各位读者好 我已经尝试写过好几次了，但是每次都推迟，因为考虑到需要对所积累的经验进行深入的思考，我感到沮丧和悲伤。但是，我加强了这样做的意图，以便与计划在AI领域做类似事情的你们分享我的经验。以下所有内容均适用于非常特定的活动领域：就计算机视觉而言的AI。
免责声明：我不是神经网络专家，但是我扮演产品所有者的角色，其中计算机视觉的神经网络模型起着关键作用。本文适用于那些被迫执行相同工作的人员，以及那些想了解人们如何从业务角度看待他们的活动的ML专家。
因此，我们正在基于计算机视觉制作产品，其中包括检测，跟踪，识别，重新识别人员，确定其性别和年龄。
很长时间以来，我们一直在进行各种项目，包括那些具有ML元素的项目，但这是我们第一次完成将这一部分作为核心的项目。在这段时间里，作为产品负责人，我学到了很多新奇的东西，并制定了一些原则，这些原则对于成功创建此类产品至关重要。
人工智能产品的风险
风险是巨大的。实际上，当消除所有风险后，AI产品的创建实际上就结束了。如果在使用经典算法创建产品的过程中，您花费5％到20％的时间来冒险，那么对于AI产品，创建产品本身的过程就是在与风险作斗争。我估计，从创建AI产品开始，花在抗击风险上的时间最多可达到90-95％。从这一观察得出重要结论。
对于杂货公司
我们面临的是交货时间表以及因此而导致的成本（极有可能）反复失败。
风险是如此之大，以至于在AI部分完成，测试和交付之前对产品做一些事情是没有意义的。
对于承包商
AI- SMB / . "" Tinkoff, , . — .
, . , " , ".
AI Scrum , .
, , AI, Agile , , , "3 , 2 " .
. , , , .
:
: YOLOv4 – real-time Microsoft COCO
: Yolo4 Yolo3;
TL: , .
, Y3 Y4, .
.
ML, . : / , , , , .
. , . , , , , whatever. ML- , , , . .
, , , , . , , .
( ), ML . -, . , .
, — . .
, , , . , .
, Precision, Recall, F1, etc. .
, , 99.99% , , , , .
-
, . , — . , single shot .
. , realtime Yolo4. — 60 FPS Tesla T4. 416x416 , , FPS.
, Yolo4 , (FYI: ~ 15% ( 110 px 720p). , , . , . , .
: — . single shot ML — , .
- .
, :
- ;
- Yolo4 320x320, 416x416;
- .
" , , , , 320x320, 416x416"?
, , :
- ;
- , ;
- ;
- , , ;
- .
, , single shot -.
IT 15 , , . , ML, , : " , ".
, , , , .
, BigData Backend ML, .
, " " , . … - , , .
— .
, , , ML , , , .
— Terra Incognita
, Nvidia — Nvidia DeepStream . , DeepStream . Nvidia Inception, , - DeepStream, , .
" PyTorch" " DeepStream" , - C, Gstreamer, , , , TensorRT.
DeepStream — , Segmentation Fault, Python c NumPy, — - Gstreamer.
, Nvidia — . , — Nvidia, ML, .
ML- . , , -, etc. .
, , .
, WBS ML… ML- . , Trello -, ML- -.
:
, , WBS.
ML . — , . . " , ".
, :
, . , , .
ML- — , , , , , , , .
ML , , , , -, 23 , 14 16 , .
, . AI — , , - .