入行AI，脚踏实地
引言
AI原本是一個(gè)專業(yè)領(lǐng)域，沒什么特別的。作為碼農(nóng)一枚，筆者的工作內(nèi)容正好在這個(gè)領(lǐng)域。
近來這一年左右時(shí)間里，連續(xù)發(fā)生了多件事情，使得筆者不得不抬起原本一直低著敲代碼的頭，看看這個(gè)為AI狂歡的世界。
【Case 1】
居然在一個(gè)月里碰到兩位在相對傳統(tǒng)行業(yè)創(chuàng)業(yè)的親友，來打聽將AI技術(shù)應(yīng)用到他們所在行業(yè)上的問題，例如：是聊天機(jī)器人是否可以代替人工客服。
兩位親友居然都動(dòng)了雇傭一位算法工程師的念頭。其中一位真的已經(jīng)開始物色了。
頗費(fèi)周折找到一位某非 985 院校專業(yè)對口的博士，友人有點(diǎn)動(dòng)心想要聘用，奈何人家開口就要100萬年薪。
創(chuàng)業(yè)企業(yè)雖然已經(jīng)拿了兩輪融資，還是不敢燒錢作死，故而多方打聽“算法”這東西的用處。
【Case 2】
筆者所在公司今年的校園招聘，本人照例作為 interviewer 參加，面試了幾個(gè)來自不同 985 院校的學(xué)生（明年畢業(yè)）。順便又和幾位今年剛?cè)肼毜膽?yīng)屆生聊了聊。
結(jié)果發(fā)現(xiàn)，所有 interviewee（至少是我碰到的），全都是人工智能或機(jī)器學(xué)習(xí)方向的學(xué)生，所有交流過的新同事，在學(xué)校里做的也全部都是機(jī)器學(xué)習(xí) or 深度學(xué)習(xí)算法。
而且，每一個(gè)人對于入職后工作的期望都是做算法。
人工智能，已經(jīng)跌入到兩三年前大數(shù)據(jù)風(fēng)口上，全民皆“數(shù)據(jù)科學(xué)家”的套路里了。
到底做什么，算是入行AI？
這個(gè)話題其實(shí)在筆者之前的幾個(gè)chat里面已經(jīng)反復(fù)提到過了，在此再說一遍：工業(yè)界直接應(yīng)用AI技術(shù)的人員，大致可以分為三個(gè)不同角色：算法、工程，和數(shù)據(jù)。
現(xiàn)在各種媒體上，包括 GitChat 中有大量的文章教大家怎么入行AI，怎么成為具體某個(gè)領(lǐng)域的工程師，告訴大家要在某領(lǐng)域內(nèi)發(fā)展需要掌握的技術(shù)棧是什么，等等……
我們不說怎么能夠成為XXX，我們先來看看成為XXX之后要做什么事情，而做這些事情，需要什么樣的能力，在擁有了這些能力、做上了這件事情之后，又能向什么方向發(fā)展。
換言之，本文中，我們將從直觀的角度，管窺承擔(dān)不同角色工作所需要具備的素質(zhì)，日常工作的狀態(tài)，和職業(yè)發(fā)展路徑。
做算法
1.1 日常工作
所有人都想做算法，那么，說到底，在工業(yè)界做算法倒是干什么？
真正的算法工程師（也有公司叫科學(xué)家），最基本的日常工作其實(shí)是：讀論文&實(shí)現(xiàn)之——確認(rèn)最新論文中的闡述是否真實(shí)可重現(xiàn)，進(jìn)一步確認(rèn)是否可應(yīng)用于本企業(yè)的產(chǎn)品，進(jìn)而將其應(yīng)用到實(shí)踐中提升產(chǎn)品質(zhì)量。
1.2 必備能力
既然日常工作首先是讀別人論文。那么，必不可少，作為算法工程師得具備快速、大量閱讀英語論文的能力。
有一個(gè)網(wǎng)站，所有有志于算法的同學(xué)必須要知道：https://arxiv.org ——這里有多個(gè)學(xué)科（包括computer science）大量的最新論文。
