作者：Arnault

編譯：ronghuaiyang

導(dǎo)讀

如何把你的人工智能想法轉(zhuǎn)化為可用的軟件。

建立一個(gè) AI PoC 是困難的。在這篇文章中，我將解釋我的思維過程，使我的人工智能 PoCs 成功。

“我的鬧鐘能不能利用交通信息及時(shí)叫醒我去上班？”我們都想過求助于人工智能來解決我們的一個(gè)問題。概念證明(PoC)的目標(biāo)是測試是否值得在其中投入時(shí)間。構(gòu)建 PoC 是困難的，但構(gòu)建 AI PoC 則更加困難，因?yàn)樗枰罅康募寄堋?/p>

在構(gòu)建 AI PoC 時(shí)，數(shù)據(jù)科學(xué)只是工作的一小部分，但它是最重要的技能之一。很容易找到一些非常好的教程來教你如何解決一個(gè)特定的任務(wù)，如何構(gòu)建一個(gè)檢測算法來停車入庫。如何部署一個(gè) flask app 到云上。但是，為你的特定問題設(shè)計(jì)一個(gè)解決方案要困難得多，這主要是因?yàn)槟阈枰笾笥X地將問題重新組織成標(biāo)準(zhǔn)化的任務(wù)。

在這篇文章中，我將解釋我實(shí)現(xiàn)這一目標(biāo)的方法。

首先，我將回顧一下人工智能系統(tǒng)是什么樣子的。然后，我將描述我設(shè)計(jì)一個(gè)人工智能的 3 個(gè)步驟的過程。最后，我們將看到兩個(gè)示例，一個(gè)簡單的示例和一個(gè)完整的帶有 python 實(shí)現(xiàn)的示例。

人工智能系統(tǒng)概述

作為一個(gè)例子，我將使用一個(gè)分類文件的系統(tǒng)來說。它回答的問題是，“這是什么類型的文件？答案是類似于“電子發(fā)票”或“待辦事項(xiàng)”這樣的類。

AI 工作流程包含 5 個(gè)步驟：

• 收到問題：“這是什么類型的文件？”
• 在用戶或上下文中添加補(bǔ)充數(shù)據(jù)：“用戶擁有什么類型的文件？”
• 使用數(shù)據(jù)回答問題：“這個(gè)文件屬于哪種類型？”，"這是能源發(fā)票"
• 存儲(chǔ)結(jié)果：添加新文件到數(shù)據(jù)庫
• 回答客戶的問題：“這是能源發(fā)票”

你可以把它分成 3 個(gè)任務(wù)或語義塊：

• 處理客戶：接受問題，讓他等待……示例：HTTP 服務(wù)器
• 數(shù)據(jù)調(diào)?。号c“公司知識(shí)庫”溝通，增加或接收相關(guān)數(shù)據(jù)。與數(shù)據(jù)庫的通信
• AI 部分：回答這個(gè)問題的 AI 本身，以及上下文。例子：專家系統(tǒng)，支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)…

回答問題“這是什么類型的文件？

你可以在網(wǎng)上找到關(guān)于如何架設(shè)你的服務(wù)器或數(shù)據(jù)調(diào)取層的教程。Python 中最簡單的 AI PoC 解決方案是使用 Flask 和 SQL 數(shù)據(jù)庫，但這在很大程度上取決于你的需要和你已經(jīng)擁有的東西。我們將專注于設(shè)計(jì) AI 本身。

設(shè)計(jì) AI 部分

人工智能任務(wù)可能涉及多個(gè)異構(gòu)輸入。例如，用戶的年齡和位置或整個(gè)電子郵件討論。

人工智能的輸出取決于任務(wù)：我們想要回答的問題。人工智能有很多不同的任務(wù)。在下面的圖片中，你可以看到一些常見的計(jì)算機(jī)視覺任務(wù)。

一旦你從標(biāo)準(zhǔn)化的輸入和任務(wù)中走出來，想辦法構(gòu)建一個(gè)人工智能就會(huì)變得很復(fù)雜。

為了讓我了解構(gòu)建 AI 的復(fù)雜性，我使用了一個(gè) 3 步的過程。

步驟 1：瀏覽相關(guān)的輸入

首先，收集你覺得能夠回答手頭任務(wù)的所有輸入，并選擇在大多數(shù)情況下能夠自給自足的輸入。

在測試人工智能想法時(shí)，很容易變得貪婪，并考慮包含大量輸入的解決方案：例如，用戶的位置可能會(huì)讓我了解他們的下一封電子郵件是什么。事實(shí)是：人們很容易迷失在各種不同含義或性質(zhì)的輸入中，最終什么也得不到。

