AI架构师的界说
“AI 架构师”是以深度学习为代表的第三次AI热潮所催生的新式复合型人才，它的发生最实质的驱动要素是AI工业化落地使用的蓬勃发展对人才的需求，深度学习杰出的工程特点也特别需求复合型人才来驾御。
从字面来看，AI架构师的“AI”对应算法技能，而“架构师”则触及工程架构和事务把握。AI架构师应该具备把AI技能高效落地事务使用的才干，详细而言，对应三个根本才干:
- 榜首，AI架构师要对AI技能和开发使用流程有全体把握才干
- 第二，AI架构师要对上层 事务有充沛的了解，有很好的技能笼统才干和技能判 断力
- 第三，AI架构师要能规划并完成高效合理的AI落地计划
简言之，AI架构师以工程架构为桥梁完成AI技能和事务使用的对接。整个进程由事务驱动，通过工程架构进行使命分化后由AI算法落地和完成。这三个方面既是AI架构师的界说，也是AI架构师的要求或特征。
成为AI架构师的三大中心才干
成为AI架构师的三大中心才干AI架构师不同于传统的AI算法科研人员，算法科研人员针对的使命往往都是笼统后的、环境变量相对固定的问题，基于这些问题做模型算法层面的研究；AI架构师也不同于一般的架构师，一般的架构人员一般直接按事务需求规划工程完成，没有AI算法这一层从而对技能要求和考虑视点有较大不同。AI架构师对AI算法、事务了解和工程完成都有比较高的综合性要求。
把握AI技能及相关使用、开发流程
AI架构师要对AI技能以及AI开发使用有递进式的了解。假如仅仅看了详细使命的几篇技能文章、拿来开源代码然后照示例来运转，如同看起来是很高效的上手了。这样做小的项目或许没什么问题，但关于更杂乱的项目或者新的使命场景，很或许仍是手足无措。所以，关于AI架构师而言，他有必要对AI的根底技能和开发使用流程有更实质的了解和体系化的把握，能够递进式的拆解为如下几个层面：
- 首要，要了解机器学习的根本原理、特性，包含其局限性。 例如要知道机器学习全体的作业机制，数据、特征、模型之间的联系，练习集、验证集、测试集的效果，模型练习的概要原理，效果怎样评估，拟合、泛化以及正则化等根本概念。
- 第二，要把握深度学习技能栈。 由于现在AI实践多以深度学习为主，AI架构师需求把握深度学习的根本原理和特性，了解比方神经网络的根本构造、反向传播和梯度优化等根本练习方法，还要把握深度学习相关的开发结构、开源东西的使用。
- 第三，要了解干流的模型算法和网络结构。 不要求对每个算法领域都非常通晓，但AI架构师要全体了解当时最常用的模型算法大概有哪些、各自有什么特点、分别合适处理什么类型的问题，对干流的模型特征和网络结构有较好的把握，也就是说对常用AI算法广度上的要求。
- 第四，要对AI开发使用布置的流程了解。 前面三点首要聚焦在AI知识层面，而布置流程则是实操层面。在机器学习一般使命中，要对数据处理、特征规划、效果调优、性能优化、布置上线等环节得有比较全面的了解和实操阅历，AI技能并不仅仅静态的算法。
- 此外，最好还需求对AI软硬件协同有一定了解。 AI考究的是功率，而核算特性的发挥需求硬件支撑。比方什么使命什么时候运转在CPU上合适、什么时候运转在GPU上合适，要不要分布式练习或推理，分布式时资源怎样做负载均衡和弹性调度等。
以上是对AI技能本身而言，尚未触及事务。就像超级英雄电影里的情节相同，咱们先要具有某种超才干或者黑科技，这是拯救世界的先决条件。这一层面强调的是意图不是要成为AI技能专家，而是要做到对AI技能有比较微观和实质的了解把握。需求注意的是，这层才干的把握需求一个渐进的进程，不能希望一蹴而就，或者说设想先学成AI技能专家再去做事务，最好是结合项目实践不断迭代深化，先微观再细节，先全体再部分，先黑盒再白盒。
对事务的了解和笼统才干