現(xiàn)在許多科學(xué)家、學(xué)者、研究人員和博士生在論文剛剛完成，尚未在正式期刊會(huì)議上發(fā)表時(shí)就先將論文發(fā)布在此處，為的是在盡量短的時(shí)間延誤下對外傳播自己的成果。
傳統(tǒng)的正規(guī)渠道，從論文完成到正式發(fā)表之間存在短則三四個(gè)月，長則一年半載的延遲。這對一些傳統(tǒng)學(xué)科，還勉強(qiáng)可以接受。
但計(jì)算機(jī)科學(xué)，尤其是人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)這幾個(gè)當(dāng)今世界最熱門的主題，大家都在爭分奪秒地?fù)屨贾聘唿c(diǎn)，幾個(gè)月的耽擱根本不能容忍。
因此，對于AI的學(xué)術(shù)性文獻(xiàn)而言，arxiv.org 實(shí)際上已經(jīng)成為了當(dāng)前的集大成之地。
如果要做算法，平均而言，大致要保持每周讀一篇最新論文的頻率。
也許這就是為什么，到目前為止，筆者所聽聞和見過的算法工程師都是名校相關(guān)專業(yè)博士的原因。
經(jīng)過幾年強(qiáng)化學(xué)術(shù)研究訓(xùn)練，這些博士們，就算英語綜合水平不過 CET-4，也能讀得進(jìn)去一篇篇硬骨頭似的英語論文！
1.3 自測“算法力”
但當(dāng)然不能說碩士、學(xué)士或者其他專業(yè)的有志之士就做不成算法了。人都不是生而知之，不會(huì)可以學(xué)嘛。
但是到底能不能學(xué)會(huì)，其實(shí)也并不需要三年五載的時(shí)間，花費(fèi)幾萬十幾萬金錢在各種培訓(xùn)或者付費(fèi)閱讀上才能夠知道。
有個(gè)很簡單的驗(yàn)證方法：現(xiàn)在就去https://arxiv.org找一篇論文（比如這篇：Dynamic Routing Between Capsules），從頭到尾讀一遍。
現(xiàn)在不懂沒關(guān)系，至少先試試在不懂的情況下能不能把它從頭到尾一字不漏的讀完，有不認(rèn)識的字查字典。
如果這都做不到，還是當(dāng)機(jī)立斷和“算法”分手吧。既然注定無緣，何必一味糾纏？
1.4 學(xué)術(shù)實(shí)踐能力
如果，碰巧你喜歡讀論文，或者就算不喜歡也有足夠強(qiáng)大的意志力、專注力壓迫自己去強(qiáng)行閱讀論文。那么恭喜你，你已經(jīng)跨上了通往算法山門的第一級臺(tái)階。
下面一級是：讀懂論文。
既然要讀論文，讀最新論文，而且閱讀的目的是指導(dǎo)實(shí)踐，那么自然要讀懂。拿起一篇論文就達(dá)到懂的程度，至少需要下面這三種能力：
1.4.1 回溯學(xué)習(xí)能力
一篇論文拿來一看，一大堆名詞術(shù)語不懂，它們互相之間是什么關(guān)系也不知道。怎么辦？去讀參考文獻(xiàn)，去網(wǎng)上搜索，去書籍中查找……總之，動(dòng)用一切資源和手段，搞清不明概念的含義和聯(lián)系。
這種能力是學(xué)術(shù)研究的最基礎(chǔ)能力之一，一般而言，有學(xué)術(shù)背景的人這一點(diǎn)不在話下。
如果現(xiàn)在沒有，也可以去主動(dòng)培養(yǎng)，那么可能首先需要學(xué)習(xí)一下學(xué)術(shù)研究方法論。
1.4.2 數(shù)學(xué)能力
如果只是本著學(xué)習(xí)的目的讀經(jīng)典老論文，那么只要清楚文中圖表含義，看公式推導(dǎo)明白一頭一尾（最開始公式成立的物理意義，以及結(jié)束推導(dǎo)后最終形式所具備的基本性質(zhì)）也就可以了。
但讀最新論文就不同。因其新，必然未經(jīng)時(shí)光檢驗(yàn)，因此也就沒人預(yù)先替你驗(yàn)證的它的正確性。
