- 综合排序
- 最热优先
- 最新优先
听完2个真实AI客服项目，我才看懂企业AI落地
上个月，我去听了一个AI客服项目分享。主讲人做过两个真实落地项目，一个银行，一个公积金。不是PPT方案，是真正上线、有用户在用的系统。 我带着一个问题去的： 一个真实的AI客服项目，从头到尾，到底在做什么？ 听完之后，我发现一件事： 我以前以为，做AI客服项目，最难的是AI。模型准不准，知识库全不全，Agent能不能自己干活。 大模型一进来，最先暴露的不是AI能力，而是旧系统多年欠下的债。 AI最危险的时候，不是它不会，而是它很自信地算错。 AI客服不是上线就结束，而是上线后才真正开始挨打。 真正好的AI产品，不是所有事都交给AI，而是清楚地知道哪些事交给AI，哪些事不能交给AI，然后把两者拼在一起。 一味迷信AI，会出事。一味否定AI，会错过真正有价值的东西。 下一篇加餐，聊聊如果你不做AI行业，只是想学一些AI相关的东西给自己加分，适合学什么。
10810编辑于 2026-06-12- 来自专栏老齐教室
AI 项目落地杂谈
人工智能（AI）项目的“落地”问题，现在谈论的比较多，我也来凑个热闹，不过，我不是从宏观角度来讲，而是从具体实施过程讲讲个人体会。 首先，AI 工程师要有能力且勇敢地将项目真实情况讲出来。 如果项目管理者对某个 AI 技术的细节不很了解，而是凭借浅显的认知决定要在项目中使用，那么，AI 工程师是不是能够协助项目管理者做深入的可行性研究呢？ AI 工程师要有能力进行评估 这对多数 AI 工程师来讲，是一个挑战。因为评估一个项目是否可以使用某项 AI 技术，不仅仅是技术本身，还要考虑项目的其他问题，比如成本、运营、人员、时间等等。 AI 工程师要勇敢地讲出实情 毋庸置疑，宣传中的某项 AI 技术以及它能够给项目带来的好处，和实际情况肯定是有差异的，甚至有时候差异会很大。 这样的 AI 工程师，也要么是“真糊涂”，要么是“揣着明白装糊涂”。一般项目皆败于此。 当科学、客观地对项目和技术进行评估之后，一定能够找到 AI 技术的切入点，此后的落地，必然一帆风顺。
54410编辑于 2022-12-09 - 来自专栏深度学习|机器学习|歌声合成|语音合成
java落地AI模型案例分享:xgboost模型java落地
xgboost模型java落地 1. 就这样，训练出了2棵树tree1和tree2，类似之前gbdt的原理，两棵树的结论累加起来便是最终的结论，所以小孩的预测分数就是两棵树中小孩所落到的结点的分数相加：2 + 0.9 = 2.9。 1.2 正则项：树的复杂度 XGBoost对树的复杂度包含了两个部分： 一个是树里面叶子节点的个数T 一个是树上叶子节点的得分w的L2模平方（对w进行L2正则化，相当于针对每个叶结点的得分增加L2平滑， 大意就是一个叶子节点样本太少了，也终止同样是防止过拟合； 2. XGBoost与GBDT有什么不同 除了算法上与传统的GBDT有一些不同外，XGBoost还在工程实现上做了大量的优化。 (output) 6. java推理 import ai.onnxruntime.*; // Load the model and create InferenceSession String modelPath
1.7K10编辑于 2024-10-01 - 来自专栏决策智能与机器学习
水下无人潜航器集群综述 | 2020年2月「AI产品工程落地」
关注：决策智能与机器学习，深耕AI脱水干货 ? 下载全文PDF，公众号对话框回复：200815 集群的优势 相比于单体 UUV，集群有以下突出优势 : 1) 集群系统利用单体自主性能够实现集体决策以及群体级稳态; 2) 集群系统可扩展性很高，个别群内成员的增减不会对系统造成决定性影响 多UUV协同导航定位主要有2种方式 : 1) 每 个UV 配备的导航装备相同， 互相通过水声通信获得系统中其他 UUV 的位置信息的并行方式; 2) 采用少量 UUV 配备高精度导航设备为其他 UUV 哈尔滨工程大学学报， 2019， 41( 2) : 289－297． ZHANG Wei， WANG Naixin， WEI Shilin， et al． Journal of Harbin Engineering University， 2019， 41( 2)
1.3K10发布于 2020-08-18 - 来自专栏AI掘金志
小视科技段伟芝：2+3+2，AI规模化落地的必经之路
但同时，人工智能的落地应用也非常具有挑战性。 基于这两个基因，整个人工智能的落地必然有三个前提条件。 我们联合大量合作伙伴，目前主要是以区域+行业的方式，成立六年来，已实现在八大场景落地了将近140种服务。 我们从2-3个案例的落地，可以全部实现50种算法的全栈开发。 2.智慧社区热点：高空抛物检测。我们联合华为SDC相机共同定义，目前这个场景实现近万路摄像头覆盖，解决问题主要是事故追踪、事前及时提醒。