在建造你的 AI 時(shí)，堅(jiān)持簡單的，自給自足的輸入。

步驟 2: 數(shù)據(jù)向量化

第二步是對這些輸入進(jìn)行預(yù)處理，使其可用于各種算法。在某種程度上，每一個(gè) AI 過程都要經(jīng)過一系列的步驟來獲得一個(gè)向量表示。

文本到向量：基于詞的計(jì)數(shù)來構(gòu)建向量

這個(gè)過程非常簡單，比如計(jì)算單詞在文檔中出現(xiàn)的頻率，或者直接使用圖像像素的值。它也可以變得非常復(fù)雜的多層預(yù)處理。

圖像矢量化：根據(jù)像素值將PNG圖像矢量化為48×48灰度矢量

輸入可以是非常不同的：不同的大小、顏色比例或圖像格式。請記住，這里的思想是構(gòu)建所有輸入的有意義的、規(guī)范化的表示。

構(gòu)建規(guī)范化的輸入和有意義的表示。

步驟 3：處理向量

第三步是考慮輸出和如何實(shí)現(xiàn)輸出的時(shí)刻。

與輸入一樣，輸出也需要“向量化”。對于分類，它很簡單：按類劃分一個(gè)字段。

然后，我們需要找到從輸入向量到輸出向量的方法。最后，這是我們開始尋找 AI 時(shí)學(xué)到的第一件事。它可以涉及到一些簡單的任務(wù)，比如找到最近的向量或最大值，也可以涉及到更復(fù)雜的任務(wù)，比如使用巨大的神經(jīng)網(wǎng)絡(luò)架構(gòu)。

大多數(shù)任務(wù)，如回歸、分類或推薦，都有詳細(xì)的文檔記錄。對于 PoC，最簡單的操作是使用一個(gè)預(yù)先實(shí)現(xiàn)的算法庫，如scikit-learn并進(jìn)行測試。

分類任務(wù)上的向量輸出

找一些簡單的和預(yù)先實(shí)現(xiàn)好的算法。

一個(gè)直接的例子

任務(wù)：文本是法語還是英語？

解決方案：

步驟 1：瀏覽相關(guān)輸入。如果沒有任何源或其他元數(shù)據(jù)，文本是惟一可能的輸入。

步驟 2：向量化數(shù)據(jù)。向量化的一個(gè)簡單方法是計(jì)算英語單詞和法語單詞的數(shù)量。我們將使用特定語言中最常用的單詞。它們被稱為停用詞：the, he, him, his, himself, she, her…

步驟 3：處理向量。然后，我們可以選擇使用這兩個(gè)值中最高的值進(jìn)行分類，以獲得二進(jìn)制輸出：True 或 False。

維基百科中法語和英語的頁面按照詞綴比例隨機(jī)劃分。藍(lán)色的異常值是關(guān)于 Ferroplasmaceae 的法語頁面，遺憾的是，它包含的英語參考文獻(xiàn)比法語句子還多。

構(gòu)建人工智能通常是人類專長(商業(yè)知識(shí))和計(jì)算機(jī)智能(機(jī)器學(xué)習(xí))的混合。在這個(gè)例子中，由于法語和英語的停用詞，我使用了人類的專業(yè)知識(shí)來選擇如何構(gòu)建我的向量。我也可以使用機(jī)器學(xué)習(xí)來訓(xùn)練一個(gè)模型，要么構(gòu)建一個(gè)相應(yīng)的向量(步驟 2)，要么學(xué)習(xí)更復(fù)雜的向量的分類(步驟 3)。

一個(gè)更復(fù)雜一點(diǎn)的問題

在一次會(huì)議上，我與一個(gè)從事數(shù)字安全項(xiàng)目的人交談。他告訴我，他想幫助他的用戶對他們的個(gè)人文檔進(jìn)行分類和排序：合同、賬單、文件……他注意到，隨著存儲(chǔ)的內(nèi)容越來越多，文件夾樹也越來越復(fù)雜，人們往往會(huì)對自己的文檔進(jìn)行錯(cuò)誤的分類。找到他們想要的內(nèi)容也變得更加困難。搜索引擎只是在“修補(bǔ)”問題，而不是消除根本原因：只有在知道準(zhǔn)確信息的情況下才能找到文檔，而文件夾仍然很混亂。

那么我們該如何解決這個(gè)問題呢?

注：我真的開發(fā)了這樣一個(gè)系統(tǒng)：https://github.com/Wirg/digital-safe-document-classification

闡明 PoC 的思想并定義其范圍

我們將設(shè)計(jì)一個(gè)用戶界面，用戶可以上傳一個(gè)文檔，然后提示用戶這個(gè)文檔最適合的文件夾是什么。我們希望支持這些類型的文件：txt、text、markdown 和 pdf。

“data_to_read”是我放想要閱讀的文章的文件夾。Work 是一個(gè)文件夾，里面有我以前的學(xué)校報(bào)告(主要是數(shù)據(jù)科學(xué)項(xiàng)目)。在 15 個(gè)文件夾中選擇 2 個(gè)。具體實(shí)現(xiàn)：https://github.com/Wirg/digital-safe-document-classification。

我們想要提示用戶的是他們當(dāng)前的文件夾，而不是舊的或來自其他人的文件夾：答案必須是特定于用戶和特定于時(shí)間的。

步驟 1：瀏覽相關(guān)的輸入

首先，我們需要知道用戶的文件夾，否則我們將無法回答。要做出選擇，我們可以使用：

• 文件的內(nèi)容
• 添加時(shí)間：有些賬單可能是按月支付的，有些任務(wù)可能大部分是在特定時(shí)間內(nèi)完成的
• 文件名和類型：" energy_invoice_joe_march.pdf "、“pdf”

在我們的例子中，最可靠的輸入可能是文檔的內(nèi)容。我們將使用上傳的文檔和用戶文件夾的內(nèi)容作為比較。我們來關(guān)注一下。

步驟2: 輸入向量化

現(xiàn)在，我們有不同的輸入格式：pdf、markdown、text、txt…我們可以直接處理 markdown 和其他文本格式的文件內(nèi)容。但是我們必須處理 pdf 文件，才能像其他文件一樣使用它們。

我通過谷歌搜索找到了這里使用的工具 Pdftotext。它是有效的，但有一個(gè)巨大的缺點(diǎn)，它不執(zhí)行光學(xué)字符識(shí)別(OCR)。這意味著它將讀取大多數(shù) pdf 文件，但無法讀取由圖像或掃描件創(chuàng)建的文件。為了解決這個(gè)問題，我可以使用像 Tesseract 這樣的替代方法，但是我不會(huì)在這個(gè)例子中使用。

我們想把文本轉(zhuǎn)換成向量，讓我們來看看scikit-learn。我們找一個(gè)文本向量化的工具，我們找到一個(gè)文本的特征提取包。這正是我們要找的。它有兩個(gè)向量化工具：一個(gè)基于單詞計(jì)數(shù)，另一個(gè)稱為 TfidfVectorizer，我們使用的就是這個(gè)。

首先將發(fā)票pdf轉(zhuǎn)換為文本，然后轉(zhuǎn)換為向量

Tfidf 表示詞頻和逆文檔頻率。它基本上是數(shù)字，但用了一種更聰明的方法。其思想是，我們不只是計(jì)算單詞的數(shù)量，而是通過計(jì)算單詞的頻率，并將其與文檔中的單詞數(shù)量進(jìn)行比較，從而了解文檔中某個(gè)單詞的重要性：詞頻(term frequency, TF)。然后，我們將其頻率與文檔數(shù)量進(jìn)行比較。文檔中出現(xiàn)的頻率越少，它對文檔的影響就越大：逆文檔頻率(IDF)

步驟 3：處理向量

我們需要一個(gè)最佳文件夾的列表作為最終輸出。將文件夾名映射到數(shù)字很簡單。但是我們不能得到一個(gè)簡單的標(biāo)準(zhǔn)化輸出向量因?yàn)檩敵鱿蛄康拇笮?huì)改變。實(shí)際上，文件夾的數(shù)量在很大程度上取決于用戶及其當(dāng)前文件夾。由于這個(gè)原因，我們不能使用固定數(shù)量的類的普通分類算法。我們需要每次都對模型進(jìn)行重新訓(xùn)練，并為每個(gè)用戶構(gòu)建一個(gè)模型，或者為所有用戶構(gòu)建一個(gè)大型模型。

但是我們已經(jīng)在向量化過程中加入了“智能”。因此，我們將采取另一種方法，更類似于搜索引擎：對上傳的文檔、文件夾中已經(jīng)存在的文檔進(jìn)行矢量化，并比較結(jié)果向量。

為了找到最好的文件夾，我們尋找與上傳文檔最匹配的文檔。

我們找到向量表示與上傳文檔最相似的文檔，并將通過它找到原始文件夾。

使用余弦相似性查找最佳文件夾。

總而言之，解決 AI 問題可以簡化為以下 3 個(gè)步驟:

• 首先，瀏覽相關(guān)輸入
• 其次，向量化數(shù)據(jù)
• 第三，處理向量

我希望它能幫助你實(shí)現(xiàn)你的人工智能想法。

英文原文：https://www.sicara.ai/blog/2019-03-29-how-build-succesful-ai-poc