在這種情況下，看公式就得看看推導(dǎo)了。否則，外一是數(shù)學(xué)推導(dǎo)有錯(cuò)，導(dǎo)致了過于喜人的結(jié)果，卻無法在實(shí)踐中重現(xiàn)，豈不空耗時(shí)力？
如果目前數(shù)學(xué)能力不夠，當(dāng)然也可以學(xué)。但就與后面要說的做工程用到什么學(xué)什么的碎片化學(xué)習(xí)不同，做算法，需要系統(tǒng)學(xué)習(xí)數(shù)學(xué)。
微積分、線性代數(shù)、概率統(tǒng)計(jì)，是無法回避的。如果在這方面有所缺乏，那還是先從計(jì)算機(jī)系的本科數(shù)學(xué)課開始吧，個(gè)人推薦北師大教材。
1.4.3 理論聯(lián)系實(shí)際，將學(xué)術(shù)論述與產(chǎn)品、業(yè)務(wù)結(jié)合的能力
一般來說，在大企業(yè)里做到真正的算法工程師/科學(xué)家，也就不需要自己去動(dòng)手開發(fā)產(chǎn)品了。但做 demo/prototype 還是不能避免的。
算法工程師，可不是用別人寫好的工具填幾個(gè)參數(shù)去運(yùn)行就可以的，需要負(fù)責(zé)實(shí)際業(yè)務(wù)問題到數(shù)學(xué)模型的抽象，并能夠?qū)⑺俗钚鲁晒?#xff08;敲黑板——那些論文！！！）應(yīng)用到業(yè)務(wù)數(shù)據(jù)上去。
說得更通俗一點(diǎn)，就算是用別人寫的工具或框架，做算法的，也得是i）第一撥、最前沿那批試用者，或者ii）工具最新玩法的發(fā)明者。
1.5 創(chuàng)新型人才
算法工程師，即使自己不發(fā)明新的算法，不提出新的算法優(yōu)化方法，也得去嘗試最新算法的使用或者把已有算法用出新花樣來。
毋庸置疑，這是一個(gè)有著必然創(chuàng)新性的角色。因此，這個(gè)角色必然不適合絕大多數(shù)人！
做工程
2.1 日常工作
相對于算法的創(chuàng)新和尖端，做工程要平實(shí)得多。
這一角色比較有代表性的一種崗位就是：機(jī)器學(xué)習(xí)工程師（或戲稱調(diào)參工程師）——他們使用別人開發(fā)的框架和工具，運(yùn)行已有算法，訓(xùn)練業(yè)務(wù)數(shù)據(jù)，獲得工作模型。
其間可能需要一些處理數(shù)據(jù)、選取特征或者調(diào)節(jié)參數(shù)的手段，不過一般都有據(jù)可循，并不需要自己去發(fā)明一個(gè)XXXX。
做工程也得讀論文，不過和做算法不同，做工程讀論文的一般目的不是嘗試最新方法，而是用已知有效的方法來解決實(shí)際問題。
這就導(dǎo)致了，做工程的，讀的經(jīng)常是“舊”論文，或者相對學(xué)術(shù)含量低一些（不那么硬）的論文。
而且在閱讀時(shí)，主要是為了直接找到某個(gè)問題的處理方法，因此，可以跳讀。
對于其中的數(shù)學(xué)公式，能夠讀懂頭尾也就可以了。論文閱讀頻率和學(xué)術(shù)深度的要求，都比做算法低得多。
TIP：很多title寫的是“人工智能/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)算法工程師”的招聘崗位，其實(shí)招的是做工程的人。不要執(zhí)著于辭藻，看清楚具體職責(zé)和工作內(nèi)容。
2.2 軟件工程師的分支
說到底，機(jī)器學(xué)習(xí)工程師，是廣義的軟件工程師（或云程序員）的一個(gè)分支。AI產(chǎn)品開發(fā)，是廣義軟件開發(fā)的一個(gè)領(lǐng)域。
說起來，每一個(gè)程序員都有一個(gè)領(lǐng)域。不過，不同領(lǐng)域在不同時(shí)期熱度不同，發(fā)展趨勢不同。
