2017开发者盘点:是我在解决AI的问题,不是AI解决我的问题

2017 年 12 月 21 日 AI前线 金句很多
 


策划 & 编辑 | Natalie
AI 前线导读
还有 10 天,2017 就要过去了~~

2016 年,谷歌公司 DeepMind 团队开发的围棋机器人 AlphaGo 首次击败人类顶尖棋手,深度学习、强化学习等人工智能技术功不可没。2017 年,人类再次被人工智能深深震撼,AlphaGo 在多个场合横扫几乎所有顶尖人类棋手,人类最终失守了围棋这一被视作最后智力堡垒的棋类游戏。另一机器人程序 Libratus 在德州扑克比赛中击败顶尖人类玩家,这是机器人首次在不完全信息博弈中战胜人类。这些事件标志着机器智能的再度崛起,并成为了 2017 年大众对人工智能印象最为深刻的事件。

更多干货内容请关注微信公众号“AI 前线”,(ID:ai-front)


在人工智能成为普罗大众热议话题的今天,它到底给普通开发者带来了什么改变?传说“将被人工智能替代”的开发者们到底是如何看待 AI 的?而 AI 领域的开发者身处这人工智能的热浪中又有什么想吐槽的呢?

为此,AI 前线采访了数十位 AI 领域和非 AI 领域的开发者,对过去这一年 AI 领域发生了哪些印象深刻的事情、目前 AI 的应用情况、大众对于 AI 最大的误解是什么、AI 的未来会如何等问题进行了探讨。在此我们选出了其中部分精彩回答,希望借由开发者们对于同一个问题的不同看法,给读者展现思想碰撞产生的零星火花。当下热门的“AI”是一个非常笼统的概念,其中涵盖了大量不同技术,而每个人对于“AI”也有不同的认知和感受,但大家几乎都认同的一点是,AI 确实给每个人的生活带来了或大或小的改变,而这样的改变并不会止于 2017 年。

不论你是赞同抑或反对文中的任意观点,或者你有自己对于人工智能的看法,都欢迎留言与我们讨论

声明 | 本文为 AI 前线公众号(ID:ai-front)独家稿件,未经许可,不得转载。




1



“AI确实在某些方面的效率和知识比很多人高很多,但永远也不会比人更有智慧。”


明略数据 AI工程师之一 


公司主要业务:面向金融、公安、工业等领域的大数据智能解决方案 
主要负责文本挖掘工作,即从大量文本数据中,挖掘出需要的知识

我目前在工作中做的是自然语言处理,包括基本的实体识别,再到关系抽取,这些处理用到自然语言处理的经典算法之外,还包括训练数据的自动生成,算法和规则的结合等。总体来说,处理无结构的文本数据还是很有难度的,就算 AI 技术,也无法像一个成年人一样,迅速理解各种灵活的表达方式和新词。

对我来说,今年 AI 大热带来的最大影响是普通人对 AI 的期望过高了,甚至认为都用 AI 了,怎么会出错呢?怎么有的知识连人都能一眼看出来,AI 还不能挖掘出来呢?之所以会有这些问题是因为很多人对 AI 的局限还不太了解。媒体对 AI 只报道成绩、掩饰缺陷,以为一些缺陷只不过像是软件系统里的一个个 bug,补一下就行了,实际上并没有那么简单。

AI 对普通开发者是非常有用的,但也不能对 AI 抱有过高的期待。要在认识到 AI 的局限性的基础上,找到合适的应用点,才能充分发挥 AI 的价值。AI 也在进步,不只是应用领域。

目前大众对 AI 最大的误解是:AI 比人更智慧。其实 AI 确实在某些方面的效率和知识比很多人高很多,但永远也不会比人更有智慧。


2



“现在AI这个行业很浮躁,真正的脚踏实地的人很少。”


明略数据 AI工程师之二 


主要负责自然语言处理相关的工作,包括分词、命名实体识别、词性标注、模糊匹配、情感分类、短文本打标签、关系挖掘、机器翻译等

从在校期间见证了统计学习 - 机器学习 - 深度学习的发展,以及市场上很多人工智能产品的落地。我的感悟是:数学、技术、业务等都是必不可少的东西。

我目前负责的是大型银行的 NLP 项目,帮助其从文本中作出预警模型。在工作中结合 AI 有难度,真实的业务没有公开数据集那样“干净”,我们平时做的还是要从业务出发,在机器学习界有个东西叫奥卡姆剃刀,说的是假如有多个模型都能达到差不多的效果,选最简单的。用高端模型不一定有充分理解了业务而采用简单模型的效果好。

目前市场上 AI 人才的薪资有点虚高。AI 入门培训都是在骗钱、收智商税,想学的话踏踏实实补数学,踏踏实实看书看博客,精读几篇经典的 Paper,GitHub 上多复现几个实验。