51610编辑于 2021-12-24 - 来自专栏飞总聊IT
AI上天，自动车落地
AI这两年里可谓是非常的热门，从深度学习到自然语言翻译到自动车，一个接一个的层出不穷。不仅仅赚了吆喝，也赚足了资本。和AI相关的人才争夺，更是让人叹为观止。 一个但凡和AI有点关系的博士毕业，其工资让我这个工作那么多年的人都羡慕嫉妒恨。 作为AI的杀手级应用自动车驾驶，更是这些年各大公司和初创公司追逐的重点。无数的资本涌入。 比如说AI的大牛奠基人之一的迈克乔丹，在到处演讲告诉大家不要把现在的AI当回事，其实真没那么牛。 在美国，很多大公司都源于加州。 所以如果自动车和人工智能最为强悍的谷歌都做不到成功落地服务大众的话，我们为什么相信现阶段自动车是AI如此重要的一个应用呢？ 如果连自动驾驶都解决不了，我们又凭什么相信这个上天的AI真的是有极大价值的，而不是空话呢？我其实真的没什么信心。所以做AI的同学们，好好享受你们的美好时光，一切都是假的，只有钱才是真的。
36530发布于 2018-07-25 - 来自专栏MixLab科技+设计实验室
我看中的AI落地场景。
复盘成了我的日常 我最近在思考AI创新产品应该如何切入，接下来谈一些见解： AI技术不仅仅是算法，更多的是工程， ML Code仅仅只是占了核心的一个小空间。 ? 产品化的过程其实是： 挑选一个单点的AI技术，深挖其应用场景， 然后再组合其他技术，形成新技术。 用2个代表性的应用场景，来说明： 1 基于可解释机器学习技术的预测工具 #时尚潮流趋势预测工具 时尚是潮流驱动的，大多数零售商按季节经营（例如，春季/夏季，秋季/冬季、假期等）。 2 基于人像分割技术的图像编辑工具 案例 facet.ai，非常方便地替换背景，带来便捷的图像编辑体验。 ? Auto mask 自动打马赛克，应用虽然小，但是足够方便。 ?
56220发布于 2020-09-28 - 来自专栏啄木鸟软件测试
AI安全测试落地实践指南
引言：当AI成为生产系统的核心组件，安全已不再是‘可选项’ 2024年，全球超68%的金融与医疗类AI应用已在生产环境部署大模型推理服务（Gartner《AI Governance Report》）。 本文基于啄木鸟软件测试团队在某头部银行智能风控大模型、某三甲医院AI影像辅助诊断系统的32个真实交付项目经验，提炼出可复用、可度量、可审计的AI安全测试落地四步法。 二、构建轻量级AI安全测试工具链：不依赖GPU，也能跑通核心用例 团队常误以为AI安全测试必须自建红队实验室。 支持中文医疗/金融领域指令模板库），10分钟内完成1000+变体注入测试； - 对抗鲁棒性评估：集成TextFooler（NLP）与AutoAttack（CV），配合本地CPU模式降维运行（精度损失<2% 结语：安全不是AI的附属品，而是其可信基石 AI安全测试的本质，不是给模型‘找茬’，而是帮业务建立‘可控的信任’。
63210编辑于 2026-03-09 - 来自专栏石云升
怎么招人实施AI企业落地？
去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？ 很多企业的第一反应是招人——找一个既懂技术又懂业务的AI落地专家。 退单统计 客服每天手动整理微信群退单信息到Excel，1-2人做一下午，易出错。用小工具自动识别快递单号、汇总到表格，支持撤回和导出，彻底解放人力。 发票整理 自动按主体、进销项、普票专票分类并命名。 有没有真实落地案例？追问细节 不要只听"我做过AI客服"。要追问：用什么模型？怎么处理并发？知识库如何构建？遇到什么坑？怎么解决的？真做过的人细节张口就来，包装的人一问就露馅。 2. 有没有跨部门落地经验？ 给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。 3. 有没有总结复盘的习惯？ AI落地需要跟各部门打交道——需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。 5. 使用AI的时长和频率 越早用、用得越频繁越好。
23010编辑于 2026-03-17 - 来自专栏服务端技术杂谈
零一万物的AI工程落地
之前写了一篇：LangChain创始人回应为啥不做托拉拽的智能体工作流 正好今天看到零一万物的一篇讲AI工程落地的文章，观点很相似。
11610编辑于 2026-03-11 - 来自专栏决策智能与机器学习
用户体验、AI和ML「AI产品工程落地」
