【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】
从范围上讲，人工智能 > 机器学习 > 模式识别。最近机器学习愈演愈烈，特别是深度学习的发展，极大的推动了机器学习的应用。不管是图像、语言还是自动驾驶，很多方面，机器学习都发挥了巨大的作用。但是工业生产不同于学术研究，机器学习在生产中还是有一些问题需要注意一下。
1、数据的采集和标注
不同于发表论文，现实生产中的机器学习用的数据更多，需要训练的数据也更多。这个时候仅仅依靠几千、几万个数据集是远远不够的，所以才会出现很多的数据采集公司。当然，数据采集过来之后还需要进行人工标注，这个时候标注的质量就变得非常重要。标注员的训练、数据的预标注处理就显得很有必要了。几十万、上百万份数据需要在短时间内完成，这不是一件轻松的事情。
2、正负样本的判定
机器学习不仅要获得有效数据，还得判断什么是无效数据。所以，如何挑选负样本、怎样设计负样本就需要好好评估一下了。
3、平衡训练成本和正确率
有些效果很好的学习算法，不一定适用于生产，因为性价比不高。比如，svm在大多数时候还没有决策树、逻辑回归好用。对于小的应用来说，基本的bayes、决策树、逻辑回归、随机森林这些算法已经基本可以满足使用了。只有人脸检测、人脸识别、自动驾驶这些场景复杂的应用，需要上深度学习，除了供给大量的数据之外，还需要很多的计算资源，这些都是成本。
4、客户端的优化
通过gpu、fpga、cpu训练得到的模型一般都需要导入到嵌入式设备上。但是嵌入式设备一般资源都是有限的，且他们有严格的功耗要求。况且，除了智能应用之外，嵌入式soc还要处理其他的消息，比如网络、内存、数据库、图形显示等等。所以，如何在model大小、算法预测、流程处理方面进行改进和优化，这也是工业生产中必不可少的一件事情。而这在学术上根本不会进行考虑的。
5、参数调教
不同厂家在算法层面的差异没有大家想象的那么大。最大的不同，我觉得更多体现在参数调教和客户服务方面。没有一种学习模型可以适用于所有的客户场景，所以相对于算法本身，根据现实生产环境灵活调节参数、分配权重、避免计算资源浪费，这或许是最为关键重要的一件事情。尤其是那些场景单一、固定的场合，或许算法本身优化的空间更多。
6、人工冗余处理
机器学习总有失灵的时候。即使识别率可以达到95%以上，也会有看走眼的时候，所以这时候在软件层面添加人工冗余处理的逻辑就显得很有必要。
7、二次优化
对于算法公司来说，提供SDK api很有可能是一次性买卖。但是如何改进自己的算法和效率，那么及时和集成厂商沟通、争取反馈，不管是应用层面还是客户数据层面，对算法和功能进行二次优化，这对于算法供应商来说都是重要的一门功课。