本文着重介绍工作方法。工程师群体中有很多非常聪明的人。他们在工作中会面临很多重复、繁琐的事情。如何用工程思维来处理它们，这几年通过工作和学习总结出来了。归纳起来，主要有以下几个方面。01重复链接的自动化这大概是程序员最基本的直觉和认知了。自动化可以从“CV工程师”的角度来理解：第一次复制粘贴CtrlC+CtrlV时，要考虑是否可以抽象成一个组件或工具；第二次复制粘贴的时候，组件的结构和设计应该已经比较清晰了。当你第三次复制粘贴时，你已经可以使用自己的组件或工具了。自动化不应仅仅体现在代码层面，它可以看作是一种解决问题的方法，自动化可以用于重复的环节。比如我们在写博客的时候使用图床，一般的流程是：截取并存储图片，上传到图床，获取图片的链接。如果这个过程不自动化，真的会让人放弃——很恶心，但事实上，Mac下的AlfredWorkflow可以很容易地实现自动化。再比如我们经常开会，我们可以做一个会议纪要的模板，每次开会的时候都抄下来。关键是要找到抽象重复动作的方法，有这种意识很重要。由于自动化更多的是一种意识，自然非技术人员也会需要它，而且可能更需要。例如，行政人员可以手工发放工资单，业务人员可以每天下载一次报表，然后对报表进行一些统计或其他处理。这些任务实际上可以自动完成。自动化程度不高，还是得会Python，有时候写代码会比较复杂，比如前面提到的Workflowimagebed的例子。对于非技术人员来说，Excel往往更实用一些，比如统计、去重、切片、过滤等，在Excel中点几下鼠标就可以了。工具不重要，只要能把事情“自动”完成，工具越简单越好。02Batching批处理和自动化可能有些相似，但批处理更侧重于一次完成一类工作。核心是“批”，自动化的核心是“自动”。批处理一般是针对一个特定的工作内容，比如统一查找替换，统一给所有句子添加某个字符，批量下载数据等等。AI工程师应该对此非常熟悉。模型训练中的batch其实就是batching的一个例子。批次往往具有统一的特点，不仅效率高，而且可以避免逐一操作可能出现的错误。例如，给定一个包含多列的文本文档，我们想要提取包含数字的行。这时候，我们可以使用SublimeText，通过正则表达式找出所有的数字，然后选中该行，进行复制。批处理总是讲究事情能不能“一次性”完成，这往往体现在物流层面，比如下楼取快递，可以和外卖一起取；或者讨论的话题可以一起开会等，简而言之就是尽量一起完成相似的行为，以提高效率。还有时间批处理。也就是用一整块的时间去做一件事。我个人一般会选择上午作为安静时间，专注于需要集中注意力的工作，不看新闻，基本不动。03Simplification这里的简单包含两层意思：第一层是一般意义上的“简单”，第二层是大道至简的“简单”。第一层类似于simple，一般用作初始方案或临时方案；第二层的简单是通过复杂和冗余的表象直达本质，而整个系统层面的清晰和美观往往是不断进化和完善的产物。这里从AI工程师的业务角度来说两个方面。产品设计在设计阶段，产品应该在满足需求的前提下选择简单的持续优化。明确一下我认为“简单”的设计是什么：一方面，有不同的模块，每个模块都有一个单一的、独特的、不可或缺的功能；另一方面，每个模型的核心功能都符合其基本假设。需要注意的是，模块不应该有一些只适用于某些情况的特殊设计。以AI工程师为例，谷歌的东西往往符合“简单”的标准，比如Doc2vec、BERT，但修改后的论文大多把它复杂化了。作为行业内的工程师，其实专注于GF（Google、Facebook）的前沿研究成果就差不多了。其他的（尤其是大学里的）只是作为思路的参考，不能吃太多。产品架构架构设计本身就是一件非常复杂的事情。看似是现有功能的组合，难点在于这个选择。简单架构更多的是从整体复杂度的角度考虑，模块与模块、组件之间的交互简单。要做到这一点，就要从实际出发，选择当下最适合的架构，稍微做一些扩展的考虑，下一步就是随着系统不断演进。需要特别注意三点：一是过度设计。一个好的架构通常是演化出来的，而不是从一开始就设计得那么好。第二，追求新技术。这本身是一件好事，但是作为一个架构设计师，你必须要考虑多方面的因素。不管技术水平如何，新技术是否稳定，团队能否hold住，老板对未来的规划，都是重要的因素。三是想一步到位。事实上，架构的调整往往是逐步进行的。可以先调整某个模块，然后再调整下一个。有时需要彻底推翻重新设计。架构设计不是一蹴而就的。04边际收益最大化在经济学中，边际收益是指增加一单位投入所能获得的收益。边际收益正在递减。比如你很饿的时候，第一个包子最好吃，越吃越不好吃。在工作中，我们应该优先考虑边际效益最大化的工作。流行的说法是2-8法则：用20%的资源去做能达到80%效果的事情。优先解决人工部分从长远来看，几乎所有的企业都会面对AI，就像十多年前的电子商务一样，这并不是“某些”企业的专属。在这一点上，我同意吴恩达的观点——把AI比作电。即使从客观的角度来看，AI技术确实可以在很多方面提升企业效率，比如客服机器人、搜索、推荐等，只是深度的不同而已。即使是已经部分AI化的企业，也未必有优化空间。我们只需要知道技术的存在就是为了提高整体效率，剩下的就是一点点优化。无论出于何种原因重视新技术，都不能成为不使用它的借口。尤其是在人工智能领域，深度学习的有效性毋庸置疑。在很多场景下，可以替代传统的方法，或者进一步提升已有的效果。作为行业的一员，当新的方法、新技术出现的时候，即使没有效果，我们也应该去学习，更何况效果那么好。不同的方法、不同的模型可能对综合运用不同方法的核心部分产生不同的效果，因为它们各自侧重的点不同。在现实中，我们常常没有办法环游世界，即使是最新最好的。我这里想表达的是，正是因为不同的方法有不同的侧重点，所以我们需要利用这一点，选择方法的组合，类似于利用每种方法的最大收益。
