虽然概念上，人工智能和机器学习不等同。但是本文提及的AI，指的是基于机器学习的AI.
一个软件产品，出了错误叫bug，bug需要修。那一个机器学习的模型，准确率在那摆着呢，大伙心知肚明是有一定的犯错率的，怎么办。想了想，可能就是这么办吧。
不予理会。推荐引擎推荐错了，质量不高，也不会搞出什么大问题。continuous research，以提高转换率为目标，继续努力就好了。
和bug一样，得修，模型必须改进。比如说，公交车董明珠的广告当作董明珠闯红灯。
和bug一样，得修，可是模型该进不了了。写一些rule，强行修正，或者在模型前端写一些rule来过滤。比如说NER专名识别，可以写一些正则表达式来补捉一下被模型漏掉的词组。
或者干脆公开表示，模型是有错误的，对错误敏感的问题，请根据评分，进行人工干预纠正。
对于QA来说，AI Bug真的是比较头疼。什么是bug嘛。你倒是给我说一下，什么样的错误得报告。AI QA说，AI部分的测试，大部分的情况就是做一下合理性检测，保证一下没有因为软件的bug，而使得输出的都是垃圾的问题。模型质量还是必须依赖实验室的统计数据为准。确实，对于AI QA也没什么标准可循。
最近听一个talk，其中提到，过去十年，大部分的企业的AI feature还是nice to have. 未来十年是must have. 既然是must have，那对于质量问题就必须正面严谨对待。对于AI能够解决的问题，市场营销上也从搞噱头造势，转到更加实事求是地阐述AI在该领域能解决的问题。曾经看到一个Legal AI是这么说的，我们不是要取代你们的工作，我们是让你们的工作更加的轻松，不用浪费生命与枯燥重复的事情上。基于这样的定位，对于AI的错误，势必要严谨对待，不能向以前那样不管，以前反正是nice to have的功能嘛。
Amazon去年release了a2i，提供了一个用户反馈框架，让用户审核那些评分较低的预测。这看上去貌似和主潮流不符。research届不是此起彼伏报告模型准确率破纪录吗，怎么这么多年过去了，还搞人工干预纠正AI了。我想这也可能是AI implementaion走向成熟期的一个表现吧。真正的做到普及之前，必须有能力对质量有更好的monitor，对错误作出及时的反馈。目标是一个成熟可用的系统，而不是nice to have的无人问津的功能。当然a2另外一个很大的作用是收集用户的反馈来作为模型输入，以更好的提高模型质量。
提到修AI Bug的强有力手段，rule，想起了多年前一个朋友曾提及他的朋友在某公司从事AI，后来发现流水线上起作用的主要部分是rule，而不是机器学习算法。作为新生代AI宗教信徒的他，过不了这个fake AI的梗，果断离职。不过相信多年磨砺之后，遭遇了AI领域更多理想和现实的矛盾，现在可能没当初那么义愤填膺了。大部分的机器学习工程师对于rule的感情是很复杂的，既鄙视它，又离不开它。实际上，如果不是完全黑盒子的深度学习，AI 流水线上需要涉及到很大工作量的特征工程。而很大可能，某个特征就是一个rule产生的。纵览整个流水线，rule比重多一点还是机器学习算法比重多一点呢。AI落实到实际产品，脚踏实地必须自动化一些重复工作的时候，可能并不需要太较真。毕竟rule工作本身很繁琐，当算法在工程上达到标准后，rule被取代那是必然之势。
阅读作者更多原创文章，关注微信公众号:
