⑴ 华为算法工程师和AI工程师的区别
工作职责的区别。
一、算法工程师的岗位职责：大视频是华为未来很长一段时间的主航道，加入主航道，你将获得巨大的拓展空间。在这里，你将有机会接触到最顶尖的计算机视觉技术前沿，超级丰富的计算资源和数据，极具挑战的产品需求，以及一流的业界专家。在这里，你将负责：
1、计算机视觉算法研发与产品开发，包括但不限于人脸识别、人脸属性识别、目标检测、目标分类、目标属性识别、图像分割、图像解说、目标跟踪、视频分割、视频语义提取、文字检测、人体重识别、图像生成、图片审核等顶级技术领域；
2、深度学习算法的研发，特别是在计算机视觉领域的应用研究，以及模型加速、模型加密、模型量化等研发。二、AI工程师的岗位职责：
1、精通AI相关算法的原理，优缺点和相关使用场景，包括但不限于：深度学习，统计学习，树算法，GAN，RL，EA，CNN，RNN，最优化等等，在CV或NLP有相关实践经验更好；
2、擅长tensorflow或pytorch的使用，能写相关的分布式训练和预测的代码，熟悉分布式计算的原理，两个框架都熟悉或看过源码更好；
3、熟悉AI相关算法的性能调优，包括模型压缩。量化，GPU/CPU优化，分布式计算优化等等，有HPC实践经验更好。
⑵ 如何成为AI人工智能算法工程师
我在学校也打了python，做了一个履带式演示或类似的东西，因为时间不长，我把它放在一旁。明确的目标，例如，如果您想进行NLP，则需要知道NLP的应用程序具有智能的问题解答，机器翻译，搜索引擎等。然后，如果要进行智能问题解答，则必须知道最先进的技术是深度学习，并且使用的算法是RNN/LSTM/Seq2Seq
/等。我明确的目标是在实习期间给我任务。当任务清晰时，所需的语言就清晰了，要学习的算法也就清晰了，并且很多事情都是合乎逻辑的。
从金融到技术
人工智能的应用非常广泛，每个研究方向都是无限的。由于金融公司很少与图像处理和诸如NLP之类的技术进行交互，因此我强烈的好奇心使我决定去纯粹的技术公司进行调查。致力于智能家居，目标是Javis
人工智能/机器学习/深度学习
我经常在公交车的广告牌上看到这些字眼，好像没有该技术的公司会落后一样。还有各种学习，例如强化学习，迁移学习，增量学习。
这些话之间是什么关系机器学习是人工智能的一种，而深度学习是机器学习的一种。在学习机器学习之前先学习AI。
计算机“算法”与数学“算法”之间的区别
理论知识对于AI算法工程师来说非常重要。敲代码只是想法的实现过程。这里的“算法”与计算机CS的“算法”不同。
AI算法是从数学上推导的，因此仍然需要学习数学基础。学习越深入，要求越高。在面试期间，极少允许使用手写代码，并且90%的人要求模型挑选算法细节。
在学校里，我是一个不喜欢做笔记的人，甚至是一个不喜欢上课的人。但是自从我进入机器学习之路以来，笔记就开始腾飞了〜
⑶ 阿里开源新一代 AI 算法模型，由达摩院90后科学家研发
近日，阿里 AI 开源了新一代人机对话模型 ESIM。该算法模型提出两年多，已被包括谷歌、facebook 在内的国际学术界在200多篇论文中引用，更曾在国际顶级对话系统评测大赛（DSTC7）上获得双料冠军，将人机对话准确率的世界纪录提升至94.1%。
ESIM 模型最初由达摩院语音实验室内的90后科学家陈谦研发，现在已经成为业界的热门模型和通用标准。这支平均年龄30岁的研发团队宣布，即日起向全世界企业与个人开源ESIM模型，与全球开发者共享这一成果，共同推进人工智能技术发展。
在去年 DSTC 7大赛上，ESIM 横扫 NOESIS 赛道，从麻省理工学院、约翰霍普金斯大学、IBM 研究院等近20支参赛队伍中脱颖而出，拿下该赛道两项比赛的冠军。