若干年前，做底層的程序員在程序界睥睨群雄。寫協(xié)議棧的、開發(fā)驅(qū)動(dòng)的、實(shí)現(xiàn)各種系統(tǒng)接口的程序員，站在鄙視鏈的最頂端。
如今，風(fēng)水輪流轉(zhuǎn)，昨日黃花已謝，輪到AI封神了。
但說到底，開發(fā)人工智能產(chǎn)品的程序員，也還是程序員。不過是需要懂一定程度的領(lǐng)域內(nèi)理論知識而已，和以前開發(fā) PCI 協(xié)議棧要懂 PCI 協(xié)議，寫網(wǎng)卡 driver 要懂 TCP/IP 的道理是一樣的。
2.3 程序員的基本素質(zhì)
既然是程序員，首先就不能丟掉 程序員的基本素質(zhì)：編碼能力，和基礎(chǔ)算法能力（不是前面說的那種算法，而是鏈、樹、圖的構(gòu)建、刪除、遍歷、查找、排序等數(shù)據(jù)結(jié)構(gòu)里講的那種算法），是最起碼要求。
其實(shí)，在AI成為潮流的今天，只要能找到一個(gè)在AI方面相對比較前沿的企業(yè)，進(jìn)去做一名普通程序員。
那么即使本來開發(fā)的產(chǎn)品不屬于AI范疇，未來通過在舊產(chǎn)品上應(yīng)用新的AI技術(shù)，或者在公司內(nèi)部 transfer 到做 AI 產(chǎn)品的 team，都可能獲得入行的機(jī)會(huì)。
甚至具體知識的掌握，都可以在入職后慢慢積累——對于大多數(shù)AI工程人員，這可能才是一條自然的入行之路。
但這一切的前提是：此人首先得是一個(gè)合格的程序員！
而不是本末倒置，雖然花功夫?qū)W了幾個(gè)模型、算法，卻連最基本的編程面試題都做不對。
2.4 做工程，「機(jī)器學(xué)習(xí)」學(xué)到多深夠用
以下部分摘自我的達(dá)人課【機(jī)器學(xué)習(xí)極簡入門】內(nèi)容
當(dāng)然，既然是有領(lǐng)域的程序員，在專業(yè)上達(dá)到一定深度也是必要的。
雖然做工程一般要使用現(xiàn)成技術(shù)框架，但并不是說，直接把算法當(dāng)黑盒用就可以做一名合格的“調(diào)參”工程師了。
把算法當(dāng)黑盒用的問題在于：黑盒能夠解決問題的時(shí)候，使用方便，而一旦不能解決問題，或者對質(zhì)量有所要求，就會(huì)感覺無所適從。
作為程序員、工程人員，想用機(jī)器學(xué)習(xí)算法解決實(shí)際問題，就得對算法有一定程度的掌握，此外對于數(shù)據(jù)處理和模型驗(yàn)證，也需具備相應(yīng)知識。
2.4.1 算法
僅從使用角度而言，掌握算法，大致可分為如下由淺入深的幾步：
【1】簡單使用：了解某個(gè)算法基本原理，應(yīng)用領(lǐng)域，功能和局限。
?該算法的應(yīng)用問題域是什么？（e.g. 分類、回歸、聚類……）
?該算法的應(yīng)用目標(biāo)是什么？（e.g. 判別算法、生成算法……）
?該算法適合應(yīng)用在怎樣的數(shù)據(jù)集，它能對數(shù)據(jù)造成怎樣的影響？（e.g. 適用少量高維稀疏數(shù)據(jù)……）
?能夠主動(dòng)獲取該算法的函數(shù)庫，調(diào)用該算法生成模型。
【2】模型調(diào)優(yōu)：對所采用算法和對應(yīng)模型的數(shù)學(xué)公式有所了解。
?知道調(diào)用函數(shù)中各個(gè)參數(shù)的意義（e.g. 迭代次數(shù)，對應(yīng)到公式中參數(shù)的含義……），能夠通過調(diào)節(jié)這些參數(shù)達(dá)到優(yōu)化結(jié)果的目的。
?能夠通過加約束條件（e.g. L0, L1, L2 ……）來優(yōu)化算法。
?了解在當(dāng)前問題域，目標(biāo)和輸入數(shù)據(jù)確定的情況下，還可以用哪些其他模型可替換現(xiàn)有模型，并進(jìn)行嘗試。
