说明
接着建模杂谈系列10-AI Squad讨论AI团队的构建，本次讨论的基础假设是「人的服务不可靠」。
由于人生活在社会中，除了本身的生物周期（生老病死）之外，社会环境的变化也会极大的影响到人的态度，进而影响到服务和合作。例如，A原来是个特别积极的员工，后来发现薪资跟不上，就特别消极。这个时候站在资本家的角度应该怎么办？传统的方法是KPI考核，但是如何制定KPI是个很大的问题。
本篇讨论如何建立一个满意（但可能不完美）的KPI制度，一开始由人推动，之后完全自动化（赏罚由系统控制）。
内容
每个人都是一个镜像。
服务化 + 标准化 + 价值估计。
1.1 能力栈
围绕展示、服务、建模、计算、优化等五方面的能力体系
| 名称 | 涉及的技术 | 作用 |
|---|---|---|
| 框架型前端 | React, VUE | 快速构建前端 |
| 代码型前端 | Jquery, Bootstrap, AwesomeFont | 更加灵活的前端 |
| 代码型前端 | D3.js , Echarts.js | 基于前端的可视化 |
| IT架构 | Nginx, FRP | 内网穿透，反向代理，负载均衡 |
| 架构部署 | Docker, Docker-Compose, Docker Machine | 应用快速部署 |
| 分布式计算架构 | RabbitMQ, Pytorch, Numpy | 高性能计算 |
| 分布式服务架构 | RabbitMQ, Docker-Compose, Neo4j | 高稳定服务 |
| 数据分析 | Pandas, MySQL | 沟通业务 |
| 数据处理 | Pandas, MySQL, Mongo, Neo4j, Hive | 数据的存储与处理 |
| 经典数据建模 | Pandas, Numpy, Sklearn, XGBoost | 以逻辑回归为基础的建模 |
| 深度学习 | Pandas, Numpy, Pytorch | 处理图片、文字、语音 |
| 贝叶斯建模 | Pandas, Numpy,Scipy, Pymc3 | 基于贝叶斯的另一整套方法（= 经典数据建模+深度学习+概率推理） |
| 图建模 | Pandas, Py2Neo, Neo4j, Networkx , Pytorch | 基于图方法进行的聚类和分类 |
| 运筹优化 | Scipy | 运筹及优化 |
1.2 项目(APP)所需的服务分解
- 1 项目分析：价值、目标、时间线、构建、运行、迭代
- 2 项目服务分解：（有固定时间的服务）任务，（无固定时间的服务）维护
- 3 任务（服务）类型：计算密集、IO密集
- 4 服务开销：每样服务都有开销，例如执行某些计算密集任务（图模型），那么其载入知识和环境的时间就比较长。
1.3 人作为一个服务器（Man As A Server)
正如我们使用局域网/公网的机器构建了服务器：
- 1 服务器本身可能出现故障无法提供服务
- 2 服务器有不同类型，有的是cpu，有的是gpu
- 3 服务上安装的应用不同，有的是转发，有的是计算，有的是展现
要解决的问题，或者要运筹的内容是：始终保持有服务可用，即便有服务器down掉。当然如何合理的分散服务器和进行任务分派是重要的。
按照期望提供的SLA以及运筹学，我们可以预备足够多的”服务器“。
1.4 什么是人该做的？
人工智能的意义并不是取代人类，而是促进人类的进步。例如，把汉字抄一千遍，这事该人干吗？
如果事情/业务的规范性和重复性很高，那么就应该被抽取出来，再用机器去替代掉。人干这种事本能也会觉得疲劳和烦躁。
人类的工作应该是去做新的探索，思考算法/规则层面的问题，然后把一些无规律/无法控制的事慢慢变得清晰可控，再把这些成果交给人工智能进行最大化。
例如人为了解决某个问题花费了100的成本，再花100的成本变成人工智能，可以近乎无限的复用。然后只要能够对其他人有1的帮助，有1000个人使用并付费就很划算了。
人应该创新，发现，提炼规律，算法；找到新领域的价值=问题
人工智能（计算机+网络+工业控制+ 传感器）则负责工业化的实现这些价值