DSTC 是学术界权威对话系统评测大赛，由微软研究院、卡耐基梅隆大学的科学家在2013年发起，今年举办到了第八届。NOESIS 赛道考察AI的人机对话能力，要求 AI根据给定的多轮人机对话 历史 ，从成百到上万个句子中选出正确的回复。
人机对话系统及其背后的认知智能，是人机交互中最复杂也最重要的技术，曾被比尔盖茨形容为“人工智能皇冠上的明珠”。为让机器快速准确理解人类的表达，ESIM给 AI 装上一套“雷达”系统，赋予它实时检索对话 历史 、自动去除干扰信息的能力，使它能够给出人类期待的回复。
这项突破将给智能客服、导航软件、智能音箱等应用场景带去显着变化，阿里基于 ESIM 模型研发的智能语音点餐机、地铁语音售票机等应用已在杭州、上海等地落地。
这不是阿里第一次开源前沿技术。2018年达摩院开源了新一代语音识别模型DFSMN，吸引众多研究者在该模型基础上开展工作，甚至再度刷新语音识别世界纪录。
⑷ 干货分享 | AI研发工程师成长指南
作者 | Japson
来源 | 木东居士
0x00 前言
首先，《AI研发工程师成长指南》这个题目其实有些标题党了，准确地来说，本文内容应该是：“要想成为一名AI研发工程师，需要具备哪些技能”。
其次，本文对“AI研发工程师”这个title的定义，也并不是大家第一印象中的“算法工程师”、“数据科学家”。
再次，本文实际上作者结合现阶段行业发展、技术趋势以及自身工作性质做出的关于自身定位、职业技能、发展方向的思考。就像魔兽世界中的“职业攻略”，当我们在游戏中新建一个角色时，会先去了解这个职业的特点、天赋、技能树等信息，这样才会在“练级”的过程中少走些弯路。
最后，作者不是从一个很高的角度来对整个成长体系进行一个全面地阐述。而是站在道路的地点，不断摸索、不断前进、不断地调整自己的规划。因此本文不算是Best Practices，勉强算是Beta version，也希望能和大家不断交流，不断“发版”。
0x01 关于AI行业的思考算法工程师的门槛
AI算法工程师年薪百万，应届毕业生年薪都有80w… 去年AI人才缺口就已经过百万，今年将达500w… 加入《XXX训练营》，XX天打造AI算法工程师…在网络上充斥着各种类似上面那样的吸引眼球的文章标题，向你诉说着人工智能这一火的不能再火的领域美好的前景。仿佛我们看了两遍西瓜书、处理了MNIST和几朵鸢尾花、在自己的笔记本电脑上掉了几个包、得到了和教程上一样的结果，打了几场比赛，我们就已经拿到了AI领域的通行证、成功转型算法工程师、接大厂offer到手软了一样。
但实际，现在AI算法工程师的就业难度和准入门槛，远比我们想象的要高。
上一张网络上流传的“诸神黄昏”吧
可以说一点不夸张，现在很多大厂的校招算法岗，门槛就是海外名校/985工科院校的博士/硕士。除了拥有与学历匹配的学术能力以外，工程基础也要非常扎实。
有人说：“我看网上说，AI人才缺口非常大，我不去大厂不就行了？其他的公司要求没那么高吧？”
要求高不高我不知道，但是有一下两点：
绝大多数公司，是不需要雇佣AI算法工程师，即没有相关的业务需求，也负担不起算法团队的开销 2019年研究生报考人数290万人，预计招生70万人，其中计算机是热门专业，并且其中多数人的研究方向都是： 机器学习、数据挖掘之类。此间竞争之激烈，诸如此类，虽未得其皮毛，也略见一斑。
AI企业痛点
当然，我说这些不是为了打击大家的信心，而是要指出现在行业内的痛点：AI工程化。
人工智能发展到现阶段，已经从实验室中的算法走向了工程化应用的阶段。但是算法落地并没有想象中的顺利，开始有越来越多诸如场景碎片化、应用成本高、实验室场景到实际应用场景效果差距较大等问题被暴露出来，而这些也成为当前阶段AI落地应用过程中新的痛点。
领域内高水平的paper都是公开发表的，除了少数的核心算法，人才济济的AI企业很难在算法性能上与友商拉开距离。那么AI企业想要商业化，想要创收，行业细分领域纵深成了决定成败的重要因素。需要下沉到业务领域，真刀真枪地进行拼杀。