?能夠?qū)⒍鄠€(gè)弱模型加權(quán)組成強(qiáng)模型（e.g. adaboost）。
【3】運(yùn)行效率優(yōu)化：對模型本身的數(shù)學(xué)推導(dǎo)過程和模型最優(yōu)化方法有所掌握，對于各種最優(yōu)化方法的特點(diǎn)、資源占用及消耗情況有所了解。
?了解算法在當(dāng)前數(shù)據(jù)集上的運(yùn)行效率（e.g. 需要進(jìn)行哪些運(yùn)算，是否易于被分布式等）。
?了解在其他語言、平臺(tái)、框架的工具包中有否同等或近似功能但在當(dāng)前應(yīng)用場景下效率更高的算法。
?能夠針對具體場景，通過轉(zhuǎn)換模型的最優(yōu)化方法（optimizer）來改進(jìn)運(yùn)行效率。
2.4.2 數(shù)據(jù)
僅僅只有算法，并不能解決問題。算法和數(shù)據(jù)結(jié)合，才能獲得有效的模型。
對于數(shù)據(jù)，需要從：i）. 具有業(yè)務(wù)含義的信息，和ii）.用于運(yùn)算的數(shù)字，這兩個(gè)角度來對其進(jìn)行理解和掌握。
【1】特征選取：從業(yè)務(wù)角度區(qū)分輸入數(shù)據(jù)包含的特征，并認(rèn)識到這些特征對結(jié)果的貢獻(xiàn)。
?對數(shù)據(jù)本身和其對應(yīng)的業(yè)務(wù)領(lǐng)域有所了解。
?能夠根據(jù)需要標(biāo)注數(shù)據(jù)。
?知道如何從全集中通過劃分特征子集、加減特征等方法選取有效特征集。
【2】向量空間模型（VSM）構(gòu)建：了解如何將自然語言、圖片等人類日常使用的信息轉(zhuǎn)化成算法可以運(yùn)算的數(shù)據(jù)。
?能夠把文字、語音、圖像等輸入轉(zhuǎn)化成算法所需輸入格式（一般為實(shí)數(shù)空間的矩陣或向量）。
?能夠根據(jù)信息熵等指標(biāo)選取有效特征。
【3】數(shù)據(jù)清洗和處理：對直接的業(yè)務(wù)數(shù)據(jù)進(jìn)行篩選并轉(zhuǎn)換為模型可處理形式。
?能夠運(yùn)用統(tǒng)計(jì)學(xué)方法等ETL手段清洗輸入數(shù)據(jù)。
?能夠?qū)?shù)據(jù)進(jìn)行歸一化（normalization）， 正則化（regularization）等標(biāo)準(zhǔn)化操作。
?能夠采用bootstrap等采樣方法處理有限的訓(xùn)練/測試數(shù)據(jù)，以達(dá)到更好的運(yùn)算效果。
2.4.3 模型驗(yàn)證
算法+數(shù)據(jù)就能夠得到模型。但是，
?這個(gè)模型的質(zhì)量如何？
?這個(gè)模型和那個(gè)模型比較，哪個(gè)更適合解決當(dāng)前問題？
?在做了如此這般的優(yōu)化之后得出了一個(gè)新的模型，怎么能夠確認(rèn)它比舊的模型好？
為了解答這些問題，就需要掌握度量模型質(zhì)量的方法。為此，需要做到：
?i） 了解 bias，overfitting 等基本概念，及針對這些情況的基本改進(jìn)方法。
?ii） 了解各種模型度量指標(biāo)（e.g. Accuracy, Precision,Recall, F1Score……）的計(jì)算方法和含義，及其對模型質(zhì)量的影響。
?iii) 能夠構(gòu)建訓(xùn)練集、測試集，并進(jìn)行交叉驗(yàn)證。
?iv) 能夠運(yùn)用多種不同的驗(yàn)證方法（e.g. 2-Fold cross-validation,K-Fold cross-validation, Leave-One-Out cross-validation……）來適應(yīng)不同的數(shù)據(jù)集。
