客户需求和产品设计能力主要工作是与算法工程师沟通、挖掘客户需求并实现产品化。文章还提供了转行成为AI产品经理的学习路径和必备技能。AI产品经理出现的历史背景首先我们需要从一个大的历史背景和趋势上来思考为什么会有AI产品经理这样一个岗位。AlphaGo先后打败了李世石、柯洁之后大家都觉得AI好像已经成熟了。但其实AI之所以能发展到现在这样一个阶段主要由三个方面决定的云计算大家都知道计算机的发展史最开始有大型机后来有了小型机然后再有个人电脑PC。无论是哪个阶段单个机器的计算能力都是非常有限的。 而云计算可以采取分布式的计算和分布式的存储解决了算力的问题。大数据人工智能已经发展了将近六十年。很多算法其实在六七十年代都已经成熟了。 但是一方面受限于算力另外一方面没有大量的数据作为训练集输入。在大数据技术发展起来之前人工智能一直没能大规模地爆发。算法——深度学习算法的成熟比如以前图像识别、语音识别有一些技术瓶颈。但是随着最近这些年移动互联网的发展积累了大量的数据人们就采用了一个新的方法——深度学习可以理解为浅层学习加了很多层。 有了深度学习的方法很多以前不可能实现的事儿现在只要算力足够大并有大量的数据输入就一定可以跑出比较完美的模型。所以这波人工智能浪潮的爆发基于以上三点——云计算、大数据和深度学习算法。这也是AI产品经理这个职位产生的技术背景和时代背景。AI产品经理出现的社会需求背景中国经历了改革开放几十年各行各业有了长足的发展。以前只要大家胆大敢干就可以做个小生意挣不少钱。但是现在不同了挣快钱的时代一去不复返取而代之的是各行各业的恶性竞争红海竞争和产能过剩。我们国家也采取了一系列的策略比如一带一路把我们过剩的产能通过资本、技术的输出输出给一些其他的国家通过修高铁、建工路等。另一方面国内也在硬性去产能——比如现在好多省都开始查环保。其实查环保不是目标去掉产能是目标。也就是说从国家层面是希望各行各业进行产业结构升级不要再整个社会都从事低端的行业要往更高级的行业往食物链上层走。这样整个国家才有前途整个社会才能是一个比较良性的发展。而不是像最近的贸易战中兴芯片被禁了我们就没辙了。正因为有这样社会发展需求的背景国家从去年七月份2017年7月起将人工智上升到了国家战略层面。现在人工智能公司提交上市的时候有即报即审这样的优先策略。人工智能可以优先得到资本市场的支持。这也说明我们国家对于产业升级的支持力度还是非常大的。这是当前我们国家所面临的问题同时也是AI产品经理这个职位产生的社会需求背景。AI产品经理出现的历史发展背景我们纵观第一次、第二次、第三次工业革命到现在人工智能为代表的第四次工业革命。历史的发展其实是循着明确的路径的一个是自动化另一个是智能化。我们会发现生活中一些场景越来越自动化也越来越智能化。比如无人超市银行可以自动办理部分业务的机器小区的自动门禁能识别业主而不是让随便一个人就能刷进来。在互联网产品上表现得更明显比如一个用户使用今日头条的时间足够长今日头条就可以知道TA的癖好然后给TA推喜欢的东西。这在以前以人作为编辑的时代是不可能实现的因为需要大量的人力。整个社会的发展趋势其实是一个自动化智能化的大趋势。这为当前弱AI的成熟提供了社会需求背景。AI产品经理实际上就是一个把这种趋势变成现实的岗位。这个岗位的使命是运用AI技术来解决现实问题。什么是产品经理我们先讲一下什么是产品经理。在互联网圈子里大家对产品经理都比较理想主义认为产品经理就是张小龙、乔布斯、马化腾、周鸿祎。其实我认为最落地的解释产品经理就是一个造轮子的岗位——在用户或者客户提出需求以产品化的方式来满足部分或者全部需求的岗位就叫产品经理。举个例子微信是一个满足人和人之间沟通社交需求的产品策划并且设计出这个产品的人所在的岗位就叫产品经理。再举个例子今日头条是解决人们阅读、娱乐和休闲的需求。把今日头条的推荐系统设计出来今日头条能不断地学习人的癖好又能不断满足图文类消息、短视频类消息、微博类消息和问答类消息这样的人所在的岗位叫做产品经理。什么是AI产品经理AI产品经理听着很高大上本质上来说和微信以及今日头条的产品经理没什么差异。