在技术突破-商业化-产品化-工程化的阶段路线中，除了技术强，接下来还有很多路要走。谁能够更好更快地把算法从实验室中拿出来、卖出去；更好更快地将模型交付到业务场景，真正产生实际的价值，让客户满意，谁才能活得更久。
对于Scientist/Researcher而言，技术可以是一篇论文、一项 ImageNet 竞赛的冠军、也可以是一个重要数值（比如人脸识别准确率）的突破；但在商务侧来说，论文与冠军并不实用，如果技术无法融进安防、汽车、金融等行业，变成切切实实的产品，客户与合作伙伴就会拒绝买单。
对于AI企业来说，能否深入了解各行业的业务流程、业务规则、知识经验，进而将技术能力转化为业务解决方案创造价值，是发展的保障。
那么对于我们个人来说，应该如何发展呢？
0x02 AI研发AI工程化
在《ML/DL科普向：从sklearn到tensorflow》一文中，我们谈到：
…… 那么对于我们这些非算法岗位的人来说，就没有办法涉及这一领域了么？其实我认为，对于企业来说，对于AI人才的需求分为两种：一种是学术界的牛人，发过大paper，有学术界比赛的结果的。公司需要他们去做算法研究，保持技术的领先性，在业内赢得口碑，这样才能在领域内保持头部领域。另一方面，人工智能早已不是一个概念了，企业需要把业务部门的算法落地的人，能够快速、稳定、高效地把实验室中的算法落实到生产环境中，解决实际问题的人。这就需要那些工程底子扎实、能够实打实地写代码，并且对算法模型理解深刻，能够快速将AI项目工程化、落地有产出的复合型人才。
还是基于这个观点，我决定将自身的技能树偏向企业需要的第二种人，也就是标题所提出的“AI研发工程师”。从实际的工程应用角度出来，focus人工智能项目落地的全流程以及解决方法，提高自己的AI工程化能力，以此作为个人核心竞争力。
AI项目全流程
网络上很多文章描述的所谓“机器学习项目全流程”，例如：数据收集处理、特征工程、训练模型、模型测试等等。这套流程对不对？对。但是远远不能满足企业的需求。
AI项目是团队创造出的具有商业价值的产品、服务以及交付产物。有着明确的需求、计划、周期、成本、交付流程以及验收标准。
以下以toB业务为例，对AI项目全流程进行简单梳理。toC业务大体如此，只是将客户替换成公司业务方即可。
初步需求沟通确认 该环节主要是由销售、售前完成。了解客户的基本情况，辅助客户根据自身业务挖掘AI应用场景。根据实际的业务需求、数据质量、硬件资源、期望产物来评估具体的方案以及建模思路。 POC阶段 Proof of Concept。在完成初步的评估之后，团队需要针对客户具体应用进行验证性测试，包括确定业务场景边界、业务评判指标、数据调研、资源需求、硬件/平台部署等。 场景方案确认 该环节需要售前、科学家、工程师等多角色与客户进行细致的场景沟通，明确需求、确定验收标准、评估工作量。因为该阶段结束后即输出SOW方案，因此需要反复沟通商榷。 建模开发阶段 4.1项目详细规划 项目经理根据前期资料提供详细的方案设计、功能清单、资源投入、里程碑安排等内容，召开项目启动会，明确项目内容及分工职责。 4.2数据处理 科学家在明确业务场景及需求后，对数据处理。其内容包括：数据质量检查、ETL处理（工作量较大）。还要对清洗后的数据进行探索性数据分析（Exploratory Data Analysis）以及可视化展示。EDA能够帮助我们在探索阶段初步了解数据的结构及特征，甚至发现一些模式和模型 4.3特征工程 根据探索性分析得到的输出，结合对具体业务的理解，对分散的数据拼表并进行特征工程。 4.4建模 形成初版建模，并对根据业务需求评估标准进行效果验证。后续需要不断进行模型迭代，直到满足需求，并做模型效果汇报。 4.5系统研发 将训练好的模型发布服务、部署上线，开发外围对接系统以及部分定制化功能的开发。输出可运行的系统。 测试上线 对系统进行流程测试、性能测试，满足需求后对项目进行交付&验收。 0x03 核心竞争力&技能树核心竞争力