这里的要害点是要“了解”事务。作为AI架构师，特别需求注重了解事务的诉求和逻辑，只有捉住事务问题的要害点，才干够做出正确的笼统规划和技能选型，切忌不要只从AI技能动身仅仅想当然。
- 首要，要把握事务的要害问题和中心逻辑。
比方说要做引荐或者是信息流的产品，中心逻辑是引荐契合用户兴趣的内容，怎样匹配用户的兴趣是处理这个问题的要害；做查找产品的中心逻辑肯定是排序，排序的要害是语义匹配。这个进程能够称之为横面的笼统⸺首要就捉住了事务的重点、痛点。一般横面笼统能够用传统的方法来处理，但假如开局这一步没有做好，就相当于一个问题要处理的方向禁绝，后边不管采取什么AI战略都难以发挥效果，对产品或事务而言就成了缘木求鱼。
- 第二，机器学习技能层面的笼统以及对应的技能匹配。
机器学习的根本使命类型包含分类、回归和排序等，咱们要看事务要害问题能够笼统为一个什么机器学习问题。有些使命场景虽然杂乱但现已有了现成的答案，比方语音辨认、人脸辨认的问题，能够套用老练的计划。当然这些计划当初也都阅历了对应的机器学习技能笼统的进程。现在看来非常简略的中文分词问题，也是因为首要把它变成一个分类问题后才在机器学习技能下取得了突破。
但一些新场景的问题就需求AI架构师去做这一层的笼统，比方前面提到的用户兴趣匹配和语义匹配问题，需求咱们进一步的技能笼统，映射成对应的机器学习技能问题。
- 第三，做完技能匹配再往下要做详细的模型选型。
同样是分类的问题这个场景合适挑选什么模型或者网络结构？是直接套用某个老练模型，仍是要针对使命特点组装一个新模型？根底网络结构是挑选MLP、CNN、LSTM仍是选transformer？咱们要依据实际使命特性构建模型的结构，比方输入是离散高档特征仍是原始信号特征，是序列仍是非序列等等，以及使用场景对核算代价的要求等要素也需求考虑。再往后就触及模型的详细细节、练习的战略、参数的设置等层面了。
以上环节里，需求指出的是，对处理问题效果的影响，越往前面（对事务的了解）越重要，越往后（技能完成方法）影响力越小。假如事务要害问题的把握和大的技能选型不对，详细模型算法的调优只能事倍功半。
一起需求注意到，事务的了解和笼统的一个重点是创造性。对AI的事务落地来说，许多情况下不是说需求现已很明确、直接按照需求做软件就能够了；而是需求依据事务场景构造对AI技能的需求，然后再映射到架构上去⸺创新才是AI能发挥最大效力的要害。另外，有些杂乱的问题或许不是一个AI技能能处理的，需求多个AI技能模块协同或者与一些非AI的技能协作才干完成。这时需求咱们具备全体的架构才干，而不是简略的生搬硬套。至此，咱们确认了要处理的详细问题是什么，根本上做到了兵法里的“知己（AI技能）知彼（事务痛点）”，接下来该如何摆兵布阵了。
高效可落地的工程才干
在工程实践进程中的着眼点要求不但可落地，还要高效。如前所述，处理一个杂乱事务问题或许需求不止一个AI技能，咱们需求依据事务的实际场景合理挑选东西和资源，去进行组合、组装、串联以到达工程实践的要求。此外，由于事务时刻要求、成本限制、质量要求等等，咱们不或许在最理想态下、不计成本地处理问题。这时咱们就要做折中的挑选，并尽或许进步技能计划的可扩展性，使之能随着事务的变化而不断演进。关于真实的AI工业使用，这一环节尤为重要。而深度学习对应的“大模型、大数据、大算力”的要求，对工程落地提出了更多的挑战。近年来不止工业界，学术界也开始更多重视AI体系构建的相关技能规划和工程完成问题。
在计划落地的时候，一定会较多地触及体系构建和布置的问题，AI架构师要对体系的全体规划、布置和硬件环境相关的问题进行深思熟虑，到底硬件资源该怎样选、布置怎样完成、体系怎样运转，等等。最后，要有迭代的意识。常有人用“开着高速换轮胎”来描述快速迭代，一个体系在上线进程中肯定会遇到各种意想不到的问题，例如实际效果低于预期、运转功率不高等等，这时假如没有快速迭代才干，项目便很难继续推动下去。
