一位从后台转向AI的独白

逆天评语: 推荐想转ai的看看,ai是有门槛的,不要后端没走到头就随意跳,最后两边不吃好。 当然了,兴趣永远是最好的老师,只要你真的感兴趣,其实都不是问题 AI数据处理分析的现有轮子,其实可以拿来用,挺方便也很有运用场景。 总之还是之前说的那句话,后端开发的,要么数据、架构、底层相关技术走到底,要么业务资深人士,其他都非主流

视频内容

刚开始接触 AI 的时候会有这样的一些坑。第一个我把它叫做碎片化时间陷阱,大家一直以为碎片化可以学到很多东西,于是我也关注了一堆的AI 公众号,每天看一下公众号的文章,觉得自己学会了很多。

但是会有什么问题呢?可能一个月我看了很多遍 CNN,但我还是无法了解 AI 的知识体系,在我看来,碎片化的时间是很难真正完成一个转行学习的。

第二,我把它称之为“边干边学”的陷阱。原来我们做后台的时候很提倡边干边学,就是我有什么不会的问题,我直接去网上搜一下代码或者找一下让自己改一改就可以了,但是在 AI 时代就不一样了。

这里我贴了一个 BP 的算法,它背后是一个数学的原理,你是没有办法随便改。中间这个图可以看到很多是数学推导,这时候你会有一个错觉,好像做 AI 就是每天很高大上地去推导公式写代码。实际的情况是像最右边的图和中间的下面图,每天看到的就是一堆杂乱无章的数据,所以业界一般也把 AI 工程师叫做“炼丹师”,需要有药材,需要有丹方,需要有炼丹的炉。药材可能就是数据,丹方就是模型,炼丹炉就是我们常见的一些 AI 的框架。

因为经历了前面的两个陷阱,我觉得我还是需要系统化地去把 AI 背后的数学原理学下来,而且本身我对数学也很感兴趣,所以我花了一些时间来看数学。这是我其中一本书的草稿纸,这样的书我大概看了有七八本,草稿纸没有 1 米也有两尺。为了这些题,我大概有 3 年时间除了一部电视剧没有看过其他电视,每天固定时间做题。

学完了数学以后再去看 AI 的书籍就会比较简单,要不了多久你就会对 AI 的整体样貌有所了解。

当然,只看书还不够,我们还需要在业务上有一些真实的效果。所以当时我们也有一个机会在业务上做实验。当你看到自己从最早的做数学题,到把系统的数学知识应用到 AI,再把模型落地到业务中,整个关节打通后,还是很有成就感的。

但是到了这里好像我们发现这条路特别容易走到头。因为我们以前做后台,不太需要去想我们下一步做什么,有产品同学帮助我们去设计。但是在 AI 领域中,我们再要去提升效果再突破该怎么办?模型就这么多,数据翻来覆去处理,不断去挖特征,还是很难突破。

这个时候我建议大家可以看看《佛经》缓解一下心情,心存喜乐,即使做了很久没有什么效果也不要沮丧,有的时候突破就是在你想象不到的,或者你永远想不到的一个新方向。

没多久后我们又找到了新的突破点。我们把特征做大,提升到十亿、百亿级,做成大规模的拓展,为此,我们也专门开发了新的“炼丹炉”——无量系统。另外一个突破是什么?我们再来举个例子,这里大概有一两百行数学推导,落在代码上其实只用改一行,改完这一行以后可以把一个很成熟的优化代码再次往上推进一截。

到了最后反而是我们又回到了最开始。最开始我是做工程的,中间我做过一段时间算法,到后来我们发现其实工程和算法是没有明确的界限的,工程仍然很有价值。我们要想在业务上取得一些效果,需要工程和算法做一个联合的设计,这个很典型的问题就是把很大的模型推到线上去,这个过程中我们从算法的角度去做了优化,从工程上做了优化,最终保证它能够上线。

所以我们认为,当我们工程上碰到了困难,我们可以转向算法。当算法碰到了瓶颈,可以求助佛学。最后又从佛学回到工程。

最后总结一下。

第一,我们常说知行合一,当我们去转型时,到底是知为行之始,还是行为知之成呢?所以在我看来,当我们去做一个跨行的时候,可能是知为行知始,我们首先最难的是完成新行业的知识原始积累。这个过程是比较枯燥和痛苦的事情,当完成这个环节后,才适合去边看边学。

第二,兴趣是最好的导师。只有兴趣才能让你持之以恒。过上三年苦行僧一样的生活很难,如果你没有兴趣的话。

第三,思维全面升级。从工程到 AI 是一种思维的转换,这种转换可能是涉及各个岗位的。

原文发布于微信公众号 - 我为Net狂(dotNetCrazy)

原文发表时间:2018-06-25

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏钱塘大数据

【干货】如何系统地学习数据挖掘?

问题:如何系统地学习数据挖掘? 虽然是本科毕业,但是在看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看 svm 的数学证明,EM 算法.....

3898
来自专栏大数据挖掘DT机器学习

【白硕 博士】自然语言处理与人工智能(13页PPT图文详解版)

【白硕】博士,研究员,中国中文信息学会常务理事,信息检索与内容安全专业委员会主任委员,中国科学院计算所、信工所和中国科学院大学兼职博士生导师,上海证券通信有限责...

4925
来自专栏量子位

找一份高薪的AI工作有多难?

AI岗位这几年一直大热,而知乎上这个问题最近同样很热,陆续吸引了200多个回答,已经有5000多人关注,接近200万浏览。

1512
来自专栏镁客网

全球AI泰斗Stuart Rusell:研究人工智能太诱人了,不可抗拒

1766
来自专栏量子位

Facebook的AI意外发明了自己的语言,到底这是怎么回事?

李杉 编译整理 量子位 报道 | 公众号 QbitAI Facebook人工智能研究实验室里,最近出现了一些神奇的对话。比如说: Bob: i can i i ...

3507
来自专栏数据小魔方

图表到底应该“简单“一些还是“复杂”一些???

这个话题,其实很早就应该写一写了。 因为这个主题在数据可视化中的地位差不多相当于当今哲学至于社会科学的地位。 说白了就是涉及到数据可视化理念之争,涉及到可视化使...

3945
来自专栏数据科学与人工智能

【数据挖掘】如何系统地学习数据挖掘?

问题:如何系统地学习数据挖掘? 虽然是本科毕业,但是在看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看svm的数学证明,EM算法..,感觉...

2818
来自专栏AI科技大本营的专栏

CCAI 2017 | 刘燕:艺术与人工智能的明天——人机信任合作

南加州大学计算机系名誉副教授、机器学习中心主任刘燕 文/CSDN贾维娣 7 月 22 - 23 日,在中国科学技术协会、中国科学院的指导下,由中国人工智能学会、...

3848
来自专栏新智元

7位数年薪抢人,DeepMind与Facebook人才大战又开火

在加拿大蒙特利尔的一座共享办公大楼里,一间角落办公室里遍布着满是代码的黑色大屏幕。显示器并排堆放着,一个挨着一个,对于Facebook AI实验室(FAIR)加...

1685
来自专栏华章科技

如何通过自学,成为数据挖掘“高手”

1. 读书《Introduction to Data Mining》,这本书很浅显易懂,没有复杂高深的公式,很合适入门的人。另外可以用这本书做参考《Data ...

1133

扫码关注云+社区

领取腾讯云代金券