通过对AI项目全流程的介绍，我们将目光瞄准到“建模开发阶段”的“系统研发”部分。虽然在上面只是一句话带过，但是其中的工作量和技术含量不小。
提起机器学习，尤其是深度学习，大家可能会对诸如Tensorflow，Pytorch，Caffee的工具耳熟能详。但其实在实际的机器学习的生命周期中，训练模型（上述工具主要解决的问题）只是整个机器学习生命周期的很小一部分。
数据如何准备？如何保证线上线下一致性？模型训练好了如何分布式部署？如何构建HA？需要批量处理还是实时处理？实时数据如何拼接？如何对模型服务进行监控、告警？做成PaaS还是MLaaS？
机器学习具有天然的Pipline特性，在企业需求中，大大小小的业务场景有众多的模型，这些模型如何进行打包、处理、发布？离线训练、批量预估、实施预估、自学习等任务类型交错，不同建模工具Sklearn、Tensorflow，Pytorch构造的模型如何进行整合？开发框架Spark ML、Flink ML等如何协同、对接。生产环境如何进行扩展和伸缩？如何支持AB Test？
为了解决这些问题，新生的开源框架层出不穷：Google自研的对接Kubernets和Tensorflow的开源平台Kubeflow；Spark团队打造的ML pipelines辅助工具MLflow；雅虎提供的机器学习及服务平台BigML；阿里巴巴推出的分布式机器学习平台SQLflow等等。众多厂商纷纷发力，目的就是解决AI工程化应用的痛点。
这些工作都是需要一大批工程师去完成。因此，我认为了解AI工程化场景、解决方案；熟悉AI项目流程、机器学习Pipline；掌握AI系统研发、服务部署上线能力的工程师将会逐渐成为AI团队的中坚力量。
技能树
之前铺垫了那么多，既是梳理思路，也是为接下来的系列做一个开篇。按照我的初步计划，技能树大概包括（不分先后）：
工程能力： 身为工程师首先要有工程能力，springboot/Netty/Thrift/等相关工具框架一定要掌握，微服务是机器学习平台的基础。 Spark SQL、Spark ML等更是大数据工程师用来做机器学习的利器，不但要掌握、更要从中抽象出流程和处理方法。 容器化： docker和k8s现在几乎是机器学习部署的必备技能，也是众多平台的基础。 是重要的前置技能。 机器学习&深度学习： 不要求能够手推算法、模型优化，但要能够了解含义、上手使用，起码要成为一名优秀的调包侠（也便于吹水）。 开源框架： 其实我最近打算学习kubeflow，并输出学习笔记及总结实践。 本文其实是这个系列的开篇。 当然，后续还有有调整。 0xFF 后记其实这种类型的文章，比单纯的学习笔记、技术文章难写多了。一方面，拖延症迫使我把难写的文章放在后面写，另一方面，强迫症又迫使我一定要在系列前出一个开篇。其实写到最后，总觉得核心部分还差点儿意思，没有搔到痒处，这是因为目前我还没有能力站在一个全局的角度对职业技术体系进行划分，只能梳理出目前的规划和看法。后续要还需和朋友们进行交流。
有些事情是一定要做的，纵观一些大牛前辈，无一不是在正确的时候做了正确的事。明确自己的目标，在前进的道路上不断微调自己的方向，这样才能在这个竞争激烈的职业中生存下去。
接下来会有系列的技术学习笔记，考虑到学习的连贯性，前期可能是一些基础的docker/k8s等系列，后期会研究一些开源框架。技术文章可能会枯燥乏味，知识点也缺乏新意，但是经过自己的整理和实践，再加上自身的理解感悟，相信会不断完善自己的知识体系。
⑸ 成为一名 AI 算法工程师，你需要具备哪些能力
