天问

分瞰机器视觉,业界与学界有何不同?——云从专家第一次分享会实录

小科说

机遇还是泡沫,当前机器视觉领域的状况是怎样的?

学界和业界,视觉人才该去向哪里?

大牛或小白,云从最想要哪种人才?

第一周,我们邀请了云从科技的曾丹老师进行了网络分享直播,曾老师结合自己在学界和业界的积淀,为机器视觉实战训练营的学员们指点迷津。

以下为曾丹老师分享实录。

Q1 业界和学界在图像领域所使用的技术目前的接轨情况是怎样的?(学界的方法进步非常快,不知道业界现在是怎样的情况?

可能大家更关心的是怎样将自己在学校的学术研究,和工业的应用结合起来。实际上,在2013年以前,图像领域在学术界和工业界的接轨地并不如现在这么好。究其原因,并不是说学术界做的事情是工业界所不需要的,而是学术研究随着技术的发展逐步走向实用化。

事实上,在以微软为代表的公司里,工业界做的研究始终是和学术界保持一致的,甚至在很多方面更加靠前。如今大家感觉学术界和工业界高度地融合,比如说中科院的自动化所、计算所,比如我们云从的创始人周锡老师,比如中科院的山世光老师等等,都投身工业界。而同样地,微软的很多大牛——商汤、旷视等,都从微软研究院转到工业界了。现在的状况是学术和工业建设紧密结合,随着技术的发展,我们研究的东西变得可以使用了。比方说人脸识别的识别率,从当时的80%提高到90%朝上接近100%,这就使得我们的学术研究更加实用化,加速了学界跟工业界的高速融合,大家在一起往前走。

Q2 图像领域的变现是不是比较困难?这一领域的公司有很多,行业是不是有泡沫呢?

实际上,图像领域和语音领域的变现都存在困难,现在语音识别的公司都还没有实现在语言应用方面的盈利,而是结合语音,做了很多行业的综合解决方案。比如说科大讯飞,它在语音这块,是国内最好的公司之一,但是他们在很多业务中,实际上也是集成商的身份,就是做一些和语音相关的系统解决方案。


相对来说,图像应用的范围会更广,这位同学提到的图像领域实际上就是太广了。我举一个简单的例子,为什么图像可能比语音更好变现呢?因为我们人获得信息,70%以上是通过视觉,而听觉只占10%-20%,所以我们的信息来源主要是靠图像。那么如果单单把行业划分成语音和图像的话,显然是图像领域更为广阔。那么所谓的这个泡沫呢?这个行业中肯定是有的。以人脸识别为例,现在的公司非常多,大家的目标本身就不一样。比如说云从是想扎扎实实地做一些落地的项目,而有一些公司,可能这个饼画的更大,那么就存在一个想象空间,这其中就会存在泡沫了。

Q3 人脸识别目前除了安防监控、美颜这些应用,业界还有什么正在探索的方向吗?

目前业界人脸识别用的最广泛的除了安防、监控,还有银行。事实上,国内人脸识别用的最多的就是银行业,毕竟跟大家关心的互联网金融息息相关。随着互联网金融的发展,银行网点的存在价值变得越来越低,而线下银行网点的成本相对来说又比较高,越来越多的金融应用会往互联网上发展,那么就产生了大量的身份认证的需求。所以银行在人脸识别方面用得也就非常多。


除此之外,人脸识别可以触及到我们所有的生活领域。比如安防,它可以延伸到我们刷脸的门禁、车的应用等。云从之前在北京车展上,为阿斯顿马丁做了一个应用。这个应用绑定了每个车主及其家人的人脸,之后就可以通过人脸识别来开车,自动地调整驾驶员想要的设置:座椅的高度、方向盘的距离、车内的温度、播放的歌......人脸识别可以应用到所有跟身份及个性化有关的应用中去,由于它是一种非接触、无感知的识别方式,在日常生活中可以得到广泛的应用,因此拓展的空间非常大。

Q4 业界目前在人脸识别的产品落地上,主要的瓶颈是什么?比如说是数据还是商业模式呢?

其实问这个问题的同学已经作出了回答,当然除了数据和商业模式,还有其他更多的瓶颈。比方说算法本身就存在问题,它还不能达到一个精确解。人脸识别对任何落地的应用来说,都永远无法达到百分之百,所以在核心技术的研究上,还需要大家不断去努力,这也是为什么,即便我们已是国内一线的公司,还要不断地加大研发投入。

那么这位同学说到的数据,也是目前阶段最最重要的一个因素。你做深度学习,网络那么大,当然要大量的数据。此外商业模式也是很重要的,商业模式决定你的公司和产品是否可以盈利,或者是否有足够的想象空间,也会决定一个公司的成败,所以商业模式是大家在产品落地时最需要考虑的。

Q5 了解到曾丹老师有学界和业界的双重工作经历,可否说一下怎么平衡好这两个领域的差异呢?

