目录：
一、人工智能的核心是工程化，场景是工程化的关键
二、三类场景化实践
三、总结
持续关注我们公众号的人可能会留心到我们在移动平台和人工智能的结合上进行过多方面的尝试，也发布过两篇专题文章。分别是《智能化的Conversational UI是移动发展的一个趋势》和《使用TensorFlow搭建智能开发系统，自动生成App UI代码》
本文主要是将我们在2017年相关的实践做个总览式的分享，希望能够给各位一定的启发。
一、人工智能的核心是工程化，
场景是工程化的关键
技术提升加速AI实践
这就回到了技术，技术离不开软件、硬件、算法的迅速发展，技术上的提升，让人工智能（AI）加速落地。技术上，主要围绕在框架、算法、算力几个维度去组建。
在后续的场景中，我们主要采用的是基于Google TensorFlow的平台上，一些成熟算法或者模型上的应用，基于我们的算力和性价比，我们也会做出些取舍，比如用Faster-RCNN代替RCNN等。
客户需要的是智能化应用场景
在企业进行移动信息化/移动互联的建设中，都需要经过建设期、运维期、运营期等一系列阶段，从用户角度看，本质上需要的是一个个的智能化的应用Intelligent Apps（参见Gartner： Top 10 Strategic Technology Trends for 2018）。
对于工程化的落地，我们认为场景更重要，我们到底需要什么样的智能化，支持我们做什么事情。
基于上述的思考我们抽取了几个场景采用机器学习的方式进行了工程化实践。
场景一：移动智能开发平台，让工程师快速具备专家80%的开发能力
（视频：移动智能开发平台）
这部分工作在工程化过程中，我们分两部分进行实践：
1、训练阶段
2、应用阶段
如下图所示：
探索：主要是确认了场景后，结合框架、模型以及自有算力，寻求各种模型进行研究和实践。在这个场景中，我们最终选择了基于CNN的分类算法以及基于Faser-RCNN的目标检测算法。考虑到数据的标签工作量的问题，我们采用了迁移学习的方式。
训练：根据探索确定的方向，构造标签化的数据。在这个场景中，我们采用分类的标签化工作和目标检测的标签化的工作。
推测：采用训练后的结果，进行推测以验证模型的效果。
（视频：普元AI智能移动平台工程化版本）
场景二：智能的连接和呈现，以智能化的CUI方式为最终用户提供会话式交互体现。
从业务场景角度看，推荐、辅助等模型在技术维度和互联网公司的“猜你喜欢”等并没有太多差异性，需要说明一点的是，在做企业市场的时候，我们建议的方式，不是基于用户，而是基于组织机构（比如岗位）去进行分析。原因很简单，如果基于用户习惯，会导致一个喜欢迟到的人，总是在迟到的时间点推荐其打卡，这显然既不符合用户的个人诉求，也不符合企业的利益。
为了支撑上述的场景，移动平台需要的是能够提供统一的数据收集能力。
采用统一前端技术，让自动埋点的越来越容易，更方便用户行为数据的收集。
同时采用统一中台的方式，更加方便进行收集。
四、总结
在移动互联时代，越来越多的App正在智能化，越来越多的场景正在发生，这是一个大的趋势，但并不是所有的场景对移动应用本身冲击都很大。很多AI场景对于移动平台仅仅是一个SDK的问题，比如类似于生物识别（人脸识别），此外，苹果/Andriod 也都提供了基于手机端的AI技术支撑，因此，作为移动应用业者，需要重点考虑的是，如何将人工智能结合具体的场景，进行工程化实践，让AI迅速发挥业务价值。
关于作者：郝振明，现任普元信息移动集成产品部负责人，十多年IT从业经验，一直专注于企业信息化的工作，近五年间一直从事企业移动信息化、移动互联网化的咨询、产品工作，曾主持参与了Primeton Mobile产品研发、联通集团、广东农信、诺亚财富、中信重工、索菲亚等公司的移动信息化工作。在移动平台、微信解决方案、微信小程序、AI与移动的结合以及移动云方案等领域有丰富的经验和独到的认识。
关于EAWorld：微服务，DevOps，数据治理，移动架构原创技术分享，长按二维码关注