作者：太子长琴，算法工程师，Datawhale成员
上一篇讲的是AI工程师成长记 - 工作流程，这篇专门讲工作方法。工程师这个群体中有许多非常聪明的人，他们在工作中会面临许多重复繁琐事宜，如何用工程思维去面对，这几年通过工作学习进行了总结，概括来说主要有以下几个方面。
01 重复环节自动化
这恐怕是程序员最基础的直觉和认知了。可以从“CV工程师”的角度理解自动化：当你Ctrl C+Ctrl V复制粘贴第一次时，你应该考虑是不是可以将其抽象成一个组件或工具；当你复制粘贴第二次时，组件的结构和设计应该已经比较清晰。第三次再复制粘贴时，已经可以使用自己的组件或工具了。
自动化不应该只体现在代码层面，可以将它看作一种解决问题的方法，环节重复的都可以用自动化。比如我们写博客时用到图床，一般的流程是：截取并存储图片，上传到图床，获取图片链接。这个过程如果不自动真的会让人只生出死心——恶心死了，但实际上 Mac 下面的 Alfred ·Workflow 就可以简便实现自动化。再比如我们经常开会，完全可以做一个会议记录的模板，每次开会时复制一下。关键是要想方设法将重复的动作抽象，重要的是要有这个意识。
既然自动化更多的是一种意识，自然地非技术人员也会需要，而且可能更加需要。比如行政人员可能会手动发工资条，运营人员可能会每天下载一次报表，然后针对报表做一些统计或其他处理，这些工作其实都可以自动完成。
自动化并不是高大上，或者必须要会 Python，有时候写代码反而更复杂，比如之前提到过 Workflow 图床的例子。对于非技术人员，Excel 很多时候会更加实用，比如统计、去重、切片、过滤等等，在 Excel 里面就点几下鼠标的事。
工具并不重要，只要能让事情 “自动” 完成，那越简单的工具就是越好的工具。
02 批量化
批量化和自动化可能比较类似，但批量化更加侧重一次完成一类工作，核心是 “批量”，而自动化核心是 “自动”。批量化一般是针对某项具体的工作内容，比如统一查找替换，统一为所有句子添加某个字符、批量下载数据等等。
AI 工程师对此应该非常熟悉，模型训练中的 Batch 其实就是批量化的例子。批量往往具有统一的特点，不仅效率高，而且还能避免一条一条操作可能的错误。比如给定一个若干列的文本文档，要提取出包含数字的行，这时我们可以借助 SublimeText，利用正则找出所有的数字，然后选中所在行复制出来即可。
批量化时刻关注能否 “一次性” 将事情搞定，很多时候会体现在运筹层面，比如要下楼取快递，可以和外卖一起取；或者将要讨论的议题放在一起开会等等。总之，就是尽量将类似的行为一起完成，提高效率。
还有时间的批量化。即利用一整块时间做一件事。对我个人而言，一般会选择上午作为静默时间，专注需要集中注意力完成的任务，不看消息，也基本上不动。
03 简单化
这里的简单包含两层含义：第一层就是一般意义的 “简单”，第二层是大道至简的 “简单”。第一层类似简陋，一般作为初始方案或临时方案；第二层的简单则是透过复杂冗繁的表象直达本质，整个系统层面的清晰和优美，往往是不断演化改进的产物。这里以AI工程师的业务角度说两个方面。
产品设计
一个产品在设计阶段，能够满足需要的前提下，应该选择简单的不断优化。具体说明一下怎样的设计我认为是 “简单” 的：一方面，有不同的模块，每个模块有单一、不同且不可或缺的功能；另一方面，每个模型的核心功能符合对其基本假设。其中要注意，模块不应该有一些仅适用于部分情况的特殊设计。
拿AI工程师举个例子，Google 的东西往往符合 “简单” 标准，比如 Doc2vec，BERT，但大部分魔改后的论文都是将其复杂化。作为工业界的工程师，其实重点关注 GF（Google、Facebook）的前沿研究成果就差不多了，其他的（尤其是高校的）只是作为一个思路参考，贪多嚼不烂。
产品架构
架构设计本身是很复杂的一件事，看起来好像是将已有的功能各种组合在一起，但难就难在这个选择上面。简洁架构更多是从整体复杂度的角度考虑的，模块与模块、组件与组件之间交互简单。要做到这点，一定要从实际出发，选择当下最适合的架构，略微做一定的扩展性考虑，接下来就是随着系统不断演化。
需要特别注意三个点：第一，过度设计。好的架构往往是演化出来的，而不是一开始就设计的那么好。第二，追求新技术。这本身是个好事，但作为架构设计者必须要综合考虑多种因素，抛开技术层面，新的技术是否稳定、团队能否 hold 住、所有者对未来的规划等等都是很重要的因素。第三，想一步到位。事实上，架构的调整往往是逐步进行的，有可能先调整某个模块，再下一个，有时候更是需要全部推翻重新设计。架构设计不是一锤子买卖。
04 边际收益最大化
在经济学中，边际收益是指增加一单位的投入所能获取的收益。边际收益具有递减性，比如很饿的时候，第一个包子最香，吃着吃着越觉得不好吃。在工作中，我们应该优先做边际收益最大化的工作，通俗点的说法就是 2-8 法则：用 20% 的资源做能够起 80% 效果的事。
优先解决人工部分
长期来看，几乎所有企业都会面临 AI 化，就像十几年前的电子商务，这并不是 “有些” 企业的专属。关于这点，我比较认同吴恩达的观点——将 AI 比作电力。即便从客观角度看，AI 技术确实能在许多方面提升企业效率，比如客服机器人、搜索、推荐等等，区别只是做的深浅程度。即便是已经部分 AI 化的企业，也未必没有优化的空间，我们只需知道技术的存在就是为了提升整体效率，剩下的便是一点点去优化。
重视新技术
无论原因是什么，都不是不使用新技术的理由。尤其AI领域，深度学习的有效性已经不容置疑，在很多场景下都可以替换传统方法，或者进一步提升已有的效果。作为行业的一员，出现新的方法和技术，即便没效果我们也该去了解，更不用提效果这么好了。
综合使用不同方法的核心部分
不同的方法、不同的模型效果可能不一样，因为它们各自侧重的点不一样。在实际中，我们往往没办法一套方法走天下，即便是最新最好的也不行。这里想表达的是，正是因为不同方法侧重点不一样，我们反而需要利用这点，选择多种方法组合，这类似于利用了每种方法的最大收益。