我觉得 AI 是一种技术,就像前端后端安卓 iOS 一样,不希望大家跟风学。现在这个行业很浮躁,真正脚踏实地的人很少,大部分都在仰望星空,这不是好现象。所以对于普通的开发人员来说,负面影响多,但是我还是看好这个行业。

AI 真正落地赚钱的产品屈指可数,这个行业想要健康发展,还是要多接地气,切实地为社会解决问题。


3



“技术本身无对错,这取决于怎么使用AI,谁来使用AI。”


移动电商 算法工程师 


公司业务是面向年轻女性提供时尚化和社交化的购物平台 
主要负责图像算法技术的研发工作,如:图像搜索、图像识别等,以改善用户体验、提升业务效率、增加商家的运营能力

我参加工作 11 年了,有印象的技术炒作包括:智能家居、3D 打印、机器学习、人脸识别、VR、无人驾驶、虚拟试衣等。有的技术经过长时间的沉淀找到了应用场景,比如机器学习用于推荐、人脸识别用于金融。有的技术估计还是概念,没有落地。总的来看,炒作普及了大众的技术视野,尽管有泡沫,泡沫过后总会留下一些东西,或者是技术的、或者是商业的,这些会长期支持技术商业化。

AI 有难度,也有技术门槛,不仅仅是指技术本身,而是指 AI 落地的门槛,要对应用场景有足够的理解,有敏锐的业务感觉。

工作中应用 AI 技术,最难的是收集数据和标注数据,需要花费很多精力和人工成本。这是因为必须先定义好场景中的问题,才能有效采集数据。

AI 是人们的合作伙伴,不可能取代人类。普通开发者应该了解 AI,利用 AI 改善自己的工作,比如开发工具、开发技能以及解决问题的思路。AI 不能取代开发者,但是可以辅助开发者

目前所谓 AI,都是基于人类经验或者积累的数据来工作的,只能做简单的重复工作,下围棋也不例外,只是在人类能力上的复制。未来的 AI,应该是具有一定推理能力的,例如智能助理。

“人工智能是来取代人的、会伤害人”,这是很大的误解。技术本身无对错,这取决于怎么使用 AI,谁来使用 AI。 AI 也是人类智慧的产物,只是如果被坏人利用了的话,AI 会伤害人类的利益,比如隐私的泄露和滥用、甚至 AI 武器的出现。


4



“媒体没有吹牛,AI确实在改变大家的生活。”


海康威视 工程师 


主要负责针对视频分析领域的人工智能业务

工作结合 AI 不难,但是要做到准确率高、高并发响应很难。

媒体没有吹牛,AI 确实在改变大家的生活。对于普通开发者的一些工作未来应该会被 AI 替代。

目前市场上各类 AI 入门培训课程还是以骗人为主。


5



“技术平均每年大更新一次,找准自己的方向,尽快转型。”


IBM 前端工程师 


主要工作内容是前端+.Net

工作中见证的技术炒作包括各种前端框架、Visual Studio 各种推陈出新、AI 等。我感觉底层很重要,不管什么框架,重点还是要会看原生的代码。技术平均每年大更新一次,找准自己的方向,尽快转型。看到做 mainframe 的同事眼睁睁看着自己的技术被淘汰,太迟转型面临失业降薪,很心痛,要吸取教训。

我目前只是关注了 AI 相关新闻,因为没太多机会接触 AI 的技术。组里做运维的同事有用 AI 做知识库,但是暂时给我的感觉像是一个大数据库而已,没看到像新闻上吹的那么神奇,也可能是我们不会 train 它。

目前市场上 AI 人才高薪很正常,研究 AI 的人都是大牛、科学家,他们为人类的进步做了很大贡献,高薪是应该的。个人觉得 AI 肯定是未来的一个方向,但是不是唯一的方向呢?是不是不学 AI 的人都没有出路了呢?我持保留意见。我自己对枯燥的学术研究暂时还没产生很大兴趣,而且工作中也没有接触 AI 的机会(我指的是研发,不是使用),所以暂时也不会报名这类入门培训。还是那句话,找准自己的方向很重要。

公司是否应该雇佣专门的 AI 人才,得看公司规模和投资规模。因为 AI 要通过大量的训练才会起作用。如果是大公司有大量的数据,比如百度有大量的搜索数据,阿里有各种购物方向的数据,这样训练起来会容易些。如果是小公司(非专门做 AI 的小公司),一是没大量数据来训练 AI,二是如果设专人去训练的话成本有点大。比如我们的运维组,一年了,真没发现 AI 对他们的帮助有很大,反而要花很多时间去录入数据。当然如果是买一个成熟的 AI 系统就另当别论了。比如训练好的医疗协助方面的 AI,因为世界各地的病根源都相同,相信可以通用。

AI 技术确实离我很遥远啊。但是使用,比如自动驾驶,5 年内可能就普及了。我现在做的工作(编程)将来可能会被 AI 取代。但是一定有新方向可以供我发展,虽然我还没看到这个方向在哪里。