其实学界和业界的冲突没有那么严重了,因为研究的东西都是接近实用的一些方法,所以现在是非常幸福的一个时候,就是有前途也有钱途。现在你做人脸识别、或者人工智能方向的研究,不光有学术上的前途,也会有money。(笑)

今天大部分同学(指参与机器视觉实战训练营QQ群直播的学员们)可能是本科生,或者是硕士的低年级,就是还没有很深入到人工智能这个领域中来。我觉得只要对人工智能感兴趣,你定位成未来做科学研究,或者是早一些到工业界来做研究,实际上问题都不大,大家做的事情非常的接近。只是说在工业界,强调真正实用,需要做出实用的、真正work的东西来。而在体制内,所面临的个人能力的评定机制不一样,可能你会有发文章、申项目的压力。那么这些因素下呢,你想的可能不是我研究的这个东西能不能work,而是能不能发高影响因子的论文。而大家看过一些论文就知道,很多都是在一些大家已经公开的数据集上做的实验,那么这些在闭合场景下做的科学研究中,真正实用的、效果好的方法并不是很多。所以大家现在的选择会影响到你未来工作的侧重点,但是作为一个有理想的、有热情的研究者,我觉得到哪里都是可以发光发热的。

Q6 以后的学界和工业界各需要什么样的能力,是不是说我学而优就可以到公司去做?

现在从学界到工业界的例子也不少,但是也有一年前进入到工业界,然后又撤退回学界的。可能会有很多因素让一些在学界的人进入工业界,我认为其中很大部分原因在于投资领域太火了,但是你说是不是所有学界的人都适合到工业界来?我觉得很难讲。我认为大部分学界的人是不适合到工业界来的,如果你希望做工业界的东西的话,在学校打好一定的基础后,就尽早地进入工业界来。

 

你不一定要去创业公司,当然你也可以来我们这样的创业公司,不过更苦更累,但是收获也会更大。还有一种选择就是去微软、谷歌这些非常知名的研究院,对大家未来的帮助也很大。实际上在学校做研究,瓶颈还是挺大的,因为现在国内的高校对论文、项目的要求非常高,如果你要追求学校的职称晋升的话呢,你一定会被迫投入很多的精力在上面,所以国内的高校难有成功跨界到工业界的,但是在研究院成功的概率又稍微高一点。

Q7 很多同学有意愿加入云从,云从现在都有哪些技术岗位在招聘,需要应聘者具备哪些技能和素质?

云从这边一直有一系列针对不同岗位实习生的计划,主要集中在两个部门,一个是算法研究部门,还有一个是产品部。


在算法研究部门,会更偏向于想一些深度学习的算法,因为人脸识别的链条非常长,人脸检测、跟踪、质量评估、特征比对这一系列的算法都有特定的组,就是说分的非常细。我们会招一些实习生来,进到各个组里去了解整个人脸识别中比较好的一些算法,做一些研究。那么算法研究部门就希望大家有一定深度学习的基础、有学习的热情、渴望成为这方面的专家,因为研究算法跟产品开发不一样嘛。


那么产品开发这块呢,其实有两类岗,一类是研发工程师,偏向于编程的技能,比如coding、java、C++、安卓等岗位。但是,我不太建议深度学习这个领域的学生过早地去做coding,因为你们的发展空间可能更大。你们现在coding的能力还不是很强,还进入不了最核心的组,只能做一些外围的东西,对你们的成长不是最有利。但是如果你就是希望成为coding高手的话,我也欢迎你来。我觉得产品组这边更有意思的一个事情,就是怎么样把人脸识别这个技术落地成一些产品。我们非常欢迎喜欢产品设计、市场分析的同学加入我们。

 

那么具体的产品开发岗位有哪些技能的需求,我觉得可以从几个方面来考量。首先是对产品设计和产品落地的这种热情,另外就需要大家有比较好的表达能力、文章写作能力和沟通能力。而这一块主要体现在哪里呢?就是说我们设计、落地一个产品之前,要做大量的用户调研和需求分析,还要和行业的上下游进行沟通,然后找准自己产品的定位。那么这块就需要良好的素质,既要利用自己掌握的信息形成产品设计,还需要有产品方案策划、文档撰写的能力。

Q8 请问产品设计的思路和方法有哪些,有点无从下手的感觉。

要成为一个合格的产品经理,比较好的是从产品经理助理做起,了解整个产品的全流程。所谓产品经理,其实就是产品设计。那么在产品设计之前呢,实际上有两种来源:第一种来源是由技术驱动的,比如说有一个新的技术,大家会去想,这个技术可以用到哪里。还有一种是由应用驱动的,就是我可能需要一个什么样的产品,大家再去想解决的方案。在人脸识别领域,目前是一个双向的过程,在很多年前,大家就想用人脸识别来解决问题,但是当时人脸识别解决不了,那么现在呢,人脸识别达到了可以解决问题水平,大家就开始从人脸识别的角度去设计场景,再去设计产品。

Q9 云从在技术上面临哪些挑战?