作者 | Michelle 报道 | towardsdatascience 人工智能(AI)和机器学习(ML)现在都是热门话题，这是理所当然的，因为它们对重新定义商业的许多方面做出了重大贡献。 您如何看待它随着AI & ML技术的发展? 目前的客户体验“AI无处不在，但结果大相径庭”。使用同一项服务的两个客户可能对他们的体验有完全不同的印象，而且在很多情况下，这项服务是笨拙的，结构也很糟糕。 试图整合AI & ML技术和客户体验的企业面临哪些挑战? Paul总结了许多企业在流程中采用AI和ML时面临的另一个常见挑战——数据量。他说:“目前的机器学习技术依赖于相对大量的数据来提供良好的预测。”
70020发布于 2020-08-05 79%搞AI-Agent只有2%跑通：企业落地到底卡在哪了？
QubitTool的调研里，Gartner预测40%的AI Agent项目将在2027年前被叫停。 为什么？四大落地陷阱。 ▪ 陷阱2：幻觉失控，长链条任务必死 Agent的优势是能处理多步骤任务，但劣势也很明显：每一步都可能出错。 比如让Agent修复一个Bug： 1. 理解需求（可能理解错） 2. 这是AI Agent落地的最大拦路虎。 三、哪些场景ROI最高？ 不是所有场景都适合AI Agent。 六、窗口期只剩1-2年 2026年被公认为"AI Agent规模化落地元年"。 但窗口期不会太长。 现在入局的企业，抢占的是规则制定权和数据护城河。 成功的落地不取决于模型能力，而取决于： 1. 找到明确的业务痛点 2. 从小切口进入 3. 建立人在回路的治理体系 4.
32610编辑于 2026-05-09- 来自专栏服务端技术杂谈
企业中落地AI Agent的难点
下图是一个企业Agent落地的标准架构。 在Query动线上，包括规则模块、意图识别模块、意图处理模块、过滤引擎、推理执行、总结整理。 企业中落地Agent普遍的难点不是模型不够智能（因为大概率用的模型就那几家）。 难点是围绕模型的脚手架不到位，比如上下文工程、安全性、记忆系统等。 而且Agent架构越成熟，软件工程的重要性越高。 有人给我发了一篇脉脉上的有人吐槽自家AI落地的文章，相信也是遇到了同样的问题。 大多数AI Agent系统，打造的无非是上下文选择系统。
26210编辑于 2026-03-11 - 来自专栏AI不是玄学
AI Agent落地进入可审计阶段
原创文章，来源于AI技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 5/26/2026AI速递|AIAgent落地进入可审计阶段1.LangSmith代理沙箱接入认证代理：让Agent测试环境安全访问外部网络LangChain近期介绍的LangSmith代理沙箱安全网络访问方案 落地到生产级评测环境时，架构需要再收紧一层。 www.langchain.com/blog/how-auth-proxy-secures-network-access-for-langsmith-agent-sandboxes关键词：沙箱、代理、鉴权、评测、观测2. 设置阈值：例如质量下降超过2个百分点或P95延迟超过业务SLA时，不允许上线。灰度部署：先在低风险流量中启用，观察一到两周再扩大范围。
33920编辑于 2026-05-26 - 来自专栏存储公众号：王知鱼
Micron：SSD替换主存，加速AI落地
Fig-1 AI/ML 处理数据量越来越多，一说数据每年增长430x。 IGB 在 AI 领域受到关注，尤其是在图学习和图计算的研究中，因其能够帮助研究者比较不同算法的效果和效率。该数据集的多样性和真实场景的代表性使其成为图相关任务的一个重要基准。 2. 饱和点：性能在队列深度2@128时达到饱和，约3000 IOPS。之后，即使继续增加队列深度，性能提升不明显。 3. 线性扩展：在低队列深度区域（2@2到2@64），性能几乎呈线性增长。 和不少AI从业人员交流，共性认知是，尚未出现 Killer APP，部分原因是技术本身成熟度尚未达标，另一部分可能还是基础设施建设成本高昂，“贫穷限制了想象”。 基于NVMe SSD来替代内存方案，相较于HBM大主存训练场景，可能是推理场景落地降本的有效措施，可参考材料中介绍的两个项目BaM 和 DeepSpeed来设计真实应用场景的落地方案。
55010编辑于 2025-02-11 - 来自专栏AI不是玄学
5272026 AI速递 | AI Agent走向生产化工程落地