AI产品经理相对于传统的互联网产品经理来说就是多了一点要利用AI技术来解决现实的问题满足客户或用户的需求。很多专门搞算法或者是技术出身的小伙伴可能不太理解——明明很多AI技术本身就是一个端到端的应用为什么还需要AI产品经理这个疑问其实是很正常的因为对于AI产品经理我做了一段时间发现有些小伙伴儿做业务非常薄的产品其实不太需要AI产品经理。比如做图像识别、人脸识别、虹膜识别、语音识别等。这些技术应用在某个细分的领域有准确率、召回率等一系列固定的“硬”指标来衡量产品质量。这种情况下产品经理帮不上什么忙可能是过得比较尴尬的。AI产品经理的施展空间AI产品经理在哪些领域里更有可为能够跟我们的AI工程师更好地配合把一件事做成呢我经过观察发现更容易做出成绩更容易把AI结合落地应用得比较好的领域反而是一些业务导向强、变动大的领域。在AI技术之上需要一个业务层这样的应用反而是比较需要AI产品经理的。举几个例子我现在做的推荐系统它不光有算法就可以了需要了解整个互联网行业领域的应用需要对业务有深刻认知。 如果你做一个电商类的产品需要知道选择什么样的商品推给什么样的用户——需要对业务足够抽象并形成业务层再往下才是技术层。一些比较场景化的产品比如京东或者支付宝里有一些入口用作卖保险或者是卖理财一些智能客服这些属于销售售前线上化的应用。 这类应用针对垂直领域业务导向需要对业务和销售售前的话术有了解然后不断地调优。再有就是机器人领域因为不同机器人所在的应用场景不一样也是业务层比较重要的领域。 银行的机器人可能更多的需要定位、业务办理指示等功能小区或者园区的巡逻机器人可能更重要的是人脸识别、定位以及一些其他的功能。像上述这样的产品都比较需要AI产品经理。AI产品经理和互联网产品经理的差异工作重心的差异我们先讲一下互联网产品经理和AI产品经理的本质性的差异或者说重心上的差异。互联网本质上解决的是连接的问题。例如微信解决了人与人通过互联网产品连接的问题今日头条解决了人和内容、人和媒体人连接的问题滴滴打车解决了乘客和出租车、快车、专车司机连接的问题。AI领域要解决的是提升效率的问题。例如今日头条背后用的推荐系统在传统的门户时代是需要很多编辑每天来运营第一条放什么第二条放什么第n条放什么纯靠编辑的感觉。所有人看到的东西是一样的千人一面。编辑的口味不一定符合你的口味他可能符合c的口味但不一定符合a和b的口味。但是有了个性化推荐系统这个AI应用就可以做到千人千面——每个人看到的都是自己感兴趣的。以前花多少钱花多少人都解决不了的问题现在通过一个推荐系统一个算法的大众化的应用就解决了。大大节省了很多人力成本内容分发的效率提升了很多。自媒体的内容如果放在门户网站通过编辑来分发的话就是完全受制于“人”。编辑心情好可能流量就大点编辑心情不好就没什么流量了。但放在今日头条这样的个性化分发系统只要文章受众足够大就一定会分发得比较好并不依赖编辑的感觉比较理性和中性。从整体的内容库的角度来说就是整体的内容分发的效率提升了。再来讲一下目前AI在医疗诊断领域比如糖尿病诊断、心脏病诊断等的应用。大家都知道中国病人很多但是医疗资源尤其是好的专家非常有限。导致很多人有病但是得不到救治这是一个很大的社会问题。AI在医疗诊断领域里应用很多比如可以根据输入的历史数据生成一个模型来判断这个病人是有糖尿病还是没有有糖尿病的风险有多大。这样就通过AI的方式解决了糖尿病或者心脏病检测的问题。以前一个国家可能需要投入很多财力、物力去培养一个训练有素的医生但是现在只要是复制这个算法和模型就可以了成本非常低地来解决医疗资源不足的问题。在医疗领域AI也是起到了提升效率的作用。再比如以前虽然有各种摄像头但是如果想通过摄像头来破案还是非常难的。因为没有那么多人看那么长的视频。一个个地找里面有没有问题有没有嫌疑人。这是海量的工作投入多少人力、物力都解决不了的。但是现在采用人脸识别或者步态识别等AI技术就有可能快速解决这样的问题不需要投入那么多人力不需要花那么多长时间就可以很快锁定嫌疑人。在这里AI解决的还是效率的问题。