白話大模型系列共六篇文章，將通俗易懂的解讀大模型相關的專業術語。本文為第二篇：如何提升AI分析的準確性？

作者：星環科技 人工智能產品部

面對AI分析落地時的數量化、準確性、泛化性等問題，讓我們稍微深入了解下當前的做法。

這里只做形式化的簡要概述：

1.需求分解：將需求分解為若干個子問題，比如“人臉檢索”可以分解為“人臉檢測” 和“人臉識別”兩個子問題；

2.技術手段：手工提取費時費力精度低，那么：

?建立映射關系：使用“數據驅動”的“深度學習”自動提取特征和建立人臉圖像到人臉嵌入向量 的映射關系，再次提醒嵌入向量就是能描述人臉的一個多維度的向量;

?建立人臉卡片目錄：使用這個映射關系，將人臉圖像轉化為 ID-人臉嵌入向量對；

?建立高效的查詢方法：使用同樣的映射關系，處理待查的圖像，然后使用人臉卡片目錄中的人臉嵌入向量，找到最相似的ID，然后再找到對應的人臉圖像。

由此，我們構建出來了一個“人臉識別”的小工具的架子。但是問題在于：

1.怎么構建這樣的映射關系？

答：用“數據驅動”的“機器學習”方法。

2.怎么建立人臉卡片目錄和構建查詢方法？

答：用各類“數據庫”或者更廣義的“信息檢索技術”。加上引號的詞匯，都是“術語”，我們不急于解釋和類比，因為會產生更大的歧義。我們看看實際生產中，是怎么做的。

建立映射關系

? 數據采集 ：采集大量的含有清晰可見的人臉數據，根據要求和“泛化性”不同，除了正臉，我們還需要側臉、帶口罩、大俯仰角、雜亂背景（比如人在花叢中）、多人臉（比如會議合影）等各種情況的數據；

? 數據清洗 ：將明顯不符合需求的數據剔除，比如：人臉不清晰、人臉不完整、人臉不在中心、人臉不是正臉、人臉不是人臉（比如是貓臉）等，再比如算法上有問題的：重復的（直接重復、有些位置移動/旋轉的）、數據毒害的（故意數據投毒的、比如打印的人臉/面具而不是真實人臉的）等等，清洗出“高質量”數據實際工作遠比看上去的復雜得多得多；

? 數據標注 ：標注出 1. 人臉的位置（比如畫一個框，將人頭框入；但事實可能有更復雜的情況：比如準確繪制出一個多邊形而不僅僅是長方形了，或者圖像是 3D 的） 2. 其他信息（比如人的一些 ID/性別等屬性）

? 特征提取 + 建立模型 ：構建“人臉”（圖像）到“人臉嵌入向量”（一串數字）的映射（構建方法我們叫“算法”）：

? 這個映射是一個黑盒子，上面有很多旋鈕，輸入是“圖像”，輸出是“嵌入向量”；

? 我們只能調整旋鈕來控制輸出；

? 我們可以驗證輸出的結果是否符合我們的需求并作出：調整旋鈕，考察我們預測出來的“人臉框”和其“ID”和標注的是否一樣，不一樣則調整，直到符合為止；

? 調整的過程我們叫“訓練”，調整的方法我們叫“最優化方法”，使用的人力和組織形式可以理解成“算力”。不管是否符合普通人的認知：在使用了大量的數據后，我們可以得到一個“人臉嵌入向量” 的“映射關系”，也就是{黑盒子本身 + 旋鈕的扭轉檔位}，這個組合能夠將“人臉圖像” 轉化為“人臉嵌入向量”，這個向量是一個多維度的數字，我們可以認為這個數字是“人臉”的“特征”。

? 模型提升：來了新情況，準確度等不夠（比如識別不了帶口罩的人臉），我們可以繼續采集數據，然后重新訓練模型，得到新的“映射關系”，做到提升。