本文对AI工程师的工作方法进行了深入探讨。工程师群体中蕴藏着许多聪明才智，但在工作中常常遭遇重复且繁琐的任务。如何用工程思维来应对这些挑战，是近年来通过实践总结出来的一些关键点。
自动化重复环节
自动化是程序员最基本的直觉和理解。可以从“CV工程师”的视角来看待自动化：当你第一次使用Ctrl+C和Ctrl+V进行复制粘贴时，就应该思考是否可以将其抽象成一个组件或工具；第二次复制粘贴时，组件的结构和设计应该已经比较明确；而到第三次复制粘贴时，你便可以使用自己创建的组件或者工具。
自动化不仅限于代码层面，它可以被视作一种解决问题的方法。任何重复的环节都可以进行自动化处理。例如，在写博客时，通常的流程是截取并存储图片、上传至图床、获取图片链接。如果不进行自动化，这个过程会让人感到厌烦。但实际上，Mac上的AlfRed Workflow可以轻松实现这一过程的自动化。此外，我们在开会时，完全可以准备一个会议记录模板，每次开会时直接复制使用。关键在于要有意识去抽象出重复的动作。
自动化不仅仅是技术人员的专利，非技术人员同样需要这种意识，甚至可能更加迫切。例如，行政人员可能手动发送工资条，运营人员每天下载报表并进行统计等，这些工作都可以通过自动化来完成。
自动化并不是高深的技术，甚至不需要会Python。有时候，编写代码反而会增加复杂性。对于非技术人员来说，Excel往往更加实用，许多统计、去重、切片和过滤等操作在Excel中只需简单点击几下即可。
工具的复杂性并不重要，只要能够让任务“自动”完成，越简单的工具往往越有效。
批量处理
批量处理与自动化类似，但它更注重一次性完成一类工作，核心在于“批量”。批量处理通常针对具体的工作内容，例如统一查找替换、为所有句子添加特定字符或批量下载数据等。
AI工程师对此应该非常熟悉，在模型训练中，Batch就是一个批量处理的例子。批量处理不仅提高效率，还能减少逐条操作时可能出现的错误。例如，给定一个包含多列的文本文档，我们可以利用Sublime Text的正则功能提取出包含数字的行，并复制出来。
在批量处理时，关键是关注能否“一次性”完成任务。这种思维方式在日常生活中同样适用，比如可以将取快递和外卖合并，或将相关议题集中在一次会议中讨论。此外，时间的批量化也是一种有效的方法。我个人通常选择上午作为专注的时间段，专心完成需要集中注意力的任务，不看消息，也尽量不做其他事情。
简化过程
在这里，“简化”包含两层含义：第一层是一般意义上的“简单”，第二层是深入本质的大道至简。第一层的简单通常指初步或临时方案，而第二层的简单则是透过复杂的表象直达本质，通常是系统演化和改进的结果。以下从AI工程师的业务角度说明两个方面。
产品设计
在产品设计阶段，满足需求的前提下，应优先选择简单且可以持续优化的方案。具体而言，设计应具备不同模块，每个模块都有独特且不可或缺的功能，同时模块核心功能需符合基本假设。要避免模块仅适用于特定情境的特殊设计。
以AI工程师为例，Google的很多产品如Doc2vec和BERT都符合“简单”的标准，而许多经过改进的论文往往使其复杂化。作为工业界的工程师，重点关注GF的前沿研究成果即可，其他内容可以作为参考。
产品架构
架构设计本质上是一项复杂的工作，看似只是将现有功能组合在一起，但选择的复杂性在于如何简化模块与模块、组件与组件之间的交互。简洁的架构需从整体复杂度出发，选择最适合的架构，并留有一定的扩展性，随着系统的不断演化进行调整。
在架构设计中，需要特别关注三个方面：第一是避免过度设计。良好的架构通常是逐步演变而来的，而非一开始就完美。第二是追求新技术。虽然这是件好事，但作为设计者必须考虑多种因素，包括新技术的稳定性、团队的适应能力及未来规划等。第三是避免一步到位的想法。架构调整往往是渐进的，可能需要逐个模块进行修改，甚至在某些情况下需要完全推翻重新设计。
最大化边际收益
边际收益在经济学中指增加一单位投入所获得的收益，并具有递减性。例如，当你非常饿时，第一个包子的美味是最强烈的，随着数量增加，口感逐渐下降。在工作中，我们应优先处理那些能够最大化边际收益的任务，通俗来说就是2-8法则：用20%的资源产生80%的效果。
优先解决人工因素
从长远来看，几乎所有企业都会面临AI化的挑战，就像十几年前的电子商务一样，这并不是某些企业的专属。对此，我比较认同吴恩达的观点—将AI比作电力。AI技术在许多方面可以显著提升企业效率，如客服机器人、搜索和推荐等，关键在于实施的深度。即便是已部分AI化的企业，仍然存在优化的空间，技术的存在旨在提升整体效率，后续则需逐步优化。
重视新技术
无论出于何种原因，都没有理由忽视新技术的使用。尤其在AI领域，深度学习的有效性已被广泛认可，能够在许多场景中取代传统方法或进一步提升效果。作为行业一员，我们应关注并了解新的方法和技术，即使它们的效果尚未显现。
综合运用不同方法
不同的方法和模型在效果上可能有所差异，因为它们各自关注的重点不同。在实际操作中，我们往往无法单靠一种方法来解决所有问题，即使是最新和最优的方案也不行。因此，正是由于不同方法的侧重点不同，我们需要灵活运用多种方法的组合，以实现每种方法的最大收益。
