一、人工智慧行業落地方向探討與人工智慧在服裝行業落地的機遇與挑戰

概念：最早是從15年，阿法狗獲得世界冠軍這樣的事件讓其回到人類的視野.從16年到現在，阿法狗也做了很多的改進，比如AlphaGo zero、Alpha zero， 整個改進的歷程和路徑其實和我們解決人工智慧問題的方式其實是非常相似的。

最先是個強調監督學習的軟體；到AlphaGo zero強調的是訓練資料，通過自我博弈去生成訓練資料，或者其他的方式減少對訓練資料的依賴 ；再到Alpha zero能夠做到更通用。除了圍棋之外，人工智慧已經落地到很多維度，如無人車。

簡單回顧一下人工智慧發展的過程。其實並不是最近幾年才有的概念，在很早之前隨著計算機的誕生就已經開始了。人工智慧在落地的過程中有兩個重要的點，一是對需求的把握；一是對技術邊界的把握。

人工智慧現在涉及落地的領域。

在這麼多領域當中可以發現沒有找到服裝行業有相關的科技巨頭，那麼人工智慧是否能輔助服裝行業或者落地到服裝行業呢？

這是知衣科技現在在做的事情。我相信任何相關從業人員解決的都是兩方面的問題，一是問題是否有價值，二是模型是否能創造價值所需要的精度。

如何把人工智慧落地到行業中去？在這一點知衣科技是怎麼做的？

首先尋找行業的痛點。主要有三大塊：做什麼？怎麼做？怎麼賣？怎麼賣：淘寶等平臺豐富；怎麼做：智慧共產比較熱的話題，是否所有的車間都能實現無人化呢，在服裝行業還是比較難實現的。那麼做什麼就成了最大的問題，所有的服裝都是從設計開始。在我們充分的市場調研發現做什麼十分重要，第一它直接決定了款式好不好，庫存怎麼樣，賣得怎麼樣，現在相對來講沒有很好的系統輔助，現在我們發現還是可以通過技術手段網際網路方式來解決。

設計師獲取靈感方式

設計師找素材其實非常不方便的，這是設計師現在很大的一個痛點，我們也主要是圍繞這個。我們需要去把不同的資料彙集起來，打通結構化和非結構化資料，從中分析出流行趨勢和變化規律以及好賣的款式，如何從海量的資料去獲取設計師需要關注的資訊，AI就會從中做出分析，過濾無用資訊或者讓有用的資訊更凸顯，這就是知衣科技目前要解決的問題。

二、解決人工智慧問題的思路與方法論

我們希望去推薦好的時尚圖片，首先就要去分解問題，大問題化解為數個小問題，使得每個小問題都有解決的方案，知衣科技做的是圖片推薦，第一個做的就是對圖片的理解；第二個才是對圖片的推薦。把圖片變成一些特徵的向量之後，把圖片之後的特徵全部提取之後，之後就和經典的推薦差不多，在任何一個人工智慧問題的解決中分解問題、轉化問題都非常重要。

當我要解決推薦問題的時候我也會看看在相似場景都適合怎麼落地的，谷歌的推薦系統就很有借鑑的意義，這個時候就要判斷一下里面相似部分和不相似在哪裡，針對不相似部分要如何處理，相似部分該怎麼借鑑，這是推薦所有入門同學去處理問題的一個方式。

前面提到了很多應用，大部分都是利用深度學習來進行的，但深度學習不是萬能的，在有些領域也是不適用的。

三、訓練資料收集

大概的流程：

多層複雜特徵提取這一點多深度學習來說非常重要，這是深度學習能夠突破瓶頸的核心。

介紹一些知衣科技的經驗，主要分為兩個部分。資料收集對於最終的模型訓練非常重要，首先要對圖片去進行理解，打標籤，指定標籤，在落地過程中標籤體系的建立花費特別多的時間，這取決於模型的能力。

隨著業務需求的深入需要更細緻的標籤 如何在最短的時間指定相對持久的標籤取決於三方面，首先要借鑑已有的如淘寶；第二點利用專業能力和理解力來判端並做出相匹配的標籤體系；最後是演算法的能力。

標籤體系制定好之後就是如何去收集標籤。大部分機器學習模型比較依賴訓練資料的準確率，所以說一個很好的系統去輔助打標籤是非常重要的事情，知衣科技就研發了一個非常好的打標系統。儘可能地利用機器學習模型來得到結果，結合模型的輸出，給出候選答案，幫助去更好的收集資料。

四、模型調優方法論

首先要解決的問題是物體識別，哪些部分是服裝，這是經典的影象識別問題。

然後要根據應用的情況選擇演算法框架，對比三個主流的框架，在精度和速度方面我們選擇了yolo3.

選擇好基本框架之後我們就要考慮怎麼去優化。不管怎樣調參，幾次之後還是會有問題的存在，在怎麼去改進，比較主要的方法是做錯誤分析。比如在做錯誤分析的時候，發現對小物體的識別是比較困難的，發現這個問題之後就去找相應的實現方法，選擇適用於你的方法。

感覺有用的朋友，點個關注，給個收藏，就是對我堅持更新，最好的支援