twinkle

普通程序员如何向人工智能靠拢?

作者:刘若泽

原文:https://www.zhihu.com/question/51039416/answer/138535202

这时候有两个选择,工业界的可以选择看开源项目,以改代码为目的来读代码;学术界的可以看特定领域的论文,为解决问题而想发论文。无论哪者,都需要知识过硬,以及较强的编码能力,因此很能考察和锻炼水平。经过这个阶段以后,可以说是踏入AI领域的门了。“师傅领进门,修行在个人”。之后的路就要自己走了。

AI 创业的一点思考

作者:徐宥 原文:http://blog.youxu.info/2017/01/04/thinking-in-ai-startups/

解决问题的工具进化后,以前大家没觉得是问题的(主要是解决不了),现在变成了问题。一个最简单的例子是自动驾驶。

想要成功,单解决一两个问题是不够的。To B 的 AI 创业公司的挑战不在技术上,而在产品创新上。怎么制造差异化服务,让这个服务无可替代——这就看各家公司的想象力了。

在我看来,AI 创业,还是要落实在深入解决一个非标准(不能拿标准的深度学习模型一套就能用)的问题上。

解决非标准的问题,需要的就不仅仅是 AI 人才。对特定行业的了解,痛点的把握,对用户的理解等等,往往比 AI 更加重要。在这一点上,AI 创业者可能会死磕模型和数据,或者只想着找最顶尖的 AI 研究者,而忘记了真正对用户有价值的东西。模型只是整个产品世界里很小的一部分。AI 创业公司不代表 AI 是唯一重要的事情,这一点算是我前面四个月学到的一点经验。

Building scalable systems to understand content

作者:Joaquin Quiñonero Candela 原文:https://code.facebook.com/posts/1259786714075766/building-scalable-systems-to-understand-content/

That’s changing because we’ve pushed computer vision to the next stage with the goal of understanding images at the pixel level. This helps our systems do things like recognize what’s in an image, what type of scene it is, if it’s a well-known landmark , and so on. This, in turn, helps us better describe photos for the visually impaired and provide better search results for posts with images and videos.

相册中的 landmark 识别

We’re currently running 1.2 million AI experiments per month on FBLearner Flow, which is six times greater than what we were running a year ago.

With computer vision models getting pixel perfect and Facebook advancing into video and other immersive formats, Lumos will help unlock new possibilities in a reliable, fast, and scalable way and pave the road for richer product experiences in the near future .

简历背景等于一个人的成就和水平吗

作者:洪亮劼

原文:https://weibo.com/ttarticle/p/show?id=2309403973135329306980#_0

一般来说,我们在雅虎研究院面试一个全职员工,是对这个员工的综合能力的一个考量。因为工作性质的原因,我们需要我们的科学家,能够具有以下这些素质:

  • 科研的基本水平:这里面包括如何查找相关文献;如何把一个工程问题或者是产品问题转化成科研问题,从而利用科研工具解决这个问题;如何完成完成的科研流程(比如提出解决方案,实现解决方案,做实验,写论文专利);如何包装科研成果(比如作报告,向其他工程师讲授内容)等等方面。
  • 工程的基本水平:虽然我们的科学家并不是工程团队的工程师,但我们也要求我们的科学家能够理解现在公司的工程框架、代码库,能够在实现关键代码;能够做代码审核(Code Review),能够做非常接近于生产环境(Production)的原型系统(Prototype)。
  • 交流沟通能力:能够清晰得阐述自己的观点;能够聆听别人的观点;能够起到科研成果、工程、产品之间的桥梁作用。
  • 团队协作能力:能够在一个科研团队里能够发挥自己的作用,能够帮助团队成功,而不是只关注自己。
  • 好奇心:能够学习新东西,有很强的自我要求。能够在短时间内学习大量的新知识。

实际上,通过我的经验来看,有无名校名经历与否,都和上述五点素质并没有绝对的关联。那么产生这样情况的原因是什么呢?原因肯定有很多,我这里说一个方面。有不少名校名经历的候选人,把精力和时间都放到了如何进入名校和如何获得名经历这方面了,而对于自身实际水平的提高却没有放那么多心思。因为 他们优化的是经历,而不是实际的水平 (当然,人生究竟应该是优化什么,这是另外一个话题)。看看我刚才说的五个方面的能力,与名校的录取条件和名公司的实习录取条件都不太一样。这也就说明了,这些经历和是否能够达到我们选择人才的标准没有必然联系。

另外,如果是名校名背景,我一般会有一个更高的标准。举个简单的例子,名校的候选人,论文很多,但是仔细一看,灌水文不少。这也许对普通学校的学生可以接受,但是名校的博士, 接触的资源多能够达到的潜力就应该更大,如果只有一些前后不搭的灌水文,明显说不过去 。另外一个例子,名校的候选人,我对于Open-Ended的问题,就 不容忍候选人使用非数学非科研方法来解决问题。因为普通人都能够想到的方案,还需要你名校名经历的毕业生干嘛要招一个背景优秀的,一定是要带来不一样的东西,一定是要大大高于一般人的水平。