引：算法商城是偽命題嗎？
同樣都是成熟算法，為什么有的落地后精度低于10%，有的卻能達到90%以上？
隨著碎片化AI需求的涌現，市場上出現越來越多“算法商城”，給客戶提供“點單-交貨-支付”的輕型算法服務，讓“買算法”就像“下載APP”一樣簡單。
但落地到現實中，開篇的問題就出來了。帶著這些疑問，我們今天來聊一聊，與共達地AutoML、智慧工地、AI算法商城有關的案例。
“南水北調”路上的困境
案例發生在“南水北調”河北路段某工地上。
客戶想對工人是否佩戴安全帽、是否穿著反光衣進行識別。
無需贅述，這個需求不論對于人工智能領域還是智慧工地領域，都是“老熟人”。市面上有大量“安全帽識別”、“反光衣識別”類成熟算法，在整個智慧工地建設中，也屬于末端小需求。
但就是在這個末端小需求上，翻了車。
最初，客戶采購了市面上某AI廠商算法商城中的成熟算法，順利部署到應用場景后，精度竟然不足10%——用客戶的話說，滿屏誤報，讓人瞠目結舌。
雙方開始排查問題，迭代算法。
事情并不復雜，該算法商城提供的成熟算法，在常規場景下，準確率確實能達到商用水平，但實際應用場景卻并不常規。一是攝像頭距離被被識別物非常遠，且變焦球機來回運動，被識別的安全帽和反光衣都變成了“極小目標”；二是識別場景是在夜間，算法“看到”的數據特征與訓練算法時所使用的數據特征千差萬別。
由此，應用場景識別準確率低于10%也就不奇怪了。
現場實景：識別對象距攝像頭較遠
后面的迭代之路漫長且艱辛。
對于這家AI廠商而言，客戶要的并不是常規的安全帽識別、反光衣識別，需要安排專門的算法工程師團隊就夜間場景特征重新迭代算法，這場合作也就不是“下載算法”型的輕量交易，而是堆人頭、堆工時的重型算法定制。
客戶的感受也很糟糕。早期的滿口承諾被滿屏誤報狠狠打臉。重新迭代算法還要配合提供近萬張圖片，既沒有專門的人力支持，也沒有懂行的專家，新增的工期和成本更是讓人一肚子怨氣。合作陷入了僵局。
案例梳理到這里，AI落地過程中的幾個大坑已經浮現了：
一、業務壁壘。懂算法的人不懂場景，懂場景的人不懂技術，導致明明可以在前期說明的應用風險沒有被及時識別，為合作埋下隱患。
二、場景適配。通過預訓練大量算法，打造算法商城，填補市場上的算法供應空白，擴大人工智能的應用邊界，這是一個很好的思路。但事實上，不存在真正“成熟”的算法，或者說，成熟的算法必然是不斷“成長”的算法。所以，適配碎片化場景時，是否支持高效、輕量的“適當定制”，成為算法商城的一道坎。
三、算法產能。當問題進入到“定制”環節時，就需要重新拷問傳統堆人頭、堆工時生產算法的模式，在效率、成本上是否能跟上客戶需求了。目前市場給出的答案是否定的。
對于這一點，深度參與這個項目的AI”老炮“吳先生深有感觸：“我們在一線市場上，看到越來越多政企客戶的招標書中，主動把AI作為重點建設內容，這是以前所沒有的場景。當新的客戶、新的需求冒出來時，如果你一套算法研發周期動輒幾個月，成本上百萬，客戶根本接受不了，更不用說扛過試用階段，往二期、三期推。”
夜間場景
所以，分析完這些問題，一個清晰的結論浮現出來：當前人工智能應用環節中的問題，歸根結底還是算法供給端的結構性問題——AI算法生產工具低效、生產模式落后所導致的問題，今天在智慧工地上可能是精度驟降，明天可能是工期漫長，后天則可能是硬件適配問題——源頭的癥結在表層可以有千萬種展現，我們要去解決根本問題。
更簡單但更強大，可能嗎？
共達地接觸這個項目時，工期已經變得非常緊張，于是我們采取了“摸著場景過河”的策略。
在共達地的算法商城里，也有“成熟”的安全帽識別算法和反光衣識別算法。于是，初期我們也把這些算法部署到應用場景，也取得了極低的識別準確率，不到70%。
但主菜在后面。共達地的項目經理分析了常見誤報，主要來源于兩類場景：一是被識別物與攝像頭較遠，低于識別的基本像素要求；二是容易將“像”安全帽的物品誤識別為安全帽，尤其是當場景復雜、光線變化時。
