老司机开车了。
这是一个最好的时代，这是一个最坏的时代。
爱TA就送TA去学AI吧......
为什么要做AI
从2016年Alpha Go战胜围棋世界冠军李世石开始，我就开始关心AI，也买了几本书来看，想了解一下人工智能究竟是怎么回事儿。但是，每本书看到大约30页左右，满篇的数学公式就直接把我带上“从入门到放弃”（其实，那时候根本就不知道门在哪里）之路。
也是从2017年开始，我的部门遇到了一些大家很容易遇到的问题：产品和解决方案的交付人力成本上升，但是由于市场竞争，参加投标后，中标的客户合同价格却在下降。整个投标过程变成了“不中标不开心，中标了也开心不起来”的状态，因为项目实施交付完后整个项目不挣钱，并且由于现场管控不得力，很容易就赔钱了。
到了必须要改变的时候了。
怎么变？往哪个方向变？这是个问题。
人工智能在2017年下半年越来越热，落地的应用场景也越来越多。
风口，来了，那就是AI。
但是我们公司的运作模式及服务客户的方式，决定了不可能有年薪500万的AI算法博士，也很难有年薪100万的高级算法工程师，对我的部门来讲，客户单价5万/人月，那才是我们的落地需求。
在风口中，风太大，容易闪住腰。
风过要留痕！
--鲁迅
我要做好准备，在人工智能大规模落地的时候，我要有能力快速跟上，寻求规模商机。
无论做什么，必须自己先搞清楚AI是什么？应该怎么做？如何带领我的团队快速跟进？
出于兴趣，我几乎买了市面上的所有机器学习的书，使用的语言从R到Spark，再到Python，反复几次“从入门到放弃”，最终总算是入门了。
建设AI能力中心
为了储备知识，并进行传播，以备在有客户需求的时候，能够快速引进和培训合适的人才，在公司内部，我们开始组建AI能力中心。
AI能力中心在公司内部，是向其他兄弟部门提供AI能力输出的一个载体。对外，则是与外部合作单位及向客户服务的一个接口，提供：咨询服务、解决方案、数据服务和培训服务。
咨询服务
术业有专攻，在AI底层方面，我们发挥的空间有限，唯一可行的办法就是强强联合。
与外部专业AI公司合作，结合公司服务客户二十多年的业务知识积累，形成基本的业务咨询、解决方案咨询、数据咨询、人工智能咨询的能力。为客户提供场景化的AI咨询服务，提供降本增效的价值。
解决方案
通过金融图谱、银行服务机器人、审计机器人、银行智慧助手等产品的研发，进行AI场景化落地，在此基础上完善AI产品线，在传统解决方案产品的基础上为客户提供额外价值。
数据服务
人工智能的落地有两个关键：一个是算法，另外一个就是数据。
我们在做金融知识图谱的过程中，需要一个又快又好又方便的网络爬虫，于是就以产品化思维顺便做了一个，在互联网上为金融知识图谱抓取公开数据。
随后，大家发现这个网络爬虫还很好用，能为客户提供定向的数据爬取服务。并在数据的基础上提供额外的分析报告服务。
第一个数据服务，其实是我们公司内部的招投标市场情报管理应用，提供公司业务范围内的客户招标、公司投标、公司或竞争对手的中标、产品地图等数据服务。
将来的数据服务，计划以SaaS的形式，向客户提供触手可及的服务。
培训服务
从组建AI能力中心一开始，培训就是其最主要的职责。开发了两套机器学习课程，面向公司内部免费提供，向外部客户提供超低价格的培训服务—寻求后续的产品或解决方案落地服务机会。
因为，我一直坚持认为，知识在分享的过程中才能增值，知识分享的过程本身就充满了乐趣。
机器学习入门
机器学习是机器获取智能的一个最重要的途径，在我们为客户提供服务的过程中，所有的AI销售机会都局限于机器学习，所以，在我工作范围内，认为AI就是机器学习。
机器学习入门涉及四个方面的内容，其中数据基础和编程语言（含机器学习库/框架，如sklearn和TensorFlow）是需要进行系统学习的。
当然，对于普通程序员，俗称“调包侠”对几个数据概念进行较为详细的了解即可，更多的工作还是处理数据、理解业务、写代码（如Python）、对模型进行评价及调优等。
数学基础，包含线性代数中的标量、向量、矩阵及张量等，微积分中的导数、梯度等，还有损失函数、凸函数、凸优化等。
极简版机器学习数学基础可以参考这篇文章：https://www.jianshu.com/p/b1259a1d4960
编程语言，在机器学习中，我们有非常大的概率使用Python，对于普通程序员而言，掌握机器学习涉及的Python语言基础非常快，可能会快到一天。
极简版机器学习Python基础可以参考这篇文章：https://www.jianshu.com/p/d2d586470bcf
搭建机器学习环境，可以参考这篇文章：https://www.jianshu.com/p/b16a7a31971c
继续前行
任何一个技术方向，只有深入掌握了其技术原理，理解了What？How？Why？做到知其然并知其所以然之后，还要经过大量的代码积累，才能游刃有余，得心应手。
一个好的视频培训教程，能够在初期事半功倍，我推荐邹博的《机器学习升级版VII》，当然也要看几本书。
熟才能生巧。
后记
万事开头难，行百步者半九十。
机器学习之路，伴随着数学，而这些数学知识，大部分程序员早就忘到九霄云外去了。要想打败这只拦路虎，坚持看视频教程是很好的一个办法：看睡着了，没关系，大家都一样。醒来继续重头看就行。如果你想买几本数学书来看，我劝你（数学专业的大拿们除外）还是尽早放弃，大家工作都很忙，坚持不住的。
在这个领域，有个程序员出身的机器学习工程师做领路人是件幸福的事儿：他会告诉你每个阶段应该关注的重点，虽然不系统，但是入门很快，也能很快投入工作。
当然，做领路人是件快乐的事儿。
Kevin，2018年9月11日，成都。
