查看原文
其他

从后台开发转向AI,他默默做了三年数学题

张红林 AI前线 2018-07-04

 
编辑 | Debra  

来源 | 经授权转载自MIGvoice

AI 前线导读:张红林,曾经是一名后台开发,现在是 MIG 大数据领域的高级工程师。很多同学对于转型做 AI 有着很大兴趣,但转型背后,到底需要多少付出呢?MIG 先声派第二季的舞台上,他与我们分享了从后台开发到 AI 大数据的转型经验,这些坚持和自律的故事,或许都源于真正的热爱。

更多干货内容请关注微信公众号“AI 前线”(ID:ai-front)


https://v.qq.com/txp/iframe/player.html?vid=t0696k9iipn&width=500&height=375&auto=0


大家好,今天我和大家分享从一个后台开发转向 AI 的过程中,会碰到多少坑、需要投入多少精力、有多少成功的可能性。

最开始我是一个后台的开发,我用这张图来概括后台开发的工作。


这是用一个 330 万乐高积木搭建的可以住人的房子。后台开发有点像这个工作,我们要把逻辑做得很精细,一旦某个模块搭错了,就可能会出事。我们需要不断追求自己的经验和技艺。

在这里我先讲讲我的业余兴趣。我的爱好就是喜欢做一些数学题目,这是我朋友圈的一道题目,一般都叫小学六年级的题。


我先做了一个用微积分来解的方法,做完了以后我觉得太麻烦了,可以用三角函数来做,而且从结果来看确实是跟角度有关的,于是我用三角函数做了一遍。我验证了一下这两个结果,是一致的。

为什么要说这题目呢?因为 AI 看似很新,其实是一个很古老的学科。这张图可以简单看一下 AI 从诞生一直到 2006 年深度学习热起来,大家才开始接触起来。我接触也比较晚,大概 13、14 年开始接触。


刚开始接触 AI 的时候会有这样的一些坑。第一个我把它叫做碎片化时间陷阱,大家一直以为碎片化可以学到很多东西,于是我也关注了一堆的AI 公众号,每天看一下公众号的文章,觉得自己学会了很多。

但是会有什么问题呢?可能一个月我看了很多遍 CNN,但我还是无法了解 AI 的知识体系,在我看来,碎片化的时间是很难真正完成一个转行学习的。

第二,我把它称之为“边干边学”的陷阱。原来我们做后台的时候很提倡边干边学,就是我有什么不会的问题,我直接去网上搜一下代码或者找一下让自己改一改就可以了,但是在 AI 时代就不一样了。


这里我贴了一个 BP 的算法,它背后是一个数学的原理,你是没有办法随便改。中间这个图可以看到很多是数学推导,这时候你会有一个错觉,好像做 AI 就是每天很高大上地去推导公式写代码。实际的情况是像最右边的图和中间的下面图,每天看到的就是一堆杂乱无章的数据,所以业界一般也把 AI 工程师叫做“炼丹师”,需要有药材,需要有丹方,需要有炼丹的炉。药材可能就是数据,丹方就是模型,炼丹炉就是我们常见的一些 AI 的框架。

因为经历了前面的两个陷阱,我觉得我还是需要系统化地去把 AI 背后的数学原理学下来,而且本身我对数学也很感兴趣,所以我花了一些时间来看数学。这是我其中一本书的草稿纸,这样的书我大概看了有七八本,草稿纸没有 1 米也有两尺。为了这些题,我大概有 3 年时间除了一部电视剧没有看过其他电视,每天固定时间做题。


学完了数学以后再去看 AI 的书籍就会比较简单,要不了多久你就会对 AI 的整体样貌有所了解。

当然,只看书还不够,我们还需要在业务上有一些真实的效果。所以当时我们也有一个机会在业务上做实验。当你看到自己从最早的做数学题,到把系统的数学知识应用到 AI,再把模型落地到业务中,整个关节打通后,还是很有成就感的。

但是到了这里好像我们发现这条路特别容易走到头。因为我们以前做后台,不太需要去想我们下一步做什么,有产品同学帮助我们去设计。但是在 AI 领域中,我们再要去提升效果再突破该怎么办?模型就这么多,数据翻来覆去处理,不断去挖特征,还是很难突破。

这个时候我建议大家可以看看《佛经》缓解一下心情,心存喜乐,即使做了很久没有什么效果也不要沮丧,有的时候突破就是在你想象不到的,或者你永远想不到的一个新方向。

没多久后我们又找到了新的突破点。我们把特征做大,提升到十亿、百亿级,做成大规模的拓展,为此,我们也专门开发了新的“炼丹炉”——无量系统。另外一个突破是什么?我们再来举个例子,这里大概有一两百行数学推导,落在代码上其实只用改一行,改完这一行以后可以把一个很成熟的优化代码再次往上推进一截。


到了最后反而是我们又回到了最开始。最开始我是做工程的,中间我做过一段时间算法,到后来我们发现其实工程和算法是没有明确的界限的,工程仍然很有价值。我们要想在业务上取得一些效果,需要工程和算法做一个联合的设计,这个很典型的问题就是把很大的模型推到线上去,这个过程中我们从算法的角度去做了优化,从工程上做了优化,最终保证它能够上线。

所以我们认为,当我们工程上碰到了困难,我们可以转向算法。当算法碰到了瓶颈,可以求助佛学。最后又从佛学回到工程。

最后总结一下。

第一,我们常说知行合一,当我们去转型时,到底是知为行之始,还是行为知之成呢?所以在我看来,当我们去做一个跨行的时候,可能是知为行知始,我们首先最难的是完成新行业的知识原始积累。这个过程是比较枯燥和痛苦的事情,当完成这个环节后,才适合去边看边学。

第二,兴趣是最好的导师。只有兴趣才能让你持之以恒。过上三年苦行僧一样的生活很难,如果你没有兴趣的话。

第三,思维全面升级。从工程到 AI 是一种思维的转换,这种转换可能是涉及各个岗位的。

今日荐文

点击下方图片即可阅读

重磅!微软内部研究数据集正式对外开放



课程推荐

《机器学习 40 讲》已经开始更新!副教授王天一为你讲解机器学习必备核心理论,深入剖析 30 个最流行的机器学习模型,更有基于 python 语言的实例练习,帮你打通机器学习的任督二脉。

【订阅福利】

福利一:新人注册领 30 元礼券

福利二:每邀请一位好友购买,你可获得 18 元现金返现,多邀多得,上不封顶,立即提现(提现流程:极客时间服务号 - 我的 - 现金奖励提现)

【订阅方法】识别下图二维码,微信支付,立即成功订阅。

「阅读原文」,订阅专栏


AI前线紧跟前沿的AI技术社群

如果你喜欢这篇文章,或希望看到更多类似优质报道,记得给我留言和点赞哦!

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存