人工智能工程师和传统人工有什么区别？_ZNDS问答

twl_9404

最近参加了房地产业前沿科技应用交流会，会上有介绍人工智能工程师，大家知不知道AI结构师和传统的人工结构优化有什么区别呢？

很高兴能够回答这个问题，我来说说我对这个问题的看法：
随着时代得发展，人工智能逐渐代替人工操作，人工智能是科技进步的代名词，作者问人工智能工程师和传统人工的区别在哪里，我认为通俗一点来说最本质的区别就是人工智能使“人”的工作量大幅度减轻。
人工智能自诞生以来，技术不断成熟，其应用得领域也原来越广，很多人做不到的事情人工智能可以做到，毕竟人的能力是有限的，而且不能做到每个人都一样，但是机器可以，而且能做的更好，还能保证每个机器都能一致，未来开发的人工智能产品可以作为人类智慧的容器持续优化。

人的思维和想法是多变得，有时候在做一件事得时候人类会思考该不该做再去执行，这个时间阶段可能需要很长，而人工智能不需要很长时间，作为一台智慧的容器，它可以自主分析且可以在很短的时间内就能得出结果，它得后台是模仿人类思考的，庞大的数据库可以让它迅速做出正确的判断，出错率很低，这一点是人类做不到的，因为人类的大脑储存量是有限的，无法储存太多的信息。

人工智能与传统人工结构上得区别就在于：信息量的多少、分析判断的准确度、工作的效率和质量、其中还有一台独特的优势就是机器可以不眠不休持续工作而人却不能。

以上就是我对此问题得看法和观点，

每一波浪潮的到来，都意味一片无人占领的蓝海，也意味着众多新成长起来的巨头，还意味着什么？大量的技术人员需求，供不应求的开发市场，以及从业者的高薪与众多的机会。我们最常做的事情是目送着上一次浪潮的余波远去，感叹自个生不逢时，却没有意识到，下一波浪潮已经到了我们脚下。
没错，我们说的就是AI。首先我们需要来认识下什么是人工智能工程师。
身在IT圈中的人，应该都有着直观的认识。目前国内知名的互联网企业无一不在建立自个的人工智能技术团队，以期用AI技术，提升产品的体验和智能化程度。
但与此同时，各种不明觉厉的名词也吓退了很多非科班出身的开发者。什么叫卷积神经网络？什么叫凸优化？是不是还要回去重读高数，线代，概率？那么一大堆公式，感觉完全看不懂啊？听说没个名校博士出身都搞不了这个？
在很久以前的一篇资深回答中提过，作为开发人员，AI领域界在我看来会分成这么几个层次
1. 学术研究者
他们的工作是从理论上诠释机器学习的各个方面，试图找出“这样设计模型/参数为啥效果更好”，并且为其他从业者提供更优秀的模型，甚至将理论研究向前推进一步。能够做到这一步的人，可以说凤毛麟角，天赋是绕不过去的大山，机遇和努力也缺一不可。
2. 算法改进者
他们也许无法回答出“我的方法为啥work”，也许没有Hinton，LeCun那样足以载入史册的重大成果，但是却能根据经验和一些奇思妙想，将现有的模型玩出更好的效果，或者提出一些改进的模型。这些人通常都是各个机器学习巨头公司的中坚力量或者成长中的独角兽，使用什么模型对他们来讲也不是问题，根据所处的环境，通常都有固定的几个选择。在这个层面，insight和idea才是重要的东西，各种工具的区别，影响真的没那么大。可能会让一台结果早得到或者晚得到几天或者几周，却不可能影响“有没有成果”。
3. 工业实现者
这些人基本上不会在算法领域涉入太深，也就是了解一下各个算法的实现，各个模型的结构。他们更多地是根据论文去复现优秀的成果，或者使用其他人复现出来的成果，并且试图去在工业上应用它。
对于大部分IT人来说，做到第三类，也就是工业实现这个层面，已经足够好了，至少，我们已经有了亲身参与这个大时代的机会，仅就这一点来说，便已经击败了全国99%的人（斜眼笑的表情）。
成为人工智能工程师，在我看来，要把机器学习、深度学习掌握好，就可以入行拼搏了！另外，理论必须要结合项目实战：因为作为程序员，读十遍书不如跑一遍程序，与其花费大量的时间去啃书本，不如亲手完成自个的程序并运行它。我们在写出代码的同时，就会了解到自个还有哪些地方不够清楚，从而针对性地学习。
我们先来说说，机器学习应该学习哪些。
1. 入门机器学习：
熟悉机器学习领域的经典算法、模型及实现的任务等，同时学习搭建和配置机器学习环境，并学会用线性回归解决一台实际问题。
2. Logistic回归分析、神经网络、SVM、掌握数据集探索；理解分类任务算法（Logistic回归、神经网络、SVM）原理；学会在scikit-learn框架下采用各分类算法分类具体任务。
3. 决策树模型与集成学习算法：
损失函数：信息增益、Gini系数；划分：穷举搜索、近似搜索；正则：L2/L1；预防过拟合：预剪枝及后剪枝；Bagging原理；Boosting原理；流行的GBDT工具：XGBoost和LightGBM
4. 聚类、降维、矩阵分解：
主成分分析（PCA）；独立成分分析（ICA）；非负矩阵分解（NFM）；隐因子模型（LFM）；KMeans聚类和混合高斯模型GMM（EM算法）；吸引子传播聚类算法（Affinity Propagation聚类算法）
5. 特征工程、模型融合& 推荐系统实现：
学会常用数据预处理方法及特征编码方法；学习特征工程的一般处理原则；组合各种特征工程技术和机器学习算法实现推荐系统。
我们再来说说，深度学习应该学习哪些。
深度学习着重掌握卷积神经网络和循环神经网络，使用大量真实的数据集，结合实际场景和案例介绍深度学习技术的应用范围与效果。
1. 神经网络入门及深度学习环境配置：
熟悉神经网络领域的常用术语、安装并配置深度学习框架Tensorflow，学会用Tensorflow解决一台实际问题。
2. 神经网络基础及卷积神经网络原理：
用不同结构的神经网络结构验证网络结构对效果的影响；了解卷积神经网络的相关概念和基础知识，并通过实战案例理解CNN局部相关性与权值共享等特性。
3. 卷积神经网络实战：
图像分类及检测任务:学习图像分类任务及检测任务目前主要模型算法，并通过两个实战案例学习在Tensorflow框架下训练CNN模型。
4. 卷积神经网络之图像分割实例：
掌握分割任务简介、反卷积（deconv/transpose-conv）、FCN
5. 循环神经网络原理：

喜你，成为人工智能工程师群中的一员了
接下来就可以收集一些自个的数据，并且训练一些自个的识别引擎；或者尝试着优化这个模型，感受一下所谓调参党的痛苦；又或者直接尝试实现ResNet、Inception这些更为先进的网络来刷刷Cifar；再不然可以尝试着向NLP或者强化学习方向去学习一下。总之，这些事情远没有看起来那么难。
以上再和传统人工一比较就很清楚了，传统人工都是需要人工花费大量的人力、物力等去处理，而人工智能则只需要实现对于的算法模型，就能处理很多人可以处理的事物。

		自动登录	找回密码
密码			立即注册

人工智能工程师和传统人工有什么区别？

相关问题更多>

最新回答