做數(shù)據(jù)
此處說得做數(shù)據(jù)并非數(shù)據(jù)的清洗和處理——大家可以看到做工程的崗位，有一部分工作內(nèi)容就是 ETL 和處理數(shù)據(jù)。此處說的做數(shù)據(jù)是指數(shù)據(jù)標(biāo)注。
3.1 標(biāo)注數(shù)據(jù)的重要性
雖然機(jī)器學(xué)習(xí)中有無監(jiān)督學(xué)習(xí)，但在實(shí)踐領(lǐng)域被證明有直接作用的，基本上還都是有監(jiān)督模型。
近年來，深度學(xué)習(xí)在很多應(yīng)用上取得了巨大的成功，而深度學(xué)習(xí)的成功，無論是圖像、語音、NLP、自動(dòng)翻譯還是AlphaGo，恰恰依賴于海量的標(biāo)注數(shù)據(jù)。
無論是做ML還是DL的工程師（算法&工程），后者有甚，都共同確認(rèn)一個(gè)事實(shí)：現(xiàn)階段而言，數(shù)據(jù)遠(yuǎn)比算法重要。
3.2 數(shù)據(jù)人工標(biāo)注的必要性
很多人誤以為 AlphaGo Zero 100：0大勝 AlphaGo 是無監(jiān)督學(xué)習(xí)的勝利。
其實(shí)，之所以有這樣的結(jié)果，恰恰是因?yàn)?Zero 利用圍棋嚴(yán)格完備而明晰的規(guī)則，自己制造出了巨大量的標(biāo)注數(shù)據(jù)——這些標(biāo)注數(shù)據(jù)的數(shù)量遠(yuǎn)超其前輩 AlphaGo 的輸入，而且可以隨時(shí)造出更多。
圍棋是一個(gè)人為定義的在19x19點(diǎn)陣范圍內(nèi)，按完備無二義性規(guī)則運(yùn)行的游戲，因此計(jì)算機(jī)程序才能依據(jù)規(guī)則自動(dòng)產(chǎn)生標(biāo)注數(shù)據(jù)。
真實(shí)人類世界的事情，基本沒有完全按矩而行無意外的情況。因此，對人類真正有用的模型，還是需要人工標(biāo)注的訓(xùn)練數(shù)據(jù)。
固然，目前有多種技術(shù)用以在標(biāo)注的過程中輔助人工，以減小工作量及降低人工標(biāo)注比例。但至今沒有能在應(yīng)用領(lǐng)域完全自動(dòng)化標(biāo)注的技術(shù)出現(xiàn)。
換言之，在看得見的未來之內(nèi)，人工標(biāo)注數(shù)據(jù)仍然是AI落地的必要和主流。
3.3 人工智能的“勤行”
3.3.1 什么叫做標(biāo)注
舉個(gè)很簡單的例子說明一下什么是數(shù)據(jù)標(biāo)注：
在開發(fā)聊天機(jī)器人的時(shí)候，我們需要訓(xùn)練意圖判定和實(shí)體識別模型，因此也就需要標(biāo)注用戶問題的意圖和出現(xiàn)的實(shí)體。
這是用戶問題原始數(shù)據(jù)：“00183號商品快遞到伊犁郵費(fèi)多少？”
這樣一句話，很顯然問它的用戶是想知道某一種商品發(fā)往某地的郵費(fèi)。郵費(fèi)是商品的一個(gè)屬性，我們把所有查詢商品屬性的意圖都定義為“商品查詢”。
因此，這樣一句話的意圖是“商品查詢”。其中有包含了幾個(gè)實(shí)體，分別是商品Id，目的地和商品屬性。
這句話被標(biāo)注出來以后，就是下面這個(gè)樣子：
[00183]<-{商品Id}號商品快遞到[伊犁]<-{目的地}[郵費(fèi)]<-{商品屬性}多少？||商品查詢
具體格式不必糾結(jié)。核心一點(diǎn)：標(biāo)注就是將原始數(shù)據(jù)內(nèi)全部或者部分內(nèi)容，按照業(yè)務(wù)需求打上定義好的標(biāo)簽。
3.3.2 數(shù)據(jù)標(biāo)注的日常工作
