数据驱动的算法工程落地！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

开源数据平台 格物钛 X Datawhale

导读：随着科技浪潮的演进，数据已然成为第五大生产要素，越来越多的企业开启数字化转型，然而目前企业的现状却是数据人才的储备远远不足，学生却求职内卷，所学与企业具体生产环境匹配极低。

本文邀请了雪湖科技算法专家张益兴、格物钛首席产品官王广宇带来分享：企业面临的数据问题是什么，以及企业实际工程落地的经验。分为三部分，第一部分是会先讲数据驱动算法目前的进展，第二部分是算法部门分工与招人痛点，第三部分聊聊数据管理的痛点问题。

01 张益新：数据驱动算法的进展

人工智能在国内2017年后才开始火热，资本市场也竞相追逐，但其实在 1950 年左右就出来了人工智能概念。但当时没得到很好的发展，出现了所谓第一次危机的，到了 60- 70 年代，又出现了第二次危机，明斯基等人工智能大拿论断说人工智能是无法实现的。直到布尔兹曼基的算法出现打破了这一论断，80 年代的时候，现在我们大家所熟知的图灵奖深度学习三巨头出现，终于在 2008 年开始有一些转机。吴恩达用 GPU 解决了数据集训练问题，才把我们目前使用的这种基于数据的方法训练这条路走通了。

我们现在还是处于弱人工智能时代，是有多少数据，就有多少智能，有多少人工就有多少智能。目前的人工智能分为机器感知、学习、语言、记忆、决策几个方向。现在我们能落地的大部分都属于感知层级。语音和自然语言处理等处理的数据类型不一样，但也属于基于数据驱动的类型。

在目前的弱人工智能阶段，是一个趋于数据驱动的过程。工程落地的大致流程步骤，其实就是我们基于深度学习的框架tensorflow等所架构的一套叫做生产环境部署的流程。从最初的提取和验证数据，到训练分析模型，最后部署到生产环境中，这是一套环环相扣的标准流程。只要把每一步操作都链接起来，有机会形成一个快速落地的工程，这是在算法落地中非常看重的一环。