云层在技术上面临的挑战非常多。首先,虽然现在大家在新闻中看到识别率可以达到99%,但是这些都是在数据集上实现的。在实际应用中,人脸识别还有很多坑。同时呢,云从所面临的挑战,还有怎样将算法和硬件更好结合。云从的算法比较领先,那我们要怎样做出软硬一体的、更高效的、更可靠的产品呢?这是我们目前面临的挑战,更是我们在努力做的事情。

Q10 在云从,产品岗主要做什么工作?

请见下表的详细介绍。

Q11 曾丹老师建议工作之后,除了完成手上的项目(了解到科技公司基本都要加班),每天还应该花多少时间来学习新技术和理论知识?

当你进入一个好的公司,或者这个工作比较适合你的时候,它的一个很重要的特点就是,你做的这个项目一定不能是你信手拈来就能搞定的事情。如果你做的是重复性的工作,对你来说这个工作太容易的话,我觉得你可以应该考虑到换一份工作了。好的工作一定是不断学习和不断工作同时进行,在大家比较年轻的时候,你可能每天花1-2小时学习新技术、新理论;当你年龄越来越大的时候,你可能更需要学习一些其他的知识,比如说管理知识。但是始终你要保证每天有一两个小时用来接触新东西。

Q12 对刚毕业的学生,进入机器视觉领域的职业发展路线有什么建议?

刚毕业的学生,其实要看你原来的基础如何。如果你原来学的是机器视觉相关,你可以尝试去找一份机器视觉领域的研究工作,比方说研究院、或者研究算法方面的工作。但是一旦你选择的工作和这不相关的话,以后想要回头是非常难的,因为企业都要求你能够马上上手干活,所以不会给你留太多的时间,让你再继续跟进,这就需要非常强的毅力。

Q13 如何正确看待神经网络与深度学习的前景?

现在大家看来,好像深度学习是无敌的,远远超过了比如SVM等传统的模式识别方法。但实际上科学都是螺旋式前进的,回想一下深度学习没有出来之前呢?神经网络实际上是被冷掉了十几年,直到深度学习出现才开始爆发式地增长。那么可能,深度学习在未来的若干年内,还会是最主流最火的方向,但总有一天会有一些其他的路径方法代替它。因为深度学习它不是精确解,所以我不觉得深度学习是模式识别的终点,我觉得他是其中发展的一个阶段。

Q14 学习视觉,是否需要更好的掌握硬件嵌入式?算法研究如果自学有没有比较好的方法?

我觉得硬件嵌入式和算法研究这两块,大家如果是刚入行的话,建议先暂时只选一个方向。即便是像云从这样的公司,我们对于硬件实现和算法研究,依然是分成两个组,因为要把每一块做得很专很精都是不容易的,所以大家可以有针对性的选其中一个方向。现在这几大公司,比如说我们云从,就是算法实践比较擅长,但我们的硬件其实是一个短板,我们还在努力地补它。所以呢,如果是掌握硬件知识,又对算法有所了解的话,这样的人才在这个领域会非常受欢迎。我们也非常欢迎做硬件的同学来云从实习。但是对于没有基础的同学,建议先只选其中一个方向。

Q15 像云丛这样机器视觉和人脸识别相关的公司,在做算法工程师岗位的招聘时,所注重的人才素质是怎么样的?更重视论文还是工程实现能力?

这个要分开来看,我们在招聘的时候,首先会看你的论文,因为如果能在顶级会议上发表论文,那么代表你的研究基础肯定是好的。

工程实现能力也是考量的一个方面,但不会是最重要的。论文不代表你的科研能力,我们会有专业的面试团队,去了解大家对于算法的理解是否够深入,另外数学方面的能力我们也比较看重。我们算法组也分各种层次,既欢迎顶级大牛,也欢迎基础好、有热情,对机器视觉领域非常热爱的同学。

TIPS


本周五(2016-12-09 20:00 – 21:00还将在QQ群公开直播专家分享,感兴趣的同学可加机器视觉实战训练营QQ群: 516975611

   专业大数据竞赛平台
 

中国数据青年成长之家

博客地址:http://blog.yoqi.me/?p=1308
扫我捐助哦
喜欢 0

这篇文章还没有评论

发表评论