簡單說：數(shù)據(jù)標(biāo)注的日常工作就是給各種各樣的數(shù)據(jù)（文本、圖像、視頻、音頻等）打上標(biāo)簽。
【好消息】：數(shù)據(jù)標(biāo)注工作幾乎沒有門檻。一般任何專業(yè)的大學(xué)畢業(yè)生，甚至更低學(xué)歷，都能夠勝任。上手不需要機(jī)器學(xué)習(xí)之類的專業(yè)知識。
【壞消息】：這樣一份工作，是純粹的“臟活累活”，一點(diǎn)都不cool，起薪也很低。
打個(gè)不太恰當(dāng)?shù)谋扔?#xff1a;
做算法是屠龍，仗劍江湖，天外飛仙；
做工程是狩獵，躍馬奔騰，縱酒狂歌；
做數(shù)據(jù)是養(yǎng)豬，每天拌豬食清豬糞，一臉土一身泥。
所以，雖然這是一件誰都能干的工作，但是恐怕，沒幾個(gè)人想干。
3.3.3 數(shù)據(jù)標(biāo)注的難點(diǎn)
就單個(gè)任務(wù)而言，數(shù)據(jù)標(biāo)注是一項(xiàng)很簡單的工作。它的難點(diǎn)在于數(shù)據(jù)的整體一致性，以及與業(yè)務(wù)的集合。
【1】數(shù)據(jù)一致性是指：所有數(shù)據(jù)的標(biāo)注原則都是一樣的。
當(dāng)數(shù)據(jù)很多的時(shí)候，一致性是相當(dāng)難以保證的，尤其是在有精標(biāo)需求的情況下。
如果一份 raw data 由多個(gè)人同時(shí)標(biāo)注，就算是反復(fù)宣講標(biāo)注原則，每個(gè)人也都有自己的理解和側(cè)重，很難保證一致，很可能一句話在某個(gè)人看來是“查詢商品”，而在另一個(gè)人看來就是“要求售后”。（即使是將所有數(shù)據(jù)交給一個(gè)人，也可能在不同時(shí)間段理解不同。）
出于對數(shù)據(jù)標(biāo)注工作的不重視（正好與對算法的過分重視相映成趣），很多公司外包了數(shù)據(jù)標(biāo)注工作。
對于數(shù)據(jù)標(biāo)注的不一致性，則采取一種暴力解決方案：讓多個(gè)人（比如3個(gè)）同時(shí)標(biāo)注同一份數(shù)據(jù)，一旦出現(xiàn)不一致，就采用簡單多數(shù)法，取最多人一致認(rèn)定的那種結(jié)果（比如：3個(gè)人中兩個(gè)都選“查詢商品“，則選定”查詢商品“為最終 label）。
這種方案對于粗標(biāo)數(shù)據(jù)還可以起到一定作用，但如果是精標(biāo)，則往往連多數(shù)人一致的情況都難以出現(xiàn)。
如果三個(gè)人所標(biāo)結(jié)果完全不一樣，那么這條數(shù)據(jù)也就失去了標(biāo)注價(jià)值。
在現(xiàn)實(shí)中，經(jīng)常會(huì)出現(xiàn)同一份數(shù)據(jù)因?yàn)橘|(zhì)量過低，被要求重復(fù)標(biāo)注的情況出現(xiàn)，費(fèi)時(shí)費(fèi)力。
【2】與業(yè)務(wù)的集合是數(shù)據(jù)標(biāo)注面對的另一個(gè)挑戰(zhàn)。
這一點(diǎn)在目前還不是很明顯。因?yàn)?#xff1a;目前人工智能的落地點(diǎn)還比較有限，真正的商業(yè)化領(lǐng)域也就是語音和圖像處理的少數(shù)應(yīng)用；
owner 都是大公司，有自己的標(biāo)注團(tuán)隊(duì)，或者雇傭有長期合作關(guān)系的第三方標(biāo)注公司，標(biāo)注人員都相對有經(jīng)驗(yàn)；
業(yè)務(wù)要求也相對穩(wěn)定，所需數(shù)據(jù)標(biāo)注又相對通用化，普通人都不難理解數(shù)據(jù)含義和標(biāo)注原則。