说了这么多我们发现传统的互联网产品经理始终在围绕着连接解决现实的问题比如如何让人们更好地社交如何让人们更好地阅读如何让人们更好地打车。AI产品经理的重点是在如何不断提高效率比如如何让内容分发更有效率如何让人脸识别更有效率如何解决医疗诊断的准确性。这两类产品经理的工作重心不太一样。目标用户的差异传统的互联网主要是一个toCTo Cusumer的业务主要的生意是面向消费者/个人用户的。ToC业务的特点是比较讲究规模化。羊毛出在猪身上通过吸引大量的流量然后去卖广告或者是给游戏导流提取佣金运用的是规模效应是总量的逻辑。很多服务都是免费提供给用户使用的比如百度搜索、微信、QQ、今日头条都是免费使用的。AI这个行业本质来说带来的是生产力的提升是社会效率的提升。就目前发展来看它和c端的用户关系不大。这也就是为什么大家都知道AI来了但是谁也不知道AI是干什么的。目前AI主要还是to BTo Business的生意是面向企业服务的。比如即便今日头条是以推荐、服务建成的一家公司。但是它推荐本身并不是直接提供给终端消费者而是提供给内部的各个产品比如头条内部的抖音、火山视频、懂车帝、西瓜视频。这些产品都在共用一个推荐的逻辑共有一套推荐的基础设施所以本质来说也是一个toB的服务。更典型的toB的例子是图灵机器人它给很多企业提供客服服务。再比如最近国家对内容审核比较严格有很多公司提供内容审核的服务。这些内容审核服务会利用到一些AI技术来做分词过滤和构建模型把敏感词等各种有问题的内容都给排除掉。这些服务主要是提供给媒体企业或者自媒体大号都属于toB业务C端客户不太能感知到。这是互联网产品经理和AI产品经理另外一个比较大的差别。对产品经理的技术要求差异互联网产品经理尤其是创业潮比较热的时候产生的大量产品经理基本不懂技术。学什么专业的都有比如生物、英语、化学、工业设计、美术等等。不懂技术为什么又能做产品经理呢因为当时的大环境属于互联网流量红利期无论做什么产品都容易成懂不懂技术不重要重要的是你知道用户想要什么。所以在那个阶段的互联网产品经理比较偏用户体验工作重点在于功能做得好不好交互体验做得好不好文案写得美不美是不是解决了刚需。剩下的问题并不太重要交给工程师来解决就行了。稍微懂一点技术比如知道一点服务端和客户端的通信机制基本上就能解决大部分产品设计的问题了。但是到了AI时代AI产品经理不懂技术是没法做的。需要懂机器学习、深度学习的原理要知道迁移学习、增强学习都是干什么用的什么是特征包括图像特征、情感特征等各种各样的特征各种算法比如做推荐系统需要懂协同过滤、最新最热等常用的推荐算法……总之需要懂很多技术才知道客户的需求如何来通过AI来解决做出来的东西才能靠谱。这是AI产品经理和传统的互联网产品经理的第三个差异。AI产品经理的必备素质一个比较合格的AI产品经理至少需要三方面的素质拥有技术背景理解客户需求具备产品设计能力。【1】技术背景这点刚才已经提到过。比如做推荐系统至少知道1有哪些推荐算法这些推荐算法都是干什么的2做推荐排序的时候需要用到哪些特征这些特征是如何筛选3具体的调优手段比如数据处理对整体的效果会有哪些提升最终会体现在哪里等……【2】理解客户/用户需求现在很多toB的AI应用其实是一种B2B2C的应用——虽然面向的是企业客户但是最终使用产品的是C端用户。最终的用户不付给你钱但是TA通过各种方式来帮企业挣钱。这样就要求AI产品经理理解企业客户需求和运作机制。比如分层决策真正使用你系统的人可能不是真正决策要用你的系统的人。也许决策要用你系统的人是一个管理层而真正用系统的人是一个执行层的。了解了这些才能知道要做什么有的放矢。【3】产品设计能力因为AI产品经理的价值就在于造轮子——在满足客户需求的前提下通过产品化的方式把AI应用落地。目前AI被阿诟病的一点是很多AI应用落不了地或者商业逻辑是走不通的。当然这两年AI投资热还是有一定泡沫的但是我相信今年下半年或者明年初基本上很多事就能见分晓了。这两年应该是AI产品化的一个关键时期很多事成或者不成基本上就能有结论了。AI产品经理的工作内容AI产品经理的工作内容包括和算法工程师沟通了解如何通过算法来满足客户的需求。