神经网络:开放性问题

发布时间:2023年12月26日

【一】如何给一个完全没有接触过机器学习的人介绍机器学习?

这个问题受启发于最近遇到的一个事件,让我觉得这个问题也蛮重要的,如何用通俗易懂的语言,阐述深沉的思考

【二】Transformer会完全替代CNN吗?

Transformer是近年比较火热的算法模型,我也相信其会逐步推广产生更多价值。我觉得这个问题依然可以从我经常提到的业务侧,竞赛侧,研究侧三个维度去考虑,会有一个比较踏实的思考。

【三】AI算法如何赋能电商业务?

我觉得这是电商互联网公司都会问的问题,也是一个非常有价值的问题。电商业务作为现金流业务,是需要AI去赋能提效的,AI与电商业务的结合,也会让算法侧更踏实的去沉淀。

【四】AI算法如何赋能传统工业?

传统工业的数字化,智能化,降本增效是大势所趋。需要我们不断深入挖掘传统工业面临的提效痛点,再反推出使用合适的AI算法进行赋能,我觉得这是非常值得去关注思考的点。

【五】黑盒系统如何去强约束与强优化?

毫无疑问,现在的AI技术建立在黑盒系统上,而黑盒系统难免会引入随机性与不确定性。这种情况下如何让算法模型安全可控,并不断提升性能是一个非常值得思考的问题。

【六】非标场景如何沉淀?

CV算法在实际应用中的非标场景非常多样,可能不同场景很多东西要推倒重来,要从头顶到尾重新搭建整个解决方案,这无疑会增加整个解决方案的成本,如何从非标场景中沉淀共性,优化解决方案的实施,打造更好的产品,这是一个非常值得去探索的问题。

【七】如何对已有业务进行优化?

我觉得这个优化是多方面的,我们可以优化已有业务的整个开发流程,也可以优化我们在这个业务逻辑里的效率,也可以基于这个业务进行新的拓展与探索。

【八】工作中业务侧/竞赛侧/研究侧的配比

算法工程师在工作中主要面对业务侧/竞赛侧/研究侧三方面的事务,如何进行合理的项目配比,时间分配,投入产出评估等,都是非常值得去思考的问题。

【九】你能想到哪些新的AI产品形式?

AI赋能各行各业的探索还在持续推进,并且有很多实际可行的解决方案产出,我觉得保持对AI产品形式的创新思考是非常有价值的,这是一个增量方向。

【十】如何提高AI业务中各部门之间的沟通/合作的效率?

这是工业界中一个非常现实的问题,那就是如何优化整个AI业务开发的流程,降本增效。有时候往往最花时间的不是算法侧的开发,而是不同部门之间的信息差,沟通不畅,合作不愉快等情况导致的低效。

【十一】竞赛侧与研究侧的成果如何沉淀到业务中?

我觉得这是一个非常有价值的问题,不管是现在大的经济环境还是AI发展的现状,AI业务深耕与扩展来获取利润是重中之重。只做研究和竞赛是远远不够的。

【十二】如何扩展已有业务?

在已有业务中跟随是很安全的事,但是如何开拓新的增长点是非常有价值的事。除了技术角度,还要从产品角度,成本角度,客户角度去把握。

【十三】不同性质的公司如何使用好AI技术?

这是一个非常有价值的问题,随着AI技术进入全面的落地阶段,如何将AI技术与公司定位相适配,利用好AI技术并产生更多现金流闭环,成为未来各个公司重点考虑的问题。

【十四】新时期的AI Lab该如何搭建?

深度学习发展至今,工业界,学术界,投资界都对其优势和局限有所判断了,基于此,各个公司的AI Lab也进入了全新的阶段,如何调整架构,如何改变定位,如何转变认知,是一件需要思考的事情。

【十五】业务侧,竞赛侧,研究侧成果如何互相转化?

这是一个非常有价值的问题,随着宏观环境的变化,各个公司更加注重现金流,纯研究院等部门会被持续优化,这时如何高效的转化竞赛侧与研究侧的实用性成果,以及如何将业务侧经验向竞赛侧与研究侧延伸,成为各个公司重点考虑的问题。

【十六】深度学习的优势和局限?

深度学习发展至今,工业界,学术界,投资界都对其优势和局限有所判断了。作为面试者,也需要对深度学习的趋势有所把握,不仅仅能在面试中进行交流,也能作为职业发展规划的一个先验知识。

【十七】如何保持数据持续稳定的支持业务?

在“CV兵器”基本上都是开源的情况下,数据成为了支持业务迭代最重要的一部分,如何建立数据护城河,形成业务与数据双向正反馈,是AI行业从业者必须要面对的课题。

【十八】如何分辨demo业务,一次性业务以及外包业务?

这个问题不仅可以考察面试者,面试者也可以用来反向判断面试官及其背后公司的运行逻辑。陷入demo业务,一次性业务以及外包业务的循环中是无法成长的,也不利于建立业务/产品的护城河。知道了这一点,那么如何去选择部门,如何去选择公司,如何去看需求,就变成了非常值得研究的事情。

【十九】你觉得有哪些方法能增强公司的AI影响力?

AI除了落地,还有持续的愿景。这个问题启发我们,除了日常的技术深耕,也需要思考未来AI的发展趋势。如何扩大公司的AI影响力,是AI从业人员有必要去思考的一个维度。

【二十】你觉得面对一个业务场景,如何针对性设计算法解决方案?

这是一个非常有价值的问题,随着的AI更加务实的落地,业务场景和算法解决方案的适配是非常关键的。如何获得针对性设计的能力,需要对现有现金流业务的深耕,以及提升产品侧视野的广度

【二十一】对AI安全相关技术的发展前景的看法?

这是一个非常值得去思考的问题,在AI算法大范围落地之后,随之而来的就是安全风险,我相信AI安全将会是一个很大的课题

【二十二】对GAN算法技术的发展前景的看法?

GAN的思想无疑让人眼前一亮,在目标检测,图像分割,图像分类等领域都有其辅助的身影,并在数据增强领域站在了舞台中央。

【二十三】对一个零基础的CV算法学习者,有什么入门建议?

这是一个非常好的问题,既可以反映出面试者自身的CV学习入场逻辑,也能反映出面试者对于自己的学习过程是否有总结与提炼。

【二十四】对CV算法技术的发展前景的看法?

我觉得这个问题可以从我经常提到的业务侧,竞赛侧,研究侧三个维度去思考和表达。在不同维度下,CV算法技术的发展前景会更加真实的体现,我们也能更从容地去表述我们的观点。

文章来源:https://blog.csdn.net/weixin_51390582/article/details/135173223
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。