AI人才培训体系:3个月培养合格AI工程师

新闻

作者：微信文章


深夜两点整的时候，我在公司楼下的便利店内挑选关东煮，碰到了刚刚下班的实习生小陆，他抱着电脑站在玻璃窗前，屏幕上显示的是崩溃的模型，他的眼神好像被抽走了魂魄。这样的场景我很熟悉，五年前，我在中关村租的隔断间里，朝着报错的代码发泄过不满，把《统计学习方法》翻得页边卷曲，还是搞不懂“为什么我的支撑向量机准确率比随机猜测还低”。后来带了十几个新人，才慢慢摸索明白。打造合格的AI工程师，不是往他脑袋里塞知识点，而是帮他构建起，能解决问题的，底层的逻辑 。。
1. 先“拆”再“建”，别让“全面”变成“全散”

有不少培训课程犯过这样一个错误，这个错误会带来严重后果，一开始就去讲解Transformer以及diffusion模型，这情形如同把跑鞋塞给才刚开始学走路的孩子，表面上看起来很厉害且高端，可实际上一旦踩上去就会摔倒。我曾经带过一位应届毕业生，其简历上面明明白白地写着“精通BERT”，当我向TA询问“注意力机制的梯度是如何计算的”之时，TA犹犹豫豫、结结巴巴地声称“论文里没有详尽讲述”；随后让TA去调试一个相对比较简单的逻辑回归，TA把学习率设定成了0.1，然而结果损失函数却变成了NaN 。

AI工程师的底层能力，是“数学+代码+业务”的三角架。那么数学是啥呢，它是这样一种有能力看清模型底层那种逻辑的事物，代码的意义是得把论文转变为能够运行起来的程序，业务是清晰明确究竟模型应该去解决什么样子是问题哦。这正如盖房子那般，首先要打下可以起到根本支撑作用的地基（那就是数学），紧接着搭建出来框架（此为代码那个部分），最后开展装修工作（这便是业务啦），可要是缺失了其中任何一个要去完成的步骤，房子就会出现倒塌状况的。

刚学习梯度下降那时的我回想起来，把“偏导数”错当成“全导数”，导师当时拍桌子大声责骂，说：“你连方向都完全弄错了，跑得再快又有啥用呢？”随后他给我绘制一幅山坡图形，还说：“梯度是下坡方向，偏导数是各方向坡度——得先搞清‘往哪走’，再思考‘咋走’。”。我直至当下都还记着这句话 ，当下我带领新人之际 ，第一节课始终都是 “重新学习高等数学” —— 这并非是要对他进行考核 ，而是要让他清楚知道 ：模型不是黑盒子，每一行代码都有数学逻辑支撑。



2. 用“项目锚点”代替“知识点堆砌”

去年，我们做了一回试点尝试，把新人培训模式从先前的“理论课 + 实验”换成“全程跟项目”，即让新人投身于一个实际有的电商推荐系统项目里，新人要从起始的爬取数据着手，接着开展标注数据的活儿，随后又对模型予以调试，一直到执行A/B测试阶段，新人得全然仿效跟着老员工一块儿推进工作 。最终呈现出的那个结果，是超出了预先所做的想象的，三个月过去了之后，新人所拥有的“问题解决能力”，和之前参与培训的那些人员比起来，提升了40% 。打个比方，有一位才加入的新人，之前花了三个月的时间去钻研那个“损失函数”，然而最终还是不知道该怎样进行调参；在参与项目的这段时间里，他跟着数据团队去梳理了10万条用户行为数据，跟着算法团队对学习率做了五次调整，跟着产品团队开展了三次A/B测试——最终他对我说：“原来调参不是按照论文里所说的那个‘最优值’，而是要依据用户点击率来开展操作。” 。项目不是‘练习册’，是‘把知识点变成能力的转换器’。”

在我回想自己头一回开展项目的时候，出现了把训练数据和测试数据弄混的情形，从而导致模型过度拟合，到了“哪怕训练集里的噪声都记住了”一样的地步。导师没有责备我，而是叫我再运行一次数据，还说：“你得记住，数据是模型的‘食粮’，要是食粮给错了，就算模型特别厉害也没用处可讲。”。现在我于带领新人之际，会专门给他们进行“设置陷阱”这一行为，举例而言，将标注规则撰写成含混模糊的样子，致使他们自己发觉到“数据标注存在错误，模型肯定没办法准确开展工作”；另外，像把模型推理速度调控得极为迟缓，让他们自己去实施优化 。试错不是浪费时间，是帮他们建立“问题溯源”的思维。



3. 给“试错权”，别当“标准答案机器”