了解和挖崛客户需求知道客户的关注点在哪儿如何用更好的方式来给他解决。这可能需要自己找很多行业内人去聊把需求吃透。通过产品化的方式而不是外包的方式来解决问题。 产品化的方式跟外包的方式最大的区别是产品化可以规模化可以解决通用的问题。而外包每个客户都有不同的特点你需要定制化地给他解决。 采用外包化的方式你的成本始终下不来同时我们又知道AI这个行业人才是非常贵的这是非常不划算的。AI产品经理入行案例分析【案例-1】某个小伙伴在做机器人。机器人是运用AI技术之集大成因为它要用到人脸识别、语音识别等各种弱人工智能技术。这个小伙伴是怎么入行的呢他最开始自己做电商没做成就去淘宝做运营。在淘宝做运营做得很潇洒很愉快。因为阿里上市有些人就拉他一块儿去做AI创业了。我们都知道前两年AI火了一阵儿但是很明显从现在来看技术不成熟导致它的应用大部分都是泡沫所以这个小伙伴又换了方向。但是他AI的时候他通过软硬件技术结合对软件和硬件都有了一定的感觉。传统的互联网产品经理对软硬件结合是非常不适应的整个北京来说是偏软件的多偏硬件的是非常少的。他认为软硬结合是一个趋势就通过过往的工作优势顺利地迁移到了北京的一家机器人公司。他对各种技术了解也是比较多于是把各种AI不断产品化到各个垂直的场景里比如巡逻机器人、银行大堂经理机器人等。【案例-2】另外一个小伙伴之前是在一家中关村的互联网金融公司做征信产品并不懂AI。后来某个大型的互联网公司有金融业务缺金融类产品经理人才这个小伙伴凭借自己做过征信懂业务就过去了。然后慢慢和算法工程师磨合逐步转为了AI产品经理目前工作已进入正轨。其实现在整个市场上AI产品经理是非常稀缺的。很多人都是误打误撞或者是从过往经历或者是从业务或者是从对技术理解入手进入了AI行业。并不是把所有的事都准备好了然后再去从事这个行业的。基于AI的推荐系统设计再举一个AI产品经理具体工作的例子我们刚开始做AI推荐业务的时候只知道AI有用但并不知道怎么用。只能去不断地在了解和认知市场。期间走了很多弯路比如最初我们做推荐业务是一种外包模式。什么客户我们都接电商的、短视频的、直播的、新闻的、个性化营销的我们都接。后来就会发现我们虽然接了很多客户但是没有一套完整的套路所有的事都是给不同的客户提出的不同的需求和一些线上的bug在“擦屁股”。很多产品做得非常臃肿希望适应所有的情况但是这样的产品就会变得非常复杂非常不易接入。这个阶段我们推荐系统中的很多工作是人来做的非常不自动化、不智能。比如给不同的客户配召回、做推荐排序都是定制化地做召回定制化地给客户通过历史行为数据和物理数据来做建模。我们遇到了业务瓶颈大家看似都很忙但是并没有什么成果。不得已之下我们调整了策略以产品化的方式通过不断地缩小产品的边界来解决我们的窘境。什么电商这些东西我们都不用了我们只做媒体或者是中小型站长。之前我们还做移动端大家都知道移动端是主流但我们现在只做PC端。因为觉得PC端发版快是一个存量市场很多技术都是比较成熟的是一个更容易做的市场。以前我们接入一个客户推荐系统需要两周甚至一个月的时间如今我们的接入效率已经降到了一小时之内。因为我们做自动化、智能化的事同时通过技术手段和系统化的方式解决了很多之前需要手动解决的问题。当然我们做到现在还比较初级经常觉得对客户的认识或者是对市场的认识还不够。这是一个做业务正常的状态你始终会觉得有瓶颈始终不断地往前走是一个逐步落地的过程。这个过程可能还是要持续一段时间但是产品化相对于之前已经成熟了很多。Q1您做产品经理最大的收获是什么或者是什么导致您选择做这块A1产品经理是一个强思考、强实践的岗位。你需要思考、实践去输入很多信息这样就会潜移默化地影响了你这个人影响你去认识世界和改造世界的能力我觉得这是给我最大的这样有收获。比如在现实生活里我做任何决策都会做一些基本的调研再去整理加工这些调研得出一些结论最后再去行动是有这样一个过程的。在读研的过程中写过一段时间代码但是觉得写代码的成就感没有做产品经理大就机缘巧合去做了产品经理。到第四范式做推荐系统产品经理其实也是一种机缘巧合。