目前大众对 AI 最大的误解是认为 AI 无所不能,仿佛很快就会有一支 AI 军队出现一样。实际上,AI 是要 train 的!要 train 的!要大量的 training 的!重要的话说 3 次。AlphaGo 那种级别的,有个团队加很多高级计算机在 train 它,AI 不是随随便便找条流水线就能量产的。


6



“我的工作是解决AI的问题,不是AI来解决我的问题。”


微软 语音识别工程师 


主要负责语音识别部分,将语音转化为文本

我从事语音识别研究和工作大约 7 年了,我的工作是解决 AI 的问题,不是 AI 来解决我的问题。今年 AI 大热,我印象最深刻的事情是各大公司都在宣称自己在 AI 方向的加注,以及民众、媒体对“AI”的狂欢。

AI 不是一个通用概念,好比电。AI 的范围太大,从居民楼里面的声控灯,一直到自动驾驶,这都属于 AI 的范畴,所以“与 AI 结合”可以有很多种。好比买一个声控灯,安装到楼道里这也是和 AI 结合,这我想没有技术门槛。而一些更难一些的工作比如自动驾驶、语音识别,这通常需要博士学位,意味着多年的训练与知识积累。

民众对 AI 的理解主要来自于科幻电影,而多数媒体为了生存和点击率,需要写民众爱看的内容,那么从主观上就有吹牛的动机,从而失去了新闻工作者客观的职业素养。所以现在网上充斥着“震惊!xxxx;重磅!xxx;恐怖!xxxx”这种文章。

不可否认的是,这些文章的确提供了一些有用的信息,比如会提供一些有意思的工作的链接。不过通常过于浮夸的报道,会加剧民众对 AI 不切实际的想象,以及影响一些经验不足的从业人员,比如学生。

AI 没有明显的分界线,从加减乘除到线性代数再到求导积分都是 AI 必不可少的知识。

薪资是由供求关系决定的,相对于媒体民众对 AI 有各种的误解与不切实际的期望,公司和投资人往往更加理性,因为他们是要真正花钱的,自然要考虑得更全面。我不太了解 AI 入门培训课程,但我不认为通过几个礼拜的短期培训,就可以轻松获得“超高薪资”,那样的话公司和投资人就太傻了。

目前 AI 的本质局限在于人们不了解人脑究竟是怎么工作的,所以只能做各种尝试,试图去接近人脑的原理。在多种尝试之后,神经网络在识别方面是目前最好的。但很明显这并不是最后的答案。从应用角度看,AI 有很多可以做的事。但从研究角度,下一次的爆发或许需要很长的尝试期。


7



“AI门槛高,实际应用有待探索,要注意识别伪AI。”


Coupang 数据工程师

工作已经 10+ 年了,我见证过的技术炒作包括 Java EE、开源、大型分布式电商平台、大数据、机器学习 / 深度学习、AI。技术发展太快,需要学习的东西太多,有时候为了照顾广度,就很难有深度;有些领域要深入需要一定的时间和实践,如果太专注某个领域,又担心技术过时,赶不上潮流。

AI 这么高大上,之前的工作里并没有这样的项目,也只能看看涨涨知识了。今年 AI 领域发生的大事件,现在能想起来的就是阿尔法狗、自动驾驶、智能音箱、量子计算机。

今年 AI 大热,确实有点想转行,但是谈何容易。普通人对 AI 肯定会有误解的,比如 AI 是否会抢程序员的饭碗等。媒体的 AI 吹牛成分不是没有,毕竟要炒作嘛。

现在 AI 这么火,谁都会来分一杯羹的。就像当初大数据炒作一样,超高薪是因为人才太少。入门课程还是很有用的,但是要有干货。

公司不能为了赶时髦就去雇佣 AI 人才,要看有没有这个必要。

AI 会带来新的就业机会,虽然说有可能取代一部分低端工作,但正面的东西还是更多。AI 肯定有泡沫,所以等待回归理性,一定会让我们的世界更美好。

AI 门槛高,实际应用有待探索,要注意识别伪 AI。 AI 未来会回归理性,等大潮褪去,就可以在沙滩上捡贝壳了。


8



“大众觉得AI高大上,完全是误解,它本就不是大众的。”


教育行业 产品经理 


负责商业智能产,比如企业报表,数据分析等

工作 16 年,见证过无数炒作,比如数据挖掘、大数据、机器学习等。我的感悟是虽不靠谱,但是得有人无畏前行,人多自然能出结果,虽然会背离初衷。

今年印象最深的莫过于 AlphaGo 了,虽然觉得其实结果没太大意义,但带来的影响确实大。在工作中结合 AI 要有的放矢,否则不仅毫无意义,而且难度很大。

今年 AI 大热对我基本没有影响,相反还带来了负面影响,因为都去跟风了,落地的事谁来?而媒体,则是对市场的正常反应,吹牛是必然的,褒贬不一了。

现在 AI 相关技术如自动驾驶、量子计算等等,对我来说毫无实际意义,所以不期待。我认为目前 AI 对于普通开发者的工作负面影响很大,就像每个孩子都去学奥数一样的不靠谱。

