[Note] AI Industry

Introduction

最近刷知乎,有看到这样一个问题“如何看待2021年秋招算法岗灰飞烟灭?”,虽然标题夸张,但确实反映了当前算法岗位内卷严重的真实情况。前面写了很多篇paper的阅读笔记,这篇就站在产业界的角度,来谈一谈AI在实际产业界的落地、商业模式以及对人才的要求吧。

What’s the Gap Between Academia and Industry?

Emphasis

在学术界,追求的普遍都是模型的创新与方法在某个数据集上的精度,因此常见的衡量标准就是Paper产出量以及Kaggle等比赛排名是否靠前。但是在工业界,却并非如此,工业界的第一诉求永远是能否以最低的成本来解决业务痛点你的模型/策略能带来多大的商业价值?这个时候,模型的novelty其实并没有那么重要,选择业内成熟的方案,能够低成本稳定运行即可。以CV为例,现如今跑在很多公司服务器上的模型依然是ResNet/Faster RCNN/SphereFace等几年前的“老模型”。这些成熟模型虽然在很多时候其实是已经完全满足了业务需求(因为在工业界,高质量数据带来的提升远远比算法重要),但并不是说AI算法工程师就应该停留在舒适区止步不前了。尽管深度学习在近些年遇到了一些瓶颈,但每年依然有一些比较亮眼的工作出现。举个栗子,你现在做图像分类,A同学上来二话不说就是ResNet硬怼,你通过follow最新的research成果,用上了EfficientNet/ECAMobileNet/MobileNetV3等轻量级模型,在准召相近的情况下,你的线上serving只需要两块GPU就可以抗住对应的QPS,而A同学则需要4块GPS,这个时候你的优势是不是就体现出来了?另外就是,在当前AI行业如此内卷的大环境下,你如果能follow最新的paper,并及时赋能实际业务,也表明了你是一个热爱学习的人,面试官往往会觉得眼前一亮(有点“面向简历工作”的意思,哈哈)。不管什么时候,作为算法工程师,有高质量的paper及Top比赛排名,任何时候都是简历上非常加分的亮点

Deeply Understand Your Business

企业的目的是赚钱,在企业上班的工程师的KPI是产生业务价值,因此绝大多数时候并不会去刻意追求模型的novelty。深入理解业务,了解该业务的上下游,你的模型对上下游的影响,你在整个业务线中处于一个什么样的角色,梳理清晰业务,并从中挖掘出业务上的痛点,并根据你的经验和专业技能提出低成本的解决方案。能到达这一步,你就基本达到专家工程师的高度了。很多同学有个错觉,就是觉得算法专家一定要是顶会paper等身才行,而根据我的观察,在企业业务部门,能解决业务痛点更重要。培养业务视角,平时可以多关注行业内大厂前辈们的分享,以及行业研究报告。

Summary

最后,通过近2年的research经历与2年的工业界经历,我总结了一下视觉算法工程师应该要掌握的知识技能思维导图。感兴趣的同学可以参考,也希望大佬们提意见~

Computer Vision Algorithm Roadmap

Business Model of AI

AI企业主要分为to Bto C
to B型AI公司主要有以下几种商业模型:

  • 为其他企业提供服务(例如SDK、API等),比较知名的有商汤、旷视
  • 虽然产品都是自己的,但客户主要是政府、物业等,比较知名的是海康、大华这种智能安防公司
  • AI只是辅助功能,以极低的价格(甚至免费)卖调用次数,实际上是卖自己的云服务,例如阿里云、百度云等
  • 更有甚者通过开放接口采集数据来迭代自己的模型,形成数据闭环,然后通过迭代的更准确的模型去竞标2B/2G的单子,就不举例了

to C型AI公司的服务对象是广大的用户,它们其实并不像前者那样强调自己是AI公司,而是通过AI技术赋能自己的业务,带给用户更好的体验。常见的AI落地场景有:

  • 电商:例如淘宝/京东/拼多多的拍照购
  • 短视频:例如抖音的视频特效
  • 零售:例如AmazonGo的商品识别、根据人流量选址

References

  1. Sculley, David, et al. “Hidden technical debt in machine learning systems.” Advances in neural information processing systems. 2015.
  2. 2021届秋招算法岗真的要灰飞烟灭了吗?

Powered by Hexo and Hexo-theme-hiker

Copyright © 2018 - 2024 LucasXU All Rights Reserved.

UV : | PV :