舒：从工程化的角度，聊聊AI落地的那些事
yang自从大白在知乎、CSDN等平台，不断分享文章、视频后，很多朋友添加大白的微信（wxqzy68）。
在相互交流中，很多小伙伴从他们的角度，分享了很多AI行业的经验，很多人也都加入了《AI未来星球》。
从本周开始，大白将这些宝贵的工作、人生经验，也分享给大家，希望对大家工作学习有帮助。
PS：《AI未来星球》加入方式，可点击查看。
分享人：江大白
社群编号：V011号
所属方向：系统开发
所在行业：智能安防
01
个人简介
大家好，我是舒，目前坐标北京，硕士毕业5年多，传统互联网大厂出身。
毕业后一直在从事后台开发，主要与传统互联网“三高”打交道：高并发、高性能、高可用。
和大多数人一样，是个实实在在的码农。
业余时间也注册过公司，尝试过创业，不过成绩不咋地，其中原因归结于技术人员“想当然”的理想主义，和市场脱轨。
02
为什么进入AI行业？
大概三年前，进入了人工智能这个风口行业，原因很简单，想当风口上的猪。
现在的人工智能无疑和21世纪初的互联网行业一样，迷幻而充满机遇。
所以毅然从传统互联网，跳入了自己不熟悉的人工智能行业。
现在公司主要的方向是智能安防，这也算是人工智能行业，尤其是图像算法，落地产品最多的领域吧。
平时工作主要分2个方向，用大白话说就是：
l 第一：低代码的算法任务联动平台
那么这是啥?
其实是一个针对某个具体应用场景，提供完整解决方案的的低代码平台。
举个例子：
某个安全生产基地内，对行人进行识别。
当检测到人后，触发工作服、安全帽的检测，并对未合规的人员进行跨相机的跟踪。
这里面从算法角度任务可分为三类：行人检测、工服识别、单目标跨相机跟踪。
每个任务其实都是很明确的，我们的算法搭积木平台，就是通过简单拖拽、上下游联动等概念，将这些算法任务串起来；
而不是来一个项目，就写一套代码。
对于我这样的工程化人员，在这个方向上可以说是比较得心应手的。
它不涉及具体的算法，更多的体现的是各模块的联动、算法的集成、平台的高可用。
这是传统的程序员，或者是非算法人员擅长的领域。
那么为什么做这个平台呢?
从AI产品落地而言，最核心的环节一直都不是算法。
各公司之间的壁垒也不是以算法为主，大家说白了都是开源的模型，进行具体场景下的微调。
与其在算法模型的小数点后打得火热，不如将自家平台的灵活性多提高些。
具体场景下的解决方案更完善些、更灵活些。
这也是工程化人员，着重面对的一个问题。
最近几年，各方对人工智能的要求也愈来愈高。
简单检测个人脸、识别个车牌，肯为这些零散功能买单的客户已经很少了。
客户希望的是打通上下游，做更针对行业的产品。
这也是为啥AI四小龙这么多年来在实际产品落地种，屡屡吃瘪的一个原因。
l 第二：模型微调平台
这边主要指模型训练微调。
因为在项目中，往往需要根据不同的项目数据、针对具体场景，进行模型检测效果的提升。
这里面会要求从业人员，有基础的神经网络知识储备，角色接近“调参侠”。
这类工作做多了，很多微调环节可以固化下来，形成一套Pipeline。
另外，经过这么多模型的迭代后，让人深刻理解到，相比于大神创造的模型。
数据集和特征工程，真心是对产品落地，更重要的因素。
因此公司开发了一套基于Flink流式处理引擎，集特征工程、在线/离线学习、在线预测为一体的SaaS平台，部署在云端。
总体来说，允许现场技术人员，按照固定数据格式、类别、项目场景进行数据整理后，简单导入微调平台，即可在线微调。
大大缩短了模型迭代的周期，形成了一套模型-微调数据集的闭环链路。
03
AI行业如何打怪升级？
和算法出身的科班学生不同，我觉得我在如何入门AI上，有更普适的观点，适合像我一样转行过来的人。
第一点：术业有专攻
对于跨行的人员，强烈不建议在算法上过于钻牛角尖。
理由很简答，术业有专攻，明确自己的定位方向。
代码敲起来，多看多练，这是我们擅长的。和很多人一样，李沐的动手学深度学习系列，是我实操的蓝皮书。
第二：多看讲解视频
我自己也是从看吴恩达的机器学习、深度学习的视频过来的；
也看过大白的视频，觉得大白的视频对新手特别友好，并且还有项目实战说明，就算对算法不特别明了，也能听得懂。
第三：查漏补缺
为了夯实自己的基础，除了看视频，书也肯定需要看一些。
李航的统计学习方法，西瓜书之类的，也啃过一段时间。
总体感觉可以当做字典，平时遇到困惑的知识点，翻过去查。
04
AI行业印象深刻的事？
因为自己所在的单位，规模不算大。
平时项目中往往会遇到，AI大厂的算法解决不了的事。
但靠我们“工程”上的积累，却能解决的事，在这里和大家也分享下。
比如在某园区里，同样要检测人的着装这类问题的算法效果：往往受相机角度、距离等因素的制约。
当时甲方出于安全起见，不允许乙方乱装其他相机，只允许用现有的相机解决行人着装识别问题。
这时某AI大厂就犯难了，扬言在当前相机角度下，出不了好的识别效果。
但我们公司换了个路子，不直接拼算法，我们用在其他项目中积累的“枪球联动”，“指哪儿打哪儿”能力。
先使用枪机画面检测到人，再触发场内的球机，转到指定位置，变焦，捕获到更好的图像，输入给算法。
就这简单一招，就能大大提升，识别效率。
说这个事，是想说明一点，人工智能时代，是多传感器的时代，合理运用其他的传感器，换个角度，往往问题解决效果更好。
05
如果遇见之前的自己
建议就说一点：作为转行过来的工程化人员，基本的工程能力和洞察力不能丢。
像C++20标准发布都快一年了，新的协程有去尝试吗，性能怎么样？
作为工程化人员，泛型编程、函数式编程、或者教科书里23种设计模式，在实际代码中，能不能运用起来？这些都需要工程人员时刻提醒自己。
人工智能是给传统程序员多了一个维度的生长可能，但真正令我们发光的点，或者说是与传统算法人员不同的点。
一定是我们在多个能力维度的交界处，总而言之，对于工程人员，7分精力放工程上，3分精力放算法上，多考虑些交叉领域的事，是我的建议。
最后，欢迎大家加入AI未来星球，期待与大家在这里相遇！
本文由 大白智能 作者：yang 发表，其版权均为 大白智能 所有，文章内容系作者个人观点，不代表 大白智能 对观点赞同或支持。如需转载，请注明文章来源。