目前大众觉得 AI 高大上,完全是误解,它本就不是大众的。


9



“AI的Paper 99%是灌水,AI的媒体99%是跟风,AI的团队99%存在着落地难、刷排名现象。”


百度 AI工程师 


主要负责手机百度app和简单搜索app的图像客户端工作,及大搜索客户端方向探索工作

不能快速落地的工程技术都属于炒作范畴,坐谈客。今年在深度学习领域,各家噱头释尽也未见值得用心的 Big Shock,期待 2018 无人驾驶真正落地。

2017 年以前移动和 AI 结合难度较大,瓶颈主要在于移动设备的性能较差无法承担起较大的神经网络运行。随着日益崛起的移动设备性能,各大公司跟进开发框架。在软硬件双飞的未来,移动设备和 AI 结合已是大势所趋。AI 可以结合 App 对用户的图像相关体验大幅提升,例如将图像主体找出后和后端用更小的图片通信,可以明显提升请求速度。

以深度学习为例,最大的局限就是单个模型只能解决特别具体的问题,扩展性非常不好。

AI 的 Paper 99% 是灌水,AI 的媒体 99% 是跟风,AI 的团队 99% 存在着落地难、刷排名现象。对于目前市场上 AI 人才的超高薪资和各类 AI 入门培训课程,我只有一句话:昨天的移动端工程师,今天的 AI 工程师。


10



“AI已经真实来临,不存在虚假或者吹牛成份。”


BAT 前沿工程师 


主要负责大数据、数据库、云服务等系统开发及维护

工作已经超过 12 年,见证过大数据、云计算、区块链、AI、量子计算等技术的炒作。其实每一次都会带来技术的变革,不过技术从提出到成熟,需要一段时间。个人需要顺应变化并接受,主动储备相关知识。

个人比较关注 AI 的应用、框架、软件及硬件等方面,其他还包括国家的政策和法律方面。今年对 AlphaGo 战胜柯洁、百度发布无人驾驶平台 Apollo、中国将人工智能上升为国家战略等事件印象比较深刻。

当前工作中涉及 AI 的部分主要包括智能运维(智能预测、系统优化、自动止损)、智能客服。目前工作中结合 AI 关键在于数据,技术难度不算太大。

计算处理及移动端处理能力有限,GPU 等硬件还比较贵,部份行业数据量还比较缺乏,这些都是 AI 目前存在的局限。

但我认为 AI 已经真实来临,不存在虚假或者吹牛成份。AI 能够带来更多的创新思维,可以释放很多重复工作。个人看好 AI 及未来的发展。AI 对于普通开发者会带来影响,正面和负面影响两方面都有,哪个方面影响会更大需要看从事行业和具体工作,不能一概而论。未来 AI 会更多地进入大众生活,从工作到生活各个方面。

大众对于 AI 最大的误解就是 AI 离我们很远或者 AI 将会使程序员失业。AI 时代的到来,是时代和技术更迭的又一次变革。目前还有着种种不可攻克或者有待解决的技术问题。我们有许多事情可以去做,可以更好地利用 AI。


11



“随着时间的推移,AI人才的积累势必会饱和,在校学生不能盲从。”


东北大学计算机科学与工程学院 硕士在读

 
主要研究方向为众包数据管理,目前正在开发一个基于众包模式的图书漂流系统,负责整个系统的设计以及后台的开发,包括任务分配算法的设计开发等工作

今年 AI 领域让我印象最深刻的事情是 DBA 迎来了新的革命,卡内基梅隆大学数据库小组采用机器学习实现了数据库的自动化管理,借助 AI 的力量后 DBA 的工作会轻松很多。

媒体么就是来宣传的,不敢说所有媒体都吹牛,但是就目前情况来看 AI 的确是一个前景很好的产业,我相信不久的将来一定会改变世界,虽然还有一段很长的路要走,就需要大家的共同努力了,媒体把 AI 技术宣传给每个人是必要的责任。

目前有很多优秀的 AI 技术,只有我们自己清楚的了解自己真正需要的是什么,选择什么样的技术适合目前的问题,如何正确地应用优秀的 AI 技术是我们要学习的。

目前 AI 技术是一个发展前景非常好的产业,各大公司不惜高薪来吸引 AI 人才的加入,各大互联网公司都储备了大批的 AI 人才,为的就是在这个风口浪尖的时刻,跟紧 AI 的步伐。但是随着时间的推移,AI 人才的积累势必会饱和,所以在校的大学生等也要有一些清晰的意识,不要盲从。

