在過去的十年里，深度學習等技術的出現，讓AI迎來了蓬勃發展的第三次浪潮。目前AI能力已經在銀行、商超、小額支付、城市軌道交通等各行業得到了廣泛的應用，例如人臉識別、圖像識別、證件類文字提取等。但隨著更多創新的智能化應用的爆發式增長，如智慧社區的高空拋物，智慧小區的電瓶車入電梯，餐飲行業中的明廚亮灶等，針對各行各業的越來越復雜的應用場景，如何去解決AI方面的專業人才不足、算法開發成本高、訓練周期長、建模效率低以及投入產出結果不可控等問題就成了AI賦能應用落地的難題。
面對AI建模的挑戰與困難，自助建模應運而生，它是幫助用戶實現AI應用的低門檻、零代碼的模型開發工具。業務人員無需專業的開發基礎和編碼能力，只需上傳數據集，通過自助建模界面引導和簡單操作即可完成模型訓練和部署，數小時便可輕松獲得AI模型。
OCR是近年比較火熱的領域。像身份證識別、車牌識別等都需要運用到OCR技術，而像身份證識別的場景又非常多。比如，如支付寶、微信、小程序應用里的身份認證功能，上傳的身份證圖片經過識別后，無需人工干預就可將身份信息提取出來完成認證，十分方便。那么我們的AI又是如何在這種具體業務場景中提供匹配的能力呢？其中要經過什么樣的流程，才能最終賦能應用？對于開發者來說，通過對具體案例流程的了解，就能夠快速的掌握開發所需要的能力，從而實現自主創新開發。下面，我們就以“為身份證國徽面OCR識別進行AI建模”這個場景為例，與大家一同展開探究。
自助建模不同于高代碼建模方式，它的業務目標是提供流程化操作界面，滿足用戶從上傳文件、數據標注到自動化建模和模型部署在一個可視化配置頁面中完成，從而大大減少建模難度和提高建模效率。
以身份證國徽面OCR識別為例，來詳細介紹自助建模的流程：
業務人員通過界面化引導與操作進行自動化訓練與模型部署流程，可即時體驗效果；
業務人員對身份證國徽面OCR識別的能力驗收和試用。
在整個自助建模流程中，業務人員可完成建模的全流程操作，無需算法工程師直接參與，也無需進行代碼編寫，則可完成身份證國徽面OCR識別場景的建模，經過模型部署后，則可完成對上層應用賦能。
工欲善其事，必先利其器，所以開始自助建模之前我們還是要選擇一個合適的建模工具，人在江湖走怎么能沒有一個響亮的名號和趁手的武器呢，WhaleDI自助建模就是我們要介紹的工具。那么有些朋友可能會好奇了，我們自助建模工具到底有何"超強技能"來支撐業務應用？以OCR識別的場景舉例：
在實際生產中，樣本數據對建模非常重要，由于業務局限與樣本數據安全問題，很難搜集到業務場景所需的樣本數據，若基于少量的樣本數據進行模型訓練，生成的模型效果會比較差，往往達不到生產的要求。
構建自動預處理的樣本生成器，通過少量的樣本數據，進行標注?；谝褬俗祿?，將標注區內容抹除，生成數據模板，再基于此模板生成大量模擬樣本，從而快速擴展樣本集規模，滿足實際情況所用樣本集。
如圖1，從業務中搜集到的樣本集，整理其中不同字段文本的業務規則，包括機關名稱字段、時間期限字段，并進行樣本標注。
如圖2，對樣本數據去除標注區域文字得到模板樣本，再從對應的文本語料庫中生成文本圖片，再進行樣本的顏色、亮度、對比度、文字大小、形狀等進行調節，合成到模板樣本中，從而生成樣本。
如圖3，大規模生成業務生產中所需樣本，解決樣本不足的問題。
核心功能二：內置不同場景預訓練模型功能，提升模型效果
為實現建模全流程自動化，降低技術門檻，提升建模效率，讓完全不懂代碼的用戶也可進行訓練建模，減少對算法技術不懂的恐懼，工具中內置預訓練模型，如：圖像檢測、OCR識別、圖像分類、文本分類等，用戶可以根據使用場景進行選擇。