在刚刚过去的上一个月期间，有一位新近才加入进来的新人，那时正在开展图像分类工作，他却把“橘猫”错误地标注成了“狗”，当时所运用的那个模型，其准确率竟然仅仅只有50% 那时他着急得差一点就要哭出来了，然后赶忙跑过来找我，还问：“是不是我自己太过愚笨了呀 ？” 我并没有对他进行责骂，而是反过来让他去查看那些已经标注好的数据 ，随后发现在“标注规则里面，并没有清晰明确地写明‘橘猫’的特征” 。咱们一道再次进行了1000张图片的标注，把“橘猫”的特点写成“毛色是橘色的、带有条纹、体型属于中等程度” ，模型的准确率猛地就提升到了85% 。他之后对我说：“原本不是我笨拙，而是我没搞清楚‘数据标注是模型的基础’这个道理” 。

AI工程师不是“调参工具人”，是“能解决具体问题的人”。你要允许他犯下把橘猫错当成狗那样的错，还要允许他对不符合论文最佳数值的参数加以调整，并且必须允许他花费时间去尝试犯错，因为这些错，都是他未来解决问题的经验储备库呢。

去年那时的一位新人，被我忆起，在做推荐系统期间，把“用户点击量”当作唯一指标，所以推荐的全是“标题党”类内容，业务方斥责他“没脑子”，他委屈到极点，几乎生出辞职想法，我带他去和用户交谈，听用户说“我想要的是‘我可能真的需要’的东西，不是‘我好奇点了一下’这类东西”，他突然领悟：“原来模型指标不是‘点击率’，是‘用户的长期满意度’。”。往后他针对指标作出调整，加入了“用户停留时间”、“复购率”，推荐效果进而提高了25% 。试错权不是“纵容”，是帮他建立“业务感”——AI不是单纯单纯只是“为了构建模型而去构建模型”这般简单，而是带有具备特定目标的“为了切实解决业务有关方面的问题才去构建模型” 。



4. “业务感”比“模型参数”更重要

我眼见了数量不少并呈现出被叫做“高分低能”情形的AI工程师，他们所制作的模型，准确比率已于达到百分之九十九这般程度，可是业务方却清晰表明“这模型一点用处没有”，这是因何缘故呀？缘由是他压根就没搞清楚“业务的核心需求”到底是啥 。就以医疗AI来讲，医生期望得到的是，在3秒内得出结果，而绝不是那种，虽有99%的准确率，却要历经10分钟漫长等待的情形；再如客服AI方面，用户所需的是，切实能解问题，而绝非只是，仅会巧言善辩，却老是答非所问的这般表现。AI工程师的终极能力，是“把模型翻译成业务价值”。你得明白，你所调节的每一项参数，都跟业务方的某一个需求相互对应，你所撰写的每一行代码，对该用户的某一种体验都产生着影响 。

我回忆起自己刚开始搞医疗AI的时候，把“肺癌识别”的准确率实现到了98%，但医生讲“这模型没什么用”，原因是“病人承受不了10分钟的推理时长”。之后我们对模型构造做了优化，把推理时长从10分钟减少到了2秒，准确率降到了95%，可医生却说“这才是我们需要的”。就在那一瞬间我明白了：AI的价值，不是“模型有多准”，是“能解决业务的痛点”。现今于带领新人之际，我会运用如此方式，让他们与业务方开展交流，针对用户进行调研，此处所讲的并非是要他们刻意去讨好业务方，而是要他们切实明白业务所面临的痛点 ， 。



凌晨三点这个时候，小陆给我发了消息，消息写着：“哥，我把模型调通了，用户点击率提升了百分之十五！”，消息后面跟着一个蹦跳的表情。我回想起五年前的自己，也是凌晨三点，给导师发过同样的消息，而那时感受的喜悦，不是因为“模型准了”，是因为“我终于能解决问题了”。

培育合格的AI工程师，情况是这样的，不是那种能在3月之内教出只会调参的机器，而是要在3月之内助力其搭建出使问题得以解决的底层逻辑：因为懂数学，所以能够看懂模型；因为懂代码，所以能够实现模型；因为懂业务，所以能够让模型发挥效力；因为懂试错，所以能够把问题予以解决 。

仿若是小陆讲的那样，原本AI不是高高在上难以企及的东西，而是能帮助用户解决问题的工具，这话，比任何宣称模型准确率99%都更珍贵。



图片来自网络或AI生成，请注意甄别，侵删，谢谢！

往期回顾

◆电动汽车增长“踩刹车”：与燃油车的“胶着战”进入“相持局”

◆AI专利布局策略：保护核心技术的正确姿势

◆AI并购潮来临：大公司收购逻辑揭秘