AI 是一个朝阳产业,一定会改变人类的生成和生活方式。对于普通的开发者来说,如果 AI 可能取代他们的工作,就要有忧患意识了,多多学习其他技能,或者把 AI 技术与目前使用的技术相结合寻找工作的突破口。我非常看好 AI 的未来发展,身处 AI 大浪中的我们,无时无刻都会感受到 AI 带给我们的巨大冲击,科技创新改变世界、改变未来,倒不如说 AI 改变世界、改变未来。


12



“技术炒作这种事情,如果一点都没有,也不见得就是好事。”


腾讯 手机客户端开发

工作 9 年,以前见过炒作物联网、炒作 VR/AR,其实我没啥感悟,技术炒作这种事情,如果一点都没有,也不见得就是好事

AI 技术有一定的门槛,对于非相关专业的工程师来说,需要学习一部分相关的数学基础知识,这样才能看懂代码。寻找 AI 技术和实际业务的结合点,这个是很难的。

我目前使用的机器学习框架是 TensorFlow,主要是因为社区氛围好,各种第三方教程和资源很丰富,支持手机客户端部署。我没有 AI 相关学历,入门主要还是借助 Google 找各种学习资料,RTFSC(Read the fucking source code)

目前数据标注成本太高了,AI 其实并不智能,只是更高维度的模式识别,训练样本数据还是要由工程师来提供。


13



“如果没有解决用户痛点地引入AI技术,那么吹牛的成分还是蛮大的。”


BAT 研发工程师 


公司主打业务是搜索+AI,目前主要负责DevOps、敏捷实施和落地的工作

工作六年多。经历过云计算、容器、DevOps、AI 等技术理念的兴起到成熟。每年我都会关注 Gartner 的 Hyper Cycle,有点可惜的是,Gartner 的 Hyper Cycle 对中国不太热衷,我们只能借鉴美国和印度市场的趋势了。从这几年看,中国 IT 的发展越来越贴近美国发展的趋势,特别是从容器、DevOps、AI 的兴起来看,我们真的没有落后太多了。

所以 Gartner 的 Hyper Cycle 差不多就是一个能告诉我们这波码农,未来我们需要掌握什么领域或者往哪里跳槽的风向标了。而其他的技术,有一些现在网络炒作很火的,我自认比较笨,所以也没有投入太多的时间去 Follow,例如区块链技术,还是要想好跟自己的工作能结合,才会去学习。

目前在公司内部 AI 很火。从我的角度看,AI 的项目或者产品,其实都离不开解决用户痛点。纯粹的研究 AI 技术,我们公司有很多博士在做,这些距离我们太远了,他们的研究成果必然是对整个行业的创新,而我们在做的产品的时候,更多的是用 AI 的算法和能力来去解决过去我们无法解决的问题。例如,AI 和 DevOps 的融合诞生了很多智能化运维相关的产品,其中我觉得最实用的是智能筛选告警、智能判断磁盘寿命等,而这些智能项目也不是独立存在,他们都是基于过去已经做好的运维平台去优化过去无法解决的场景。

如果没有解决用户痛点地引入 AI 技术,那么吹牛的成分还是蛮大的。AI 没办法解决 100% 的问题。如果我们连历史数据都没有积累下来,就说要引入 AI,从哪里谈起呢?用什么来训练模型?

目前正在使用的机器学习平台是 PaddlePaddle,未来祖国是否能在 AI 有话语权,这个平台目前看是唯一可以承担起来这个责任的。

关于明年的学习计划,推荐 Thought Work 的读书雷达,马上就出来了,值得关注。


14



“很多公司都把AI加入到宣传口语中,有点浮躁。”


网络数据安全行业 Senior Data Scientist 


主打业务:事件管理、预订管理等 
主要工作:根据用户画像进行特定的推荐

今年 AI 十分火爆,很多大公司都在建立 AI Lab,也有更多的 Startup 涌现。从招聘上看,给 AI 从业人员的待遇很有竞争力。个人感觉,媒体吹牛成分还是有很多的,往往会夸大。再加上很多公司都把 AI 加入到宣传口语中,有点浮躁。

工作中应用 AI 技术,最难的是不断涌现的新技术和 Paper,让人有点应接不暇。其实,还是要看自己需要解决什么业务痛点。

公司该不该雇佣专门的 AI 人才,主要还是看公司的业务需求和数据储备情况。如果公司还没准备好,可能会考虑少量人才储备,但不会雇佣太专太贵的 AI 人才,对公司对个人都是一种浪费。相反,如果已经有很清晰的需求和比较扎实的数据等储备,就会雇佣专门的 AI 人才,主要解决业务应用中的一些深度问题。


15



“AI的技术门槛是有的,但是也不是不可以跨越。”


