如何能智能生成像人工编写这样的代码，这是智能还原这部分要解决的事情。我们把 D2C 智能还原部分做了能力分层，每一层的输入和输出都是 JSON，智能还原部分的本质是一层一层的做 JSON 转换，这就是整个智能还原的流程。如果需要对生成的 JSON 做修改，可以通过 imgcook 编辑器可视化干预，最终通过 DSL 开放层将得到的符合代码结构和语义的 JSON 转换为代码。
去年我们在组件识别、图片识别、文本识别这几个方向都有探索和实践，识别的结果最终用于语义化和字段绑定，但使用的技术方案对识别的效果限制较大，今年我们做了如下改进：
智能化方式无论是使用计算机视觉还是深度学习技术，都会有准确率的问题，准确率低在线上环境可能无法被接受。需要建立一套与线上用户使用数据形成闭环的算法工程链路，实现样本自动化收集、算法工程链路的闭环才能让模型线上识别准确率不断提升。
现在有两套API，分批量数据通道和流式数据通道。
批量数据通道目标的场景单并发的吞吐量很大，这种理想的场景是传量大的数据，一次一批，QPS和并发都不能特别高，但是单并发的吞吐量可以做得很大，这个在API上也有一些优化。
另外有几个场景，transaction现在支持批量上传，流式上传后续会跟进。目前流式上传不支持Insert Overwrite，可能后面也不一定会开发，因为这个场景明显是一个批量的语义。
钉钉原负责人无招同学来蚂蚁做“钉钉创业之路”的分享时，也谈到这个问题。
他的观点是，见到用户不能只是“就事论事”，只问产品使用相关的浅层次的问题。（即使问这样的问题，也不能问“你有什么需求”之类很难获得真实需求的直白的问题）。
然而，大家知道，算法的提升不可能一蹴而就，算法效果都是慢慢地打磨和优化的。
在这个过程中，产品经理同学不能干等。
于是，我们就在思考，不管多么高深的算法、多么智能的平台，我们生产的仍然是文案。而文案这个岗位，随着广告行业的发展已经存在了数百年，那么，一定有成熟的方法论和模式。
于是，我们就改成了一页展示一二十张图片，标注人员只需要扫一眼，把其中“对”或者“错”的勾选出来，然后整体提交就好了（同时也减少了每一页刷新页面、加载图片的等待时间）。这样简单的一个改动，其实并没有什么技术难度，但标注效率直接提升了好多倍。
比如，知识图谱平台的知识更新和智能文案平台的文案发布，都需要走打标和确认流程，我们发现标注平台的标注能力就够用了。所以，我们就没有重新开发，而是在平台之间打通连接，快速解决了这个问题。
做运营、做推广，也需要有一个品牌的体系。所以，我们构造出了一个“AI特派员”的形象。对于我们对内发布的所有文章、视频和海报，都纳入到这个体系当中。比如，所有的内网文章标题、文章的首尾都统一格式，加入“AI特派员”的名称和形象，这样既方便形成统一认知，也方便大家日后检索信息。
