碎片化|「小样本+AutoML」，改变算法生产的「核武器」？( 三 ) 苏宁|土巴兔|家电|国美|功守道

"不同的场景需要不同的数据样本，训练出来的模型也不一样，通用算法模型并不适用，精度会大打折扣。"
魏宏峰表示，小样本学习和AutoML从技术上解决算法生产难题，但如何让技术更好地服务于企业，解决实际场景问题，就需要把具体场景痛点拆解之后，融入到整个算法生产过程中，从业务和问题定义开始，到模型调优，最后到算法交付，都要"让懂业务的人参与"。
这主要体现在两个方面：一是让企业在平台上进行实验，也就是业务试错；二是与企业加强交互，让懂业务的人员参与到算法训练中来。
"客户并不追求百分百的精度，能够接受误报，但不能接受试错成本太高，带来总成本上升。"魏宏峰认为，AI下半场由场景驱动，其实也是客户驱动，核心是解决客户（企业）在生产过程中遇到的问题。而AI公司要做好场景，最好的方式是直接与熟悉场景的业务人员交互，而不是AI公司本身去理解行业，否则成本会很高。
对于企业而言，考虑成本收益是其购买技术服务的出发点，成本（包括试错、时间、人力等多个方面）则是第一要素，其次才考虑技术带来的收益问题。
魏宏峰表示，企业购买技术服务之后，只有在降本增效方面取得实际效果，复购率才会提高，AI公司才能形成正向的业务闭环。
"AI只有靠业务，而不是资本推动，才能走出困局，改变行业。"而做好业务的首要前提是：结合场景。
不论是小样本学习还是机器学习，都只是生产算法的"术"，结合场景解决产业数字化转型过程中的痛点，才是AI的"康庄大道"。雷峰网雷峰网