自由职业 


目前组织了一个小团队,主要是做用在渔场的AI软件,我主要负责水产方面的东西

目前我们的团队主要是希望将 AI 和本身的农业背景相结合,做出可以用在农业上的 AI 系统。结合 AI 有难度,作为小团队,如何有效地获得足够多的数据来训练 AI 是个问题。AI 的技术门槛是有的,但是也不是不可以跨越,一是可以通过找到会的人来做,起码技术上就没那么难了。二是现在很多领头企业不断开源,也开发 AI 训练的一些工具,小团体完全可以借助这些东西。

AI 今年大热对我影响其实没有那么大,一是我本身是农业背景,二是毕竟我周围本身就有做这个的人,不至于说媒体说什么我就信什么。我更加看重的是 AI 技术的实用性,能给生产带来什么样的改变,又会创造出怎样的不可能。媒体的话,要分什么媒体吧,不能一概而论,有求实的,也有吹牛的。

现在 AI 人才工资高是因为需求大,各个公司都想跑在别人的前面,所以愿意花重本来雇佣人员,估计后面几年工资仍然会较其他领域更高一些。但是也会有更多的人被吸入到这个领域。学 AI 仅是概念上懂还不够,学习需要结合具体的东西来学,最好是自己本身就想做些这方面的东西。


16



“之前误报的Facebook机器人发明新语言的事,其实不过是模型训练的时候跑飞了。”


腾讯 后台开发工程师 


主要负责手机浏览器上的游戏、App的个性化分发策略

我负责 QQ 移动浏览器内的游戏、App 的个性化推荐,需要使用到较多的机器学习算法,和传统后台相比,AI 的门槛还是比较高,尤其对非科班出身的同学,需要补齐大量的高数、概率统计、优化理论等数学基础,还需要了解统计学习、深度学习等常用的算法。

我所关注的个性化推荐和商业化广告领域,AI 更多是在使用智能的算法来挖掘流量更大的商业利益;解决人工运营不能因人而异、随机应变的问题。比如 App 分发,人工运营的精力有限,不可能针对每个人生成不同的个性化分发列表,但是基于 LR 排序的算法可以因人而异,根据个人历史兴趣,来推测当前可能最感兴趣的 App 和游戏,既提升了用户的体验,又帮平台方获得了合理的收益,对 App 开发者而言,也获取了合适的用户,三方共赢!

其实我在 AI 火起来之前更早的时候其实就已经有意识地从后台开发转型做机器学习和 AI 的东西,前两年技术挑战比较大,需要学习大量的理论知识,同时需要了解各种全新的框架的使用方法。媒体上部分宣传可能是行业外人士因为信息不对称产生的误解,比如之前误报的 Facebook 机器人发明新语言的事,其实不过是模型训练的时候跑飞了。

AI 可以看做更高一级的抽象方式,机器智能并不能等价于人的智能,在可以预见的时间里,AI 更多是以助手的形式来补齐人们在某些方面的能力短板。我看好 AI 的发展,不过监管法规的空缺还是比较让人担心的。


17



“技术无罪,是为祸人类,还是为人类造福,还是取决于使用技术的人。”


浪潮软件 数据采集工程师 


主要负责过程改进与数据获取、分析

我目前有一项工作是将行业新闻与企业做关联,进而对企业形象进行正负面分析,这一部分涉及到了命名实体识别、机器学习,过程中发现有些个性化需求还需要自己写算法去实现,短期看甚至优于模型训练的模式。

现在 AI 领域的技术如自动驾驶等,在我看来是远在天边、近在眼前。回溯每代技术革命,都会觉得居然来得如此迅猛。

目前 AI 的局限主要在于对无规则事物的分析学习。毕竟图像、围棋、声音都还是有一定制约的,仍需要人脑将抽取规则输入给 AI。

大众对于 AI 最大的误解是认为 AI 会消灭人类。技术无罪,是为祸人类,还是为人类造福,还是取决于使用技术的人


18



“泡沫太严重了,AI还没有实际创造那么大价值。”


某云计算厂商 架构师 


主要工作是帮助客户上云,整个过程中的需求了解、架构设计、技术咨询等

目前使用的比较多的机器学习框架是 TensorFlow 和 MXNet,入门 AI 主要靠看论文 + 技术博客 + 视频教程。工作结合 AI 最主要的难处在于,很多客户只有模糊概念,并没有实际的应用场景。

媒体对于 AI 的宣传太过了,吹牛成分有点大,会给大众以“AI 无所不能”的错觉,也会误导一些客户。对于现在市场上 AI 人才的超高薪资和大量 AI 入门培训课程,我个人感觉是泡沫太严重了,AI 还没有实际创造那么大价值。

当前 AI 太依赖于深度学习了,方法单一,有些问题深度学习效果也不是很好,估计未来几年学术界会出现比深度学习效果更好的方法。


19



“在所有非计算机领域媒体编写的AI文章中,大概没有一篇是不吹牛的。”


