来自顶尖AI研究员的忠告：听说你也在做AI，这里的四个坑千万别踩！

xman

　　人工智能越来越热，想要在人工智能领域创业的人也随之涌入，但在人工智能领域创业，有很多需要注意的地方。近日，曾经和George  Hotz一起在comma.ai研发无人驾驶汽车的Eder Santana专门撰文，给想要深耕人工智能的创业者提出了四条宝贵建议，一起来看。

　　机器学习实在太受欢迎，以至于它都被当做了AI本身，热度更高的深度学习更是如此。令人高兴的是，你的创业团队已经获得了资金，或者你的团队预算刚刚获得了通过，现在你即将开始进入深度学习领域。
　　之前，你已经从Keras，  Imagenet等人工智能技术中感受到了快乐，这很令人兴奋!可是，当你真的要在商业上开始实践人工智能的时候，那么有几件事是你必须要考虑的。
　　接下来，我会结合几个例子来阐述我的建议，这些例子都是我去年早些时候和George Hotz一起在comma.ai研究自动驾驶时发生的。

　　救命，AI!我该往哪走?
　　1、别让数据和工程师脱节
　　深度学习是一项数据先行的科学。你的团队或者创业存在的全部意义就是为了让这些数据变得有意义。想想看，你只有将文字变得有意义，你才能研发你的人工智能比特币聊天机器人!你只有理解图像、视频等内容，你才能打造下一个Snapchat  Stories式的自动化多媒体拼贴。
　　你应该把数据处理当做你工作的一个核心。一定要在这方面做好它。例如，如果你觉得"只需要15分钟"来准备和加载数据集，那么每次当你发现了更好的模型架构或者在你的Tensorflow代码中发现了漏洞的时候，都必须要白白等待这15分钟的时间。
　　规则很简单。版本化你的数据集，并且预处理一次，之后反复使用。一些类似Celery、Luigi这样的工具会是你的好帮手。
　　如果你是在一个大型的团队工作，团队中的所有任务都需要提交到一个集群，这时应该考虑一个数据解决方案，向模型训练的员工批量提供数据。千万千万不要让团队中的成员在已经知道模型有漏洞的情况下，还必须等到整个数据集都加载完毕才能修改。
　　小故事：comma.ai可能拥有世界上第二或第三大的驾驶数据集。在comma.ai  的早期岁月，为了训练驾驶模型，需要加载时长数小时的视频到拥有700多Gb内存的大型机器上。每当George需要更多数据来训练的时候，他都会立刻增加100gb的内存。我加入的主要工作就是要为这个模型开发一个更好的版本，不过我并不想等15分钟来加载数据。相反，我从一个简单的ZMQ服务开源项目中获得了一些内容。从此，再也没有任何数据让我们干着急了，我们可以扩展我们的训练规模，并且使用更便宜的机器。现在对模型训练的限制，只剩下GPU和它的研发者了。
　　2、从你能可视化的东西开始
　　对深度学习而言，我们很幸运有Tensorboard、最近推出的Visdom、以及其他的一些工具来帮我们可视化结果。我相信数据科学一般来说是最适合可视化驱动开发的，因为可视化让你在研发的每一步都能正确处理你所遇到的问题。你没有必要非得学习d3.js来获得有用的可视化，除非你是JavaScript的狂热爱好者。
　　小故事：在我的离职谈话中，我咨询George的意见，希望获得一些提升工程师效率的建议(相信我，他是我见过的人当中最有效率的，我会抓住每一个机会向他学习)。他的建议是先构建一些东西出来，让这些东西能够可视化我在做的事情。George本人曾经就是这么做的。此外，George  所有的IPython笔记本都有一个滑动小部件，可以在原型设计中迅速显示参数如何影响结果。
　　3、尽早明确你的验证/疑难案例数据集
　　我把充满乐趣的可视化内容放在第二位，是为了让你被"准备数据"吓到之后，能稍作休息。可是，如果你想避免成为一只打字机上的猴子，只会随机往神经网络上添加更多的层，你必须要学会如何衡量进度。
　　问问自己哪些指标与优秀的可交付成果的相关性更好，以及你应该跟踪哪些数据。
　　这或许超过了简单的"随机验证10%的剩余数据"。验证的数据库最好与产品拥有相同的统计属性。同样的产品也能被用于追踪疑难、边缘甚至失败的案例，以制作未来的验证集。因此，你的验证集或许会不断发展，而且应该像训练集一样进行版本化。
　　小故事：我了解到，对于自动驾驶而言，那些在驾驶过程中你必须对车辆进行人为控制的时刻，就是疑难案例和验证集。但是，最好的验证测试是让一名经验丰富的控制工程师上路，以精确地判断自动驾驶系统的质量。如果你在这个行业之中，最好去特斯拉挖工程师过来(开个玩笑)。
　　4、过早的扩张是早期创业公司倒闭的主要原因
　　听到这个建议，你也许会说"别试着教我这些，我听过的创业故事肯定比你多!"诚然，但这里要告诉你的新事物是：你应该把GPU和硬件训练当成和员工同样的因素来考虑。一旦你雇佣/购买了超过你所需要的，你将花费很多的精力来安排多出来的资源。管理集群会很困难，而且深度学习的大规模HPC本身就是一个研究课题。
　　我在这里的建议是：在你想买一个新的GPU之前，你应该保证你所有的GPU都被充分利用。你当然可以像Google一样大手大脚，前提是你的生产力和盈利能力能像Google一样。
　　如果你的团队和公司已经足够大，要严肃认真地招聘那些在基础设施上工作的员工。如果你雇佣了10倍于硬件员工人数的研究人员，却让他们被迫等待，那么最好的情况是他们自己建立适合自己的基础设施，最坏的情况则是他们干脆直接退出。这肯定不是你想见到的状况。
　　小故事：当我有一次离开办公室却没有让我所有的GPU运转的时候，Niel(comma的手机APP副总裁)给了我一个非常失望的神情，这甚至都让我有了"空闲GPU恐惧症"。在今天，这已经成为了一个非常普遍的问题。
　　没错!在人工智能领域工作既富挑战性，又充满了乐趣。确保你对如何处理资源和可视化有一定的思考，那么你会没事的。