从软件开发到AI工程师需要知道的事
极客时间编辑部
讲述：丁婵大小：6.51M时长：04:44
你好，欢迎收听极客视点。
现在有很多软件工程师准备转入 AI 行业。那么做一名 AI 工程师需要知道哪些基础知识呢？最近，华为云 AI 产品研发总监周明耀在InfoQ分享了他在模型训练方面的经验。周明耀从软件工程师起步，后转为分布式技术工程师、大数据技术工程师，现为 AI 产品研发总监，希望他的建议可以供你参考。
谈到软件工程师工作，避不开软件架构设计。而设计软件架构需要系统化的思维，同样，AI 工程师也需要系统化思维。所以，有较强编程能力的系统架构师转 AI 工程师，相对容易一些。
可以这么认为，现代 AI 是一系列通用目的技术的总称。现代 AI 技术，主要指基于机器学习（Machine Learning，简称 ML）/ 深度学习（Deep Learning，简称 DL）的一系列方法和应用，这只是 AI 领域的一个分支，也是目前发展最快、应用最广的分支。
机器学习 / 深度学习的原理可以这样理解：建立一个模型，给一个输入，通过模型的运算，得到一个输出。可以用于解决一个简单问题，例如识别图片是不是狗。也可以用来解决复杂问题，例如下棋、开车、医疗诊断、交通治理等等，也可以理解为，模型就是一个函数 f(x)，上述过程，可以表达为：f(一张图片)= 狗 / 不是狗。
一个 AI 应用开发，大概分为三个阶段：
第一阶段，识别问题、构建模型、选择模型。AI 有很多模型 / 算法，不同的模型 / 算法适合解决不同的问题。所以，首先要识别你解决的是什么问题，然后选择一个合适的模型 / 算法。
第二阶段，训练模型。选定模型 / 算法后，即使算法再好，也不能马上有效工作，你需要用大量的数据训练这个模型，训练过程中不断优化参数，让模型能够更有效地工作。
第三阶段，模型部署。模型训练结束后就可以部署了。比如一个人脸识别的模型，你可以把它部署在手机上，用于开机鉴权；也可以把它部署在园区闸机上，用于出入管理；还可以把它部署在银行的客户端上，用于业务鉴权。AI 模型部署之后的工作状态，称作“推理”。
通过上述 AI 开发过程的简述，可以发现，算法、数据和算力是驱动 AI 发展的三大动力，三者缺一不可。
算法相当于基因。基因不好，再努力也白搭。如何识别问题，并根据问题选择算法，甚至开发新的算法，是高端 AI 专家的核心竞争力。
数据相当于学习材料。基因再好，没有好的教材，也教不出大师。AI 的训练，需要海量的、高质量的数据作为输入。例如 AlhpaGo 通过与自己下棋，训练高度达到几千万次，而人类一辈子最多也就下几千盘棋。没有这样高的训练量，AlhpaGo 根本不可能战胜人类。
另外，数据的质量也很重要，如果你给 AI 输入错误数据，那么训练出来的 AI，也会产出错误的结果。例如你把猫的图片给 AI，让它识别狗，以此训练 AI，那么训练出来的 AI，就一定会把猫当做狗。数据质量的重要性直接使中国涌现了大批以数据标注为生存手段的公司和个人；
算力也是非常重要的，一个 AI 模型，即使算法再好、数据再多，如果没有足够的算力支撑它持续不断的训练，这个模型也永远不能成为一个真正好用的模型。这也是为什么英伟达崛起的原因，这家公司的 GPU 芯片提供了最为适配于人脑神经网络的计算算力。
总之，从软件开发师转为 AI 工程师，有两方面需要注意，一是你需要不断提升自己的系统化思维；二是在模型训练过程中，算法、数据和算力是关键因素，不可忽视。如果你想马上开始实践 AI 应用模型的训练，你可以点击原文链接查看过程、方法及相应的代码。
以上就是今天的内容，希望你能够快速上手学习并实践 AI 技术，成为一名真正的 AI 工程师、
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(1)
- 最新
- 精选
小斧从软件开发师转为 AI 工程师，有两方面需要注意，一是你需要不断提升自己的系统化思维；二是在模型训练过程中，算法、数据和算力是关键因素，不可忽视。
收起评论