人工智能

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。

唐老鸭人脸识别

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。