當使用OCR識別場景時，在實際生產過程中，由于拍攝時，角度不一定都是正面的，會存在90°，180°，270°等旋轉角度的情況，導致建模的時候，無法識別，建模的準確率降低。為了解決這一個問題，內置預訓練模型則會進行校正圖片的方向，最終會輸出正方向的圖片進行處理。
針對檢測內容區域，會存在目標文字截斷的情況，同時，對文字識別需要編寫大量的規則分類，很難覆蓋生產中能遇到真實場景，且模型較為復雜不具備性能優勢，模型效果較差。而內置預訓練模型，則會在進行文字檢測后生成結果時，便進行文字分類，只檢測圖片區域中的關鍵文字內容，從而降低檢測干擾以及文字截斷的情況，提高文本檢測的性能。
針對文字識別，通用文字識別字典覆蓋漢字不夠完全，遇到生僻字、變形字、扭曲字等情況，識別準確率較低，而內置預訓練模型，進行數據增強提升：
（1）識別字典，構建出涵蓋漢字、字母、數字、符號等多種類型的文字字符，同時，能覆蓋出現頻次較高的生僻字或詞。
（2）基于百萬級別數據進行優化文字識別模型，提高模型準確率，增強識別效果。
核心功能三：生成模型評估詳情，提供可視化樣本分析功能
在訓練得到模型之后，整個建模過程還不能算結束，往往還需要對模型進行評估。一般很難一次性得到滿意的模型，我們需要反復的進行樣本數據的分析，參數調整，不斷重復迭代訓練生成模型。根據封裝的模型評估腳本，可以針對測試集生成模型的指標，如準確率、精確率、召回率、F1值等。但模型指標，只能知道模型的效果，當我們根據模型指標發現效果不好時，怎樣通過樣本分析提高模型效果？
我們進行標注時，會通過標簽來標記標注的內容，當模型識別出結果后，會根據標簽也生成一個結果，通過兩者進行比對，則能知道識別的內容是否準確，同時篩選出該負樣本數據。如下圖：
若篩選出負樣本后，則可對樣本數據進行判斷，標注區域是否有問題。常見問題如：標注區域是否覆蓋住標注內容等。若發現是識別的不準，可以選擇更換模型語料庫，然后再次對負樣本進行標注檢查，生成模板，生成樣本數據，進行迭代訓練輸出模型。
基于訓練后的模型效果，若不滿意，可返回上傳樣本集步驟，優化完善樣本集、自動化參數組合調優，再次進行模型訓練，即可訓練出新模型版本，從而完成流程化迭代，保障模型效果最佳性并持續可優化。我們這種流程化的自助建模工具，可以簡化用戶的操作，用戶只需通過步驟指導進行迭代訓練模型即可。極大地減少了使用難度，有效提高用戶建模效率，滿足AI快速落地的場景應用。
智能應用場景落地困難，在開篇提及的一系列問題以及挑戰，其本質在于AI建模規?；?、流程化、模塊化、工具化能力不足。如果能簡化智能應用的建模開發周期，面向樣本數據、算法腳本、模型等內容形成便捷易用的工具體系，使工具標準化、統一化，實現模型算法的可構建、可復用、可迭代，方可確保支撐AI快速落地場景應用。
自助建模就是流程化、模塊化、工具化的自動化建模工具，它把算法建模的難點全部進行預置與封裝，如，具備內置的預訓練模型算法、已封裝的高級參數設置等。整個流程可由業務人員自助完成，可依托少量樣本數據，便能快速高效進行建模?？赏ㄟ^流程化的模型迭代，進行自動化建模調優，保障模型效果。其特征以及作用如下：
（1）建模業務化：業務人員、無編程能力的小白，也能快速上手，無需耗費大量時間進行編碼與調參優化即可自助完成AI建模，大大降低了技術門檻及開發成本。
（2）標注自助化：自助上傳樣本集文件、進行少量樣本數據標注，則自動模擬生成生產所需樣本數據，極大的提高了樣本標注的人力與時間成本。
（3）訓練自動化：對標注好的樣本集，進行自動化模型訓練與部署，縮短建模周期時長以及提升建模效率。
（4）迭代流程化：業務發生變化或模型老化效果跟不上時，可通過更新樣本集，經過流程化界面進行標注、自動化訓練即可完成模型的迭代更新。通過模型流程化迭代，可快速進行迭代更新應用場景所需的模型，以支撐快速落地的AI場景應用。