AI 建模也是分理论和实体的，研究数学模型的人，把原本不可比较的数据，通过数学方法（降维、变形等等），实现“可比较”，但是这样的人，地球上少之又少，如果把具体的业务数据交给他们，他们可能也只能作出“数学结论”，而不是业务可用的报告 现在的算法工程师，是把别人的数学理论，落地到实用业务，他们需要了解所使用的数学知识，才能把“数学结论”转化为业务报告，但他们本身不需要创造这个数学计算过程，其实也很难创造
AI 算法，实际上已经是业务范畴了，它背后的数学原理，最初其实和 AI 没太大关系，最初的数学研究其实就是把不可比数据实现可比-->找出其中的数学规律，仅此而已，只是后来人把这套理论，发展到 AI 上，发扬光大 现在的算法工程师，可以说是后来人的后来人的后来人，就是逐步发展中产生的人才，也是业务具体化、实例化的实现者
实例化就是双向结合，例如人脸辨认中有一种算法 KNN 距离近邻，KNN 里面也有多种近邻方式，其中马氏距离（或叫闵氏距离、明氏距离，译音区别）、欧氏距离这些，远在 AI 这个概念出现之前就有了，逐渐产生分类、聚类算法时，也和 AI 扯不上关系，当时 而一些需要在实物生产中需要分类的实业家，例如制衣业衣服的大中小码，发现可以使用这些数学方法，把不同的人的身体的尺寸，应用到这些数学方法的“初始数据”，就能实现聚类出少数的几种尺码，大大降低生产的成本
AI 就是在聚类分析发展过程中的，第三、第四代产物 算法工程师就是把有意义的业务数据，代入数学原理中那些无意义的数字，使用其方法原理，产生数学结论，再把这些数学结论（结论也只是数字，也是没有实际意思），通过筛选和匹配，转化为有意义的业务结果，指导业务发展
简单来说 AI 相关的算法一般是基于机器学习的，最终成品是结合了算法模型和数据。算法模型相同但是数据不同的情况下，在同一业务场景下成品的效果也不同。而数据结构的算法多数是不依赖数据的。从算法实现来讲，大部分 AI 算法与已有的数据结构算法实现不同，没法直接复用。AI 模型常用于解决一般性问题，比如 CV 中的目标检测，NLP 中的文本生成。我理解的数学建模一般是针对特定对象进行，比如供应链、客流量等。
pcslide
2021-06-30 15:20:49 +08:00
@James369 每个人得经历不一样，你可能碰到的是我这种比较菜的。我碰到过不少 nvidia，自动驾驶大厂，做机器学习专用芯片的算法工程师，人家搞 C 和系统就像砍瓜切菜一样。