阿里巴巴风鸣:做技术Leader要有危机意识

真是不知道。在阿里巴巴集团安全部竟然有这么一对儿,像极了“史密斯夫妇”。唯一的不同是,今天咱们要开八这一对儿是写代码的,电影中的那对儿是玩枪的。

风鸣,钱盾反诈平台iOS技术开发的负责人。戴眼镜,白白净净,说话不紧不慢,显年轻,关键是头发浓密而且发质很好,与我印象中的不太一样,感觉是程序员界的一股“清流”。
IMG_6926

当我问他是不是还单身的时候,得到的是非常决绝的回答——已婚了!而他的另一半,竟然也在阿里安全。这爆料,让我有点措手不及。

虽然,夫妻档在阿里巴巴不仅不罕见,而且很常见。但令我没有一点点防备的是,风鸣说他老婆居然是做开发测试工作的。我迅速脑补了一下,这两口子在家的场景。

“这代码你写的吧?”
“是啊。”
“有Bug,怎么写的?”
“啊……那咱们一起解了这个Bug吧~”

于是,两口子面对着电脑,噼里啪啦敲键盘,那画面……
我有几张阿里云幸运券分享给你,用券购买或者升级阿里云相应产品会有特惠惊喜哦!把想要买的产品的幸运券都领走吧!快下手,马上就要抢光了。

觉得杭州好

毕业之后,阿里之前,风鸣的经历和大多数程序员并没有太大的不同,只是他自己觉得有些“折腾”。

从天津大学毕业之后,风鸣想要更进一步,于是他选择了在浙江大学攻读研究生,顺利修完所有的专业后,他选择进入了一家业界知名的专业安全公司。自此,他的程序员生涯正式开启。

然而不甘现状的他在工作一段时间之后,决定跟几个小伙伴创业,但最终却失败了。最终,他想要回到爱人的身边,和她在一起。于是,他从杭州又去了南京。

然而,在南京待了一段时间之后,风鸣和老婆说起杭州的种种好处,嗯,上有天堂,下有苏杭嘛。刚好,阿里巴巴及时地送来了一份Offer。

风鸣又踏上了“回家”之路。大半年之后,他的爱人也从南京过来,也加入了阿里巴巴。两口子甚至连户口都转到杭州,下定决心,要在这里建立自己的家。

爱老婆爱代码也热爱生活

万万没想到,风鸣还会烧菜,而且最拿手的是因某地产名人而红的“红烧肉”。谈到做菜,风鸣有点儿小兴奋,他告诉我,红烧肉其实很简单,把白糖用油煎一下,就可以给肉上糖色。真是令人大开眼界,让我对程序员的印象又有了很大的改变。

原来,风鸣在南京那段时间,为了照顾好老婆,他整天在家就琢磨怎么做菜。每天他老婆下班回到家,等待她的就是各式热气腾腾的饭菜。

和多数程序员不一样的是,风鸣并不是宅男,相反地,他还经常和老婆一起骑行。最远的一次,曾经从南京骑车到杭州。

在风鸣眼中,他老婆是个非常经济实惠的人。“我也想给他多花点钱,她自己倒不愿意了。”当风鸣说这话的时候,根本不知道自己会引来多少羡慕和嫉妒,完全不考虑别人的感受啊。

但不管怎么说,风鸣让我知道,技术男也不一定是很糙的,日子也可以过得很精致的。

曾经被骗过

既然负责钱盾的技术,我和风鸣就自然而然地聊到了诈骗。

讲老实话,之前我一直对诈骗无感,因为从没在我身上发生过,我甚至一度质疑那些报纸和网站上报道的诈骗案的真实性。直到今年上半年的某个凌晨,我正在与周公约会的时候,犯罪分子在一个香港网站上盗刷了我的信用卡。

我于是问风鸣,他有没有被骗过,他回答说有。

风鸣刚刚上大学的时候,遭遇了诈骗,但是是在线下。那一次,他从家里到学校的时候,在北京下了火车,要转车,此时有个人拦着他说自己钱丢了,能不能给点路费。风鸣看着那人可怜兮兮的样子,毫不犹豫地从兜里掏出了100元。后来回想起来,风鸣才觉得这一定是个骗子,当时的自己是“图样图森破”。

聊到诈骗这个话题的时候,自然而然地得出了一个结论。诈骗之所以能够实施成功,大多数情况下都是利用人的同情心或贪欲。

你随便‘钓鱼’,识别不了算我输

风鸣团队有一个哥们,花名是“刀勒”,这是一个很奇怪的花名,一般人不知其意。风鸣告诉我,因为这哥们的名叫“美超”,谐音美钞,所以花名也就谐音dollar……于是乎,风鸣他们团队的其他小伙伴都纷纷建言,让刀勒给他女儿取名叫欧元……

说起钱盾APP,有个特别好用且实用的功能叫“全局防钓鱼”,是由风鸣和刀勒一起研发的。这个功能好在什么地方呢?都知道,现在几乎都会收到短信、微信信息或者经常扫描二维码,很多诈骗犯罪分子于是就利用这些植入钓鱼链接,但是,只要你在钱盾APP中开启了该功能,无论你是从短信、浏览器、微信等任何渠道,通过扫描二维码,点击网址等任何形式进入钓鱼链接,它都可以识别并阻断。

实际上,在PC时代,防钓鱼这种技术并不新鲜,但是在手机等移动终端上实现起来却并不容易。风鸣一直都想把这个非常实用的功能做到手机上,让更多的人免受“钓鱼”的侵害,最终在阿里巴巴,他达成了这一夙愿。

“你随便‘钓鱼’,识别不了算我输。”风鸣说,这是他的团队给实施诈骗的黑灰产分子的郑重承诺!


原文链接

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值