第四范式 AI工程师 


公司主要业务是提供低门槛的、通用的机器学习平台产品,并且利用机器学习技术帮助企业解决数据挖掘、智能推荐、反欺诈、点击率提升等商业问题

我毕业工作三年多,做过基础架构、分布式存储和机器学习平台,见证了传统关系型数据库到 NoSQL 再到 NewSQL 的发展,虚拟化技术从 KVM 到 Docker 再到 Kubernetes 的流行,最近机器学习领域则是从 LR、SVM、DT 等传统模型到 DNN、CNN、RNN 等神经网络模型再到深度学习与 MCTS、RL 等技术融合的阶段。

技术在不断发展,永远会有新的技术和框架出现,但旧的技术或者模型并不会轻易被取代。我的感悟是必须接受新的技术并且尝试去学习各种前沿技术,同时也不能过度追随潮流忽视根源,毕竟任何的新技术不都是凭空出现的,例如现在最火的深度学习,如果你去学习传统的机器学习算法实现、矩阵优化、梯度求解以及超参数调优等,肯定会有更大的收获。

个人感兴趣的是 AI 的开源框架实现(例如 TensorFlow 等)和机器学习算法原理,对于传统机器学习算法和深度学习模型架构都有涉猎。今天 AI 领域最火热的实践肯定是 AlphaGo 和 AlphaGo Zero,Google 用蒙特卡罗树搜索加上深度学习模型基本解决了围棋整个领域的优化问题,我个人还特别关注冷扑大师。

AI 可以结合的技术领域非常多,尤其是数据已经 ready 的场景,例如搜索推荐系统等。而目前深度学习的流行让更多图像处理、语音处理、自然语言处理的技术也有飞跃的发展,就银行行业而言,理财产品推荐、智能投顾、智能客服、单据 OCR、反欺诈等都是非常合适的应用,其他行业当然就更多了。

在工作上应用 AI 技术,必须解决数据的收集、特征的拼接和抽取等一些列问题,反而行建模和调参的过程是比较简单的,而最难的往往是第一步,如何将业务场景转化为机器学习的问题并且找到可度量的数据指标。

今天 AI 火热不仅引起了工业界和学术界的官方关注,也有更多行业的人感受到危险并且积极地参与了,对我们从业人员来说当然是提供了更好的正向反馈。当然业界过度吹嘘的成分更多,举个例子,普通的自动化工厂被宣传为人工智能无人工厂,而一些根据统计信息生成文本的程序也被捧为具有自我意识的人工智能机器人。在所有非计算机领域媒体编写的 AI 文章中,大概没有一篇是不吹牛的,而约 10% 是我们作为从业人员觉得值得看下去的。

AI 培训是适应这个行业潮流所逐渐出现的,有意思的是以前宣言是大数据培训的课程现近一般都会加上 AI 或者人工智能这个招牌,但实际上还是培训大数据相关的技术,不同人对这类课程的需求也是不一样的,我个人更推荐通过参与开源设计以及实践的方式来入门机器学习领域。

在真实的业务场景中,要落地机器学习模型的门槛还是比较高,用户需要能够把业务模型抽象成机器学习任务,并且完成数据接入、数据清洗、特征抽取、模型训练、参数调优等一些列过程,对于业务理解能力和开发能力都有很高的要求,而且除了模型训练其他目前都难以使用 AI 来协助解决。因此我认为未来 AI 的发展应该向着低门槛的方向,通过算法或者工程的优化,例如实现易用的数据引入和处理平台、实现 AutoML 和自动调参的算法,让更多人可以真正把 AI 落地实际业务中。

目前大家对于 AI 技术感到新奇并带有一点恐惧,主要因为不了解底层的原理和细节,误以为是“自我觉醒”的模型。AlphaGo 并不是自学掌握围棋规则的,也不会自己悄悄地用电脑下棋,其实它是一颗蒙特卡洛树加上一个精心设计的神经网络模型,而这个程序只是接受棋盘信息作为输入,然后输出赢棋概率最大的落子点而已,本质上 AlphaGo 只是一系列浮点数而已。对于 AI 技术原理不了解,并且加上个人臆造的想象,是目前非 AI 从业者普遍的最大误解。


20



“程序员还是理解思想比较好,不要太热衷于追赶技术。”


互联网金融公司 AI工程师 


主要业务是做P2P金融,我的工作是依托于大数据和AI技术,建立公司风控体系,构建实时有效的风控堡垒

工作差不多 8 年了,见证过非常多技术的兴起和衰落,比如.Net,很多年前很火,现在基本不见了,Struts2 好像现在也越来越少用。但也有很多技术一直很火,比如 Docker、Hadoop、OpenStack 等。后来我也思考了一下,程序员还是理解思想比较好,不要太热衷于追赶技术,比如 Hadoop,理解它的分布式存储,资源调度和计算,要比追赶新出来的框架更有意义