原创文章，来源于AI技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 5/27/2026AI速递|AIAgent走向生产化工程落地1.MicrosoftAgentFramework1.0发布：开发者如何把代理从VSCode推到生产环境Microsoft在2026年4月发布 这里的落地点很明确：工具调用和记忆不能直接裸奔，必须有权限、观测和失败兜底。 关键词：代理、Foundry、记忆、部署、观测2.LangSmith自托管上Kubernetes：Agent观测从调试工具走向生产控制台LangChain最新文章把自托管LangSmith放到Kubernetes 更稳妥的落地架构会多一层任务编排和权限隔离。
34120编辑于 2026-05-27 嵌入式AI视觉落地的那些事儿——直面AI视觉落地难的挑战
一、QT界面开发：算法与界面必须解耦嵌入式AI应用通常需要图形界面，QT是常见选择。但开发中容易陷入一个误区：把算法函数直接写在界面类的响应函数里。点一下“开始检测”，界面就卡住，直到检测完成才能动。 二、OpenCV算法落地：不能照搬PC代码PC上OpenCV怎么方便怎么来，到了嵌入式平台就得精打细算。图像预处理这条链，在PC上可能几毫秒，在嵌入式上就是几十毫秒。 三、嵌入式平台适配：每块板子有自己的脾气RK3588和Jetson Orin是当前主流的嵌入式AI平台，但开发体验差异不小。交叉编译环境搭建就是个开端，库依赖容易出问题。 五、从原型到产品，每一步都不能省嵌入式AI产品开发，不是“写个算法然后拷过去”那么简单。界面要响应快，算法要跑得稳，硬件资源要榨干，还要考虑设备长时间运行的散热和稳定性。 高培觉得嵌入式AI开发需要的不是单点技术，而是全局视角：QT界面、OpenCV算法、模型部署、多线程优化、硬件加速、系统稳定性，缺一不可。
12301编辑于 2026-03-23- 来自专栏应用计算
智能问数（Text2SQL）工业级落地，纯 AI 黑盒方案都没戏
如果你关注智能问数（Text2SQL）这个领域，一定会发现一个奇怪的现象：各种文章、演讲、视频铺天盖地，厂商们纷纷宣称自己的方案达到了 90% 甚至 95% 的准确率。 真正的原因是：因为这些 Text2SQL 技术大都是黑盒方案，而黑盒方案是经不起随意测试的，AI 冷不防就会给一个离谱的错误答案，然后当场社死。这不是某个厂商的问题，而是所有纯 AI 黑盒方案的宿命。 黑盒方案的困境：不稳定的“90%”，企业承受不起当前绝大多数的 Text2SQL 方案，无论包装得多华丽，本质上都是黑盒方案。可以分成两类：早期：AI 直接生成 SQL。 只有采用白盒机制，加入人类确认环节后，Text2SQL 才能真正实现工业级落地。不是靠吹牛说 100%，而是靠设计上的确定性保证准确，靠规范文本的复杂性来保证通过率。 这条路看起来没有黑盒方案那么“智能”，但在企业级落地上，这大概是唯一走得通的路。
19110编辑于 2026-05-26 - 来自专栏深度学习那些事儿
AI部署以及工业落地学习之路
近些年来，在深度学习算法已经足够卷卷卷之后，深度学习的另一个偏向于工程的方向--部署工业落地，才开始被谈论的多了起来。当然这也是大势所趋，毕竟AI算法那么多，如果用不着，只在学术圈搞研究的话没有意义。 AI部署工业落地这块似乎还没有那么卷...相比AI算法来说，AI部署的入坑机会更多些。 [你懂得] 当然，AI落地部署和神经网络深度学习的关系是分不开的，就算你是AI算法工程师，也是有必要学习这块知识的。并不是所有人都是纯正的AI算法研究员。 作为AI算法部署工程师，你要做的就是将训练好的模型部署到线上，根据任务需求，速度提升2-10倍不等，还需要保证模型的稳定性。 是不是很有挑战性？ 需要什么技术呢？ 其中onnx2trt最成熟，torch2trt比较灵活，而trtorch不是很好用。
1.9K10发布于 2021-08-07 - 来自专栏腾讯云TVP
如何扫除AI落地的拦路虎
先挖一挖AI落地的问题目前在AI智能化转型的几个核心问题1）信息化和数字化基础薄弱，数据都不对，别指望来了AI就万事大吉2）价值量化不清，无法真实体现AI的价值，自然项目也就变得可有可无。 AI落地这些问题都会一一碰到。 2）企业不是儿戏，企业是需要盈利的，AI也不应该是头脑发热跟风式的上线，通过对AI潜在价值的明确量化，其实也是梳理企业业务，探索转型机会的一个非常好的契机。 3）如果说AI需要新的组织结构，那么我认为最重要的岗位可能是CKO（首席知识官），知识是企业级AI应用落地的基础，没有之一。 技术是持续迭代更新的，大多数企业的技术能力并不能匹配上这个更新速度，所以技术本身反而是AI落地最小的障碍。问题很多，饭要一口口吃，以下是建议的路径：
17410编辑于 2025-12-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号