【潘大强】计算机视觉、机器学习行业

（1）某AI研究院工作2年，担任算法研究员，从事统计机器学习、神经网络、智能优化算法方面的研究。

研究院的工作处于学术界和工业界的中间地带，算法预研大于算法落地，经常在公开或私有的实验数据集上做算法创新和可行性验证，偶尔也会给政府部门制作方案和demo展示。

那时觉得机器学习给了人们一种解决问题的通用思路：当一个问题复杂到无法人为设计规则进行数学建模时，可以考虑先将问题抽象成一个分类/回归/匹配等任务，然后收集足够多的样本数据，打上与任务类型相对应的标签，最后根据样本数据类型和任务类型选择合适的机器学习模型进行训练。

（2）某CV技术厂商工作2年，担任算法部负责人，负责公司算法能力建设、项目方案制定和项目算法落地。

来到工业界后，除了公司内部逐个算法模块的建设，还要面对B端客户各种项目需求，方案制定时需要综合考虑数据搜集标定、模型训练部署、效果测试优化整个闭环，以较少的时间、人力、算力成本满足客户要求。

和大白类似，这段时间经历了上百个真假需求的项目磨练，练就了快速POC能力和技术方案制定能力。

当时体会到在解决实际问题过程中，经历（1）中“靠数据和机器学习”端到端的建模思路，能解决的只是全流程中的某个环节，而其他的“智能”依赖于严格的数学建模和刹那间的脑洞大开，而这不开源的数学建模和脑洞大开部分，会成为我在该项目行业的领域知识和建模经验。

抛开技术，隐约感觉到客户给我的需求只是他认为的“有用”需求，我看不到这个需求背后的对于客户所在行业领域，真正“有用”的高层目标。

（3）创业1年，担任某AI公司首席科学家。和经历（2）相比，主要多了一件事：吹牛。

这段时间有更多机会接触上下游企业和竞争对手，对于经历（2）中的“隐约感觉”也找到了答案：很多B端客户刚完成从信息化到数字化的转型，而这一波从数字化到智能化的转型正处于起步阶段，客户自身也在寻找一条通往真正“有用”的高层目标的道路，而这个过程自然需要各类技术厂商进行“试错”。

因此，大B客户如何走向智能化转型，小型技术提供商如何摆脱“集成”、“试错”的命运，希望后期有机会和大家一起沟通交流。