因为之前做过某个新闻客户端的产品经理主要是偏用户体验的对内容分发这一块儿也有一定的了解。再加上有一定的技术背景所以才能去到第四范式。我去之后随着然后整个公司在不断扩大招人的门槛也越来越高了。做了一段时间的就越来越发现很多以前认为自己知道的、了解的行业其实了解得非常少。现在是处于知道自己不知道这样一个阶段还是需要不断的积累才能从认知上有一定的提升进入下一个阶段。Q2请问能大概说说常见的一些算法的名字以及应用吗A2古典的推荐系统是亚马逊最早用的推荐系统到现在已经差不多二十年历史了。亚马逊当时的推荐系统没有机器学习排序这一步主要是协同过滤具体包括两种算法UserCF和ItemCF。 她们本质的理念是相同的就是利用群体智慧来做推荐。UserCF是基于用户做推荐系统。比如你是在北京收入比较高另外一个人也是在北京收入比较高我会把你们归为一类人做推荐。如果他买了宝马车我就会给你推这样宝马车。因为我认为你们是一类人他买了这东西你也有可能买这样东西。ItemCF基于物品的协同过滤。这个算法有个经典案例一个有孩子的爸爸去超市买东西买了尿布也会买啤酒。这就是基于物品的协同过滤。如果我确定你买了手机也会买手机壳。同时呢另外一个人买了这个手机了我也会把这个手机壳推荐给他。这就是基于物品的协同过滤。当然在推荐这一块儿常用算法还包括最新最热有纯基于内容的推荐还有一些其他的。但是协同过滤算是最主流最经典的。另外一块儿主要用到AI技术的是推荐系统排序这一块儿。因为召回主要是从数据库里把大量数据变成一个小的数据集。排序相当于把小的数据集从高到低打分把打分最高的那些内容最终推荐给终端的用户。排序这一块儿目前比较主流是LR模型——线性回归。因为利用线性回归模型有比较大的好处。一方面是他计算成本、计算时间是比较可控的。另外一方面是它的可解释性比较强。比如我推荐了一个东西然后客户给我反馈这个推荐不准或者推荐有问题我就可以相应地调LR权重调整推荐的问题。如果你用深度学习算法推出去了都不知道怎么排的。可解释性在推荐系统里的排序这一块儿还是比较重要的。Q3当前做AI产品经理的最大难点是什么A3有很多其他行业的产品经理想做AI产品及经理自己学了很多线性代数、概率论、高数这些东西。其实你真正去做AI PM就会发现这些东西不太重要因为AI PM在当前的阶段最重要的是如何把AI应用落地从商业上可行。算法细节完全可以算法工程师来做。目前阶段做AI产品经理更重要的是要能用AI技术解决现实的问题。凡是不解决现实问题的AI产品经理全是耍流氓。其次要商业模式上可行。无论你是给公司积累数据还是有一些其他的商业变现手段商业路径得是跑得通的。这是一个难点而且也是整个行业目前的难点。Q4我现在在做传统的互联网产品经理想转AI产品经理的话需要做哪些准备学习专业知识的话需要学到什么程度有必要报一个AI的培训班吗A4传统互联网产品经和AI产品经理差别其实刚才已经讲了一下主要有三点首先连接和效率本质不太一样其次是toB和toC不一样再次就是对内容和对技术理解的要求不太一样。这些都是需要弥补的。至于学到什么程度如果写代码你会发现很多东西如果自己学不去应用的话学到什么程度都觉得没有准备好所以我觉得最重要的是应用。然后看一下AI公司招聘的一些要求对着这些要求去准备不断去试错。我觉得现在这个行业还是一个人才稀缺的阶段转的话不难但是重要的是你要选一个比较靠谱的公司因为有些公司可能不太靠谱扛不住。整个市场上的AI培训班很多都是挂羊头卖狗肉他们所谓的AI培训。无非是告诉你python就等于AI。我们群里的很多大佬都知道python就是一个普通的编程语言只是这门语言在数据处理这方面有一些独特的优势但是python跟AI关系不是特别大。如果你想转成AI产品经理去报培训班大概率就是被人家忽悠两万块钱去学了很多python的东西。但是这个东西在你的工作中或者在未来AI产品经理的工作中是一点用都没有。Q5AI领域最好的是几大互联网公司吗A5这个问题得正反两面看。几大互联网公司的优势是它的资金、人才、资源、数据。但是它本身也有局限。最大的局限就是你去听这几大互联网公司的大佬的演讲基本上都还是基于现有的线上业务。