这是一篇关于如何成为一名 AI 算法工程师的长文~经常有朋友私信问，如何学 python 呀，如何敲代码呀，如何进入 AI 行业呀?这里总结了成为AI算法工程师所需要掌握的一些要点，看看你距离成为一名 AI 工程师还有多远吧~
一、程序编写
如同大部分应用软件程序流程的开发设计一样，开发者也在应用多语种来撰写人工智能技术新项目，可是如今都还没一切一种极致的计算机语言是能够 彻底大圣配人工智能技术新项目的。计算机语言的挑选通常在于对人工智能技术程序流程的期待作用。
因为其英语的语法，简易性和多功能化，Python变成开发者最爱的人工智能技术开发设计计算机语言。Python最触动内心的地区之一就是说便携式，它能够 在Linux、Windows、MacOS和UNIX等服务平台上应用。容许客户建立互动式的、表述的、模块化设计的、动态性的、可移植的和高级的编码。
此外，Python是一种多现代性计算机语言，适用面向对象编程，全过程式和作用式程序编写设计风格。因为其简易的函数库和理想化的构造，Python适用神经元网络和NLP解决方法的开发设计。
变成一个达标的AI数据工程师必须灵活运用python基本英语的语法、python句子和表述句、python中的涵数与控制模块、python面向对象编程及其python文字实际操作。把握面向对象编程数据信息编程技术，都是为中后期的AI学习培训奠定扎扎实实的程序编写工作能力。
二、数学课
要学习培训人工智能技术，最基础的高数、线代、摡率论务必把握，最少也得会高斯函数、矩阵求导，搞清楚梯度下降是什么原因，不然针对实体模型的基本概念彻底不可以了解，实体模型调参加训炼也就无从说起了。
高数
高数必须把握的有关内容包含涵数、数列、极限、最后、极值与最值、威廉姆斯指数值和系数。
线性代数
线性代数的内容包含行列式、引流矩阵、最小二乘法、矢量的线性相关性、引流矩阵的初等变换和秩、线性方程组的解和矩阵特征值
概率统计
概率统计里的恶性事件、几率、贝叶斯定理、概率分布、期待与方差与参数估计
了解数学思维训练管理体系在深度神经网络中的运用，能够 了解深度神经网络中常见的数学函数公式，可以用python程序编写保持常见的数学课优化算法。
三、深度神经网络
深度神经网络一部分包含MLP实体模型、CNN卷积神经网络、RNN循环系统神经元网络、GAN生成式抵抗神经元网络等。
MLP实体模型
必须具有了解双层感知机的运作全过程和基本原理，并可以构建双层感知机实体模型。
CNN卷积神经网络
把握怎么使用CNN互联网解决室内空间难题，如照片、视频等数据信息。了解卷积、池化，及其反卷积、反池化的全过程和基本原理。而且可以构建有关的卷积互联网实体模型。
RNN循环系统神经元网络
把握怎么使用RNN解决时间序列难题，如智能化回复、智能翻译等。了解循环系统神经元网络RNN和LSTM、GRU的运作全过程和基本原理。可以构建有关的循环系统神经网络模型训炼与提升。
GAN生成式抵抗神经元网络
让神经元网络具有造就工作能力，了解生成式抵抗神经元网络和其变异互联网的基本原理，并可以构建变分自编号的互联网实体模型训炼和提升，可保持图象转化成、视频语音转化成等。
四、新项目实战演练
开展一些新项目实战演练针对你的工作经验累积是十分有利的。
人工智能技术图象/视觉行业数据工程师应当具有的新项目实践经验：YOLOV3多物块跟踪/CenterLoss图像识别技术/Mask-RCNN图像分割。
可以解决多总体目标跟踪，图像识别技术、图象隔开、图象核对等应用领域新项目。而且根据新项目能学得许多 工程项目方法，具体新项目中训炼实体模型的方式 和调参的工作经验。掌握了这些，你的AI算法工程师之路就能更近一步啦~
⑹ ai算法工程师是干什么的
ai算法工程师主要是用来做计算机视觉，自然语言处理的