一旦未來人工智能的落地點(diǎn)在各個(gè)領(lǐng)域全面鋪開，很可能需要的是針對具體企業(yè)、具體業(yè)務(wù)，不斷變更的標(biāo)注需求。
標(biāo)注這件事情看似容易，但是一旦標(biāo)注原則有所改變，就要整個(gè)重新來過。以前的標(biāo)注不但不是積累，反而是累贅。
如何應(yīng)對快速變更的業(yè)務(wù)需求，同步更新標(biāo)注結(jié)果，將是一個(gè)在AI真正服務(wù)于大眾時(shí)全面爆發(fā)的問題。偏偏現(xiàn)階段還未引起足夠重視。
3.3.4 數(shù)據(jù)標(biāo)注的潛力
就目前而言，數(shù)據(jù)對模型的影響遠(yuǎn)勝于算法。一群年薪百萬起步的算法工程師耗費(fèi)經(jīng)年的成果，對于模型質(zhì)量直接的影響甚至比不上一個(gè)靠譜標(biāo)注團(tuán)隊(duì)一兩個(gè)月的精心標(biāo)注。對模型的影響尚且如此，更何況是商業(yè)價(jià)值。
此時(shí)此刻，AI 在風(fēng)口浪尖，大公司、拿了巨額風(fēng)投的獨(dú)角獸 startup，一個(gè)個(gè)拿出千金市馬骨的氣概，將不可思議的高薪狠狠砸向 AI 領(lǐng)域的頂尖學(xué)者，順便捧起了一批年輕的博士，也引來了世人的垂涎。
這種情形能維持多久？商業(yè)企業(yè)能承受多少年不掙錢只燒錢？待潮涌過后，行業(yè)回歸理性，模型還是要用來掙錢的。
到了那個(gè)階段，大小企業(yè)不會(huì)去算成本收益嗎？他們會(huì)意識不到將資源投入數(shù)據(jù)和算法的不同產(chǎn)出比嗎？
企業(yè)為了創(chuàng)造利潤應(yīng)用AI技術(shù)，算法工程師不是剛需，而數(shù)據(jù)標(biāo)注這個(gè)人工智能領(lǐng)域的“勤行”，人工智能藍(lán)領(lǐng)，一定是剛需！
一切標(biāo)注工作的難點(diǎn)和潛藏的風(fēng)險(xiǎn)，也就是這項(xiàng)工作的潛力和從事這項(xiàng)工作未來職業(yè)發(fā)展的可能性所在。
認(rèn)清形勢，腳踏實(shí)地
近來一段時(shí)間，能明顯感到，想入行AI的人越來越多，而且增幅越來越大。
為什么這么多人想入行AI呢？真的是對計(jì)算機(jī)科學(xué)研究或者擴(kuò)展人類智能抱著無限的熱忱嗎？說白了，大多數(shù)人是為了高薪。
人們?yōu)榱双@得更高的回報(bào)而做出選擇、努力工作，原本是非常正當(dāng)?shù)氖虑椤ｊP(guān)鍵在于，找對路徑。
尋求入行的人雖多，能真的認(rèn)清市場當(dāng)前的需求，了解不同層次人才定位，并結(jié)合自己實(shí)際尋找一條可行之路的人太少。
人人都想“做算法”，卻不想想：大公司里的研究院養(yǎng)著一群高端科學(xué)家，有得是讀了十幾二十年論文始終站在AI潮頭的資深研究人員。
想要與他們?yōu)槲樽鏊惴?#xff0c;須有可以與之并列的成就：要么有足夠分量的學(xué)術(shù)成果，要么解決過大用戶量產(chǎn)品的實(shí)際業(yè)務(wù)問題——你占哪一條呢？
僅僅是學(xué)過課程，做過練習(xí)或?qū)嵙?xí)性質(zhì)的小項(xiàng)目，是不足以去做算法的。
誰在自己的想象世界里不是屠龍的劍客？但現(xiàn)實(shí)當(dāng)中能屠龍的人又有幾個(gè)？留給人去屠的龍又有幾條？養(yǎng)豬雖然沒那么高大上，有豬肉吃是實(shí)實(shí)在在的。
好高騖遠(yuǎn)只會(huì)虛擲光陰，腳踏實(shí)地才能實(shí)現(xiàn)理想——這也是筆者寫作此文的初衷。
總結(jié)
- 上一篇： python倒排索引搜索引擎_【Pyth
- 下一篇： vaex 处理海量数据_Vaex真香！几