同时另外一个比较大的问题是这些公司并不All-In会有很多大公司病。比如就我们知道的跟我们竞争做推荐业务的有很多BAT里边的小团队最后都因为各种内耗把自己的业务给耗死了。并不是说他们人员不优秀资金数据没有优势而是创新者的窘境。大公司会存在大公司的问题没法All-In有很多管理上的问题可能导致它不能在最后胜出。创业公司有创业公司的优势它可以找着一点儿精准地打击投入大量资源打通一个点儿。创业公司也有它的坑比如人员、资金、数据等很多方面都不具备大公司的这方面的优势可能也会走很多弯路。但是小公司的优势就是快它可以瞅准一个点儿打。比如目前在安防领域比较成熟的Face和商汤在人脸这方面的数据积累要比BAT要强大很多。BAT虽然盘子大但是在这个细分的领域是完全干不过这两家公司的。Q6AI 可以大体分为图像语音处理和深度学习这两块吗A6AI技术可以分为浅层学习和深度学习。图像识别和语音识别其实是目前深度学习应用得比较见效的两个领域它们本身并不是一个并列的关系而是图像和语音处理在用了深度学习之后有了明显的效果有了长足的进步。Q7startup公司数据是最关键的吧一般行业有什么途径获取数据吗比如新作医疗诊断或者辅助教育。A7确实AI公司的命门就在于没有数据空有技术尤其对于深度学习。如果没有数据你技术再厉害整件事也是没法做的。目前整个行业里要么是自己通过外包这样的方式来拿你的数据给你做模型要么就是通过投资的方式深度战略绑定的合作你提供给我数据我提供给你服务同时还辐射整个行业。医疗诊断和辅助教育一些互联网公司可能就自己做了。医疗诊断因为很多医疗数据都是在医院里或者在一些医疗机构一般都是通过合作授权来拿到数据做的。还有比如金融领域的一些风控、反欺诈的数据是在市场上可以买到的。一般活数据要比死数据的价值要高很多。Q8请问AI在制造业领域主要可以体现在哪里A8首先需要了解一个背景。目前AI应用分为三种层次既有数据也是AI应用比较成熟的领域或者行业比如互联网、运营商和金融。 既是信息化程度高有大量的数据又有足够的技术能力自己做或者是请外部的团队来做的。信息化程度比较高但是之前没AI应用的领域比如安防。 虽然积累了大量的摄像数据、视频的监控数据但之前都没有做处理可能很多犯人在摄像头前走过了也识别不出来。信息化程度不高AI应用也不成熟的领域比如制造业。 目前主要主流的AI公司一般都不会或者是不太敢碰这样的一个领域。因为首先需要投入大量的成本去解决解决信息化的问题其次才是AI应用的问题。 成本、周期和最后收益的不确定性非常大所以目前我们还得持续的观察 当然也有一些应用比如工业上的残次品和正品的检验识别就是AI典型的应用案例。之前可能都是需要人或者一些其他手段但是其实这个最适合目前弱人工智能中识别和预测的能力。Q9数据打标Tagging是不是外包的居多A9数据打标一般分为三种情况通过招廉价的实习生来做数据打标或者是一些做内容行业的招编辑做打标。很多数据打标公司都是在三四线领着比较低廉的工资在给机器学习和深度学习做对数据的事。可能是未来的一种新模式通过众包给数据打标。但是目前来说这还不是一个特别主流的方法。 众包就是我在网上发布这个活儿也标出标价谁有时间谁就干没有明确的这种雇佣关系。 滴滴的快车、专车和顺风车都是一种众包模式来解决交通的供需不平衡的问题。如何学习AI大模型如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】这是一份大模型从零基础到进阶的学习路线大纲全览小伙伴们记得点个收藏第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。100套AI大模型商业化落地方案大模型全套视频教程200本大模型PDF书籍学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。LLM面试题合集大模型产品经理资源合集大模型项目实战合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】