AI 技术我们现在正在尝试的方向还是挺多的,而且 AI 技术我感觉有希望去变革很多产业。我们现在在做的尝试有几个:利用深度网络去重新构建信用评分卡(ABC 卡),用 GAN 去尝试生产坏客户,基于复杂网络和深度学习的反欺诈系统。个人感觉在这些方面 AI 技术会有一些突破。框架方面大部分都在使用 TensorFlow,构建网络比较方便。百度说自己的 Paddle 使用量超过 TensorFlow 我感觉有点瞎扯。

AI 技术本身肯定是有难度的,需要比较深厚的数学背景和专业知识,而且在很多领域它的技术并不成熟。相比于互联网其他技术岗位,挑战更大,能做出优秀产品的难度更高。

以上所有观点仅代表受访者个人意见,与所在公司无关。




对于2017年,你又有什么想说的?


你最关注AI的哪些方面?AI和你的工作如何结合?


今年AI大热,对你的工作带来了哪些影响?


你用了啥开源软件?


媒体都在吹牛吗?公司都在跟风吗?


你看好AI未来的发展吗?

......


将你想说的留下吧


请在文章评论区参与讨论


如果你的看法有见地


同样能与文章一起展现在大家面前!




技术人的2017


就在这里



登录查看更多
0

相关内容

人工智能杂志AI(Artificial Intelligence)是目前公认的发表该领域最新研究成果的主要国际论坛。该期刊欢迎有关AI广泛方面的论文,这些论文构成了整个领域的进步,也欢迎介绍人工智能应用的论文,但重点应该放在新的和新颖的人工智能方法如何提高应用领域的性能,而不是介绍传统人工智能方法的另一个应用。关于应用的论文应该描述一个原则性的解决方案,强调其新颖性,并对正在开发的人工智能技术进行深入的评估。 官网地址:http://dblp.uni-trier.de/db/journals/ai/
专知会员服务
54+阅读 · 2020年7月4日
AI创新者:破解项目绩效的密码
专知会员服务
33+阅读 · 2020年6月21日
专知会员服务
123+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
人工智能学习笔记,247页pdf
专知会员服务
181+阅读 · 2019年12月14日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
当 AI 全面实现认知智能时,机器人还只是机器吗?
未来产业促进会
5+阅读 · 2019年5月9日
AI过气了?那是因为你还没看过这些实践
深度 | 致开发者:2018 AI发展趋势
机器之心
4+阅读 · 2018年1月11日
AI 领域最最稀缺的人才——人工智能架构师
人工智能头条
5+阅读 · 2018年1月8日
盘点2017年度AI领域大事件
大数据文摘
5+阅读 · 2017年12月9日
乌镇大佬都在扯的AI,都有哪些案例落地了?
计算广告
3+阅读 · 2017年12月6日
解决机器学习问题有通法!看这一篇就够了!
大数据文摘
4+阅读 · 2017年9月18日
AI都干过什么让人细思极恐的事?
全球创新论坛
4+阅读 · 2017年9月15日
Few-shot Adaptive Faster R-CNN
Arxiv
3+阅读 · 2019年3月22日
Arxiv
5+阅读 · 2018年10月23日
Arxiv
26+阅读 · 2018年9月21日
Zero-Shot Object Detection
Arxiv
9+阅读 · 2018年7月27日
VIP会员
相关VIP内容
专知会员服务
54+阅读 · 2020年7月4日
AI创新者:破解项目绩效的密码
专知会员服务
33+阅读 · 2020年6月21日
专知会员服务
123+阅读 · 2020年3月26日
《人工智能2020:落地挑战与应对 》56页pdf
专知会员服务
195+阅读 · 2020年3月8日
人工智能学习笔记,247页pdf
专知会员服务
181+阅读 · 2019年12月14日
【机器学习课程】机器学习中的常识性问题
专知会员服务
73+阅读 · 2019年12月2日
相关资讯
当 AI 全面实现认知智能时,机器人还只是机器吗?
未来产业促进会
5+阅读 · 2019年5月9日
AI过气了?那是因为你还没看过这些实践
深度 | 致开发者:2018 AI发展趋势
机器之心
4+阅读 · 2018年1月11日
AI 领域最最稀缺的人才——人工智能架构师
人工智能头条
5+阅读 · 2018年1月8日
盘点2017年度AI领域大事件
大数据文摘
5+阅读 · 2017年12月9日
乌镇大佬都在扯的AI,都有哪些案例落地了?
计算广告
3+阅读 · 2017年12月6日
解决机器学习问题有通法!看这一篇就够了!
大数据文摘
4+阅读 · 2017年9月18日
AI都干过什么让人细思极恐的事?
全球创新论坛
4+阅读 · 2017年9月15日
Top
微信扫码咨询专知VIP会员