于是，共達地的項目經理一方面對系統誤報進行重新標注，手動糾正算法的重點錯誤；另一方面登錄前端盒子，采集現場真實視頻流，進行針對性地數據補充和喂養。然后以一天一個版本的速度進行算法迭代，終于在5天迭代3個版本后，實際應用場景的算法精度超過95%，達到客戶的要求。
共達地算法的應用效果
這個過程講起來特別簡單，但越是簡單的事物，背后越是有一套龐大的支持系統。大家可能已經留意到幾個關鍵指標：
一是在數據補充和優化方面，似乎沒有遇到太多障礙。
在傳統的算法定制模式中，需要上千近萬張圖片，才能喂養出一個精度較高的算法。但對于大部分傳統產業客戶而言，既無法提供足量照片，也無法提供有力的人員支持。
所以，共達地在技術層面，支持基于較小樣本的算法訓練；在策略上，支持異地采集，第三方標注服務，通過小步快跑的方式，讓算法基于場景迭代、生長。在這個案例中，每次迭代優化500-1000張圖片，三次迭代下來也只處理了不超過3000張圖片，加上與曼孚、數據堂等數據服務機構的合作，極大地提高了效率。
二是成熟算法的輕量定制過程十分流暢。
客戶與原AI廠商的合作之所以難以推進，主要在于重新定制算法將耗費大量人力和時間。這是傳統AI生產模式的客觀現實。
共達地的差異點在于，無論是算法商城中的“成熟”算法，還是部署到應用場景后算法的持續迭代，都是基于共達地AutoML自動化AI訓練平臺完成的。也正是因為平臺完成了原本依賴人力的80%的工作，所以才能讓算法以天為單位迭代。
三是不僅交付效率高，人員投入還少。
在項目對接和交付過程中，主要由共達地項目負責人主導，沒有算法工程師的參與，客戶全程幾乎零人員投入——這是許多AI廠商和產業客戶共同期盼的分工方式。
這種分工背后，除了共達地AutoML自動化AI訓練平臺承擔了80%的“黑盒”工作外，還有數據處理環節，曼孚、數據堂等專業服務服務機構的加入，讓工作效率提升了許多；同時部署環節百余款主流芯片的提前適配，也讓工時縮短了數月。
正是背后這一整套復雜系統，支撐了業務環節的簡單交付。
定制VS標品
回到最初的問題：同樣是算法商城，各家到底有什么區別？
事實上在這個案例中，共達地交付的不只是一款算法，而是一整套“軟件平臺+硬件設備+生態服務”的閉環能力。
在這個體系下，不論這個項目負責人來自共達地，還是集成商、政企客戶，都不重要。因為“生產算法”這項工作，已經從高度依賴從業者的專業算法知識儲備，變成僅僅需要了解業務需求和操作流程。這就像許多復雜儀器的生產，從老師傅手工打磨，進化為工業流水線。工人只需要知道如何操作機器，就具備了出色交付的基礎。
而在這套能力內，軟件、硬件、生態各個環節是互相扣合、依存的。當我們談論“產業+AI”時，AI算法的大規模、高效率供應只是一方面，更重要的是，當原本離AI較遠的傳統產業，涌現出大量需求時，整個AI產業是否能及時提供客戶隨時可獲得、到手即可用、應用成本低、全程服務支持的完整能力。
在這一點上，共達地的算法商城解決的是產能供應問題，與硬件、芯片、數據服務商等的生態合作，解決的是落地鏈路問題。
共達地：AI as a service
對于這種變化，AI”老炮“吳先生的評價是”先行者“。吳先生見過太多”黃掉“的需求，背后的原因也無外乎成本高、周期長、技術不穩定——這些都是AI落地的頑疾，也無一不依賴生態上的整合，如果這些問題不能被硬核地解決掉，就只能讓AI賦能的夢想被湮沒。
當整個完整生態聚合到一起時，客戶不需要額外購買硬件、不需要費時費力處理數據，不需要為軟硬件適配問題所導致的工時和人力成本買單，所有這些能在上游供應端通過合作共贏解決的問題，都不會流到下游成為客戶的爛攤子。
也只有在有了生態支撐后，算法商城的輕型交付才具備了可行性。算法商城作為中轉站，一方面承接基于AutoML自動化AI訓練平臺生產的海量算法，另一方面作為與產業客戶溝通的平臺。當客戶選中某一款算法時，根據應用場景特征，數據服務前置到算法迭代過程中，硬件服務前置到算法部署環節中，產生基于標品的輕量定制——“標品”負責拓展AI與產業融合的邊界，“定制”負責落地過程的絲滑適配，讓算法商城從“死的算法交付”，變為“活的算法服務”，或許才能真正撓中產業客戶真正的癢點。
