谁能成为舵手：传统架构师到AI架构师的转型-技术圈

深度学习技术给整个行业甚至是整个社会，带来的是一次生产效率由量变到质变的过程。高效生产力的背后是得到 AI 技术的加持，且迅速渗透到了各个行业的生产关系中。在这个效率为王的时代中，AI 驱动的时代就在眼前。

大势之下，越来越多的企业积极拥抱 AI。然而，现实与憧憬还有一些的距离。众多传统行业要实现 AI 应用还远没有想象中的那么简单。

企业如何在这场技术的洪流中紧跟技术趋势完成升级转型，考验的不仅仅是企业的发展视野和战略，更是考验企业对于传统业务转型的把控力，以及企业中传统架构工程师能否快速完成 AI 架构师转型。

一、传统业务做 AI，是建模及解决问题的过程

AI 在传统业务的应用是运用建模并解决问题的过程。

和所有新技术在工业界的应用首先就需要做好建模工作一样，AI 的应用也不例外，第一步要理解传统业务模式、找到核心的目标，判断目标能否拆解成 AI 技术且落地。

通常传统业务的问题是需要大量人力来解决，将需要大量人力解决问题的方式或者目标变成一个可理解、可解释、可建模的问题，最终能达到一定的准确度和精度的过程，便是 AI 在传统行业的落地实践，整个过程可简单总结为：

理解传统行业的业务，梳理业务产生的数据（对数据进行清洗、标注等）；
根据公司业务，抽象业务的目标是什么；
用 AI 的方式对业务目标中的瓶颈过程进行效率提升；
最后根据业务系统运行的状况持续优化直至消除瓶颈。

这个过程最重要的是找到建模过程中的效率瓶颈、分析瓶颈中可重复的过程，并对可重复过程进行 AI 建模；最后将 AI 实现的业务目标，自动化地应用到传统行业的业务场景中。

二、传统架构师找准方向，探索 AI 新边界

之前我们介绍过算法工程师转型 AI 架构师的注意要点，文章里提到了转型四象限。同样，在传统工程师出身转型 AI 架构师路径上，找准方向也是至关重要。

通常传统工程师出身转 AI 会从事应用与架构这两个方向：

做「AI 业务应用」的 AI 架构师：工作职责贴近业务且擅长从架构策略发挥 AI 作用的工程师，需要注意提升自己对 AI 技术的理解；
做「AI 平台工程架构」的 AI 架构师：工作中可以发挥自身工程特长保证平台的高效性和架构的合理性，这一类传统工程师要注意更多从 AI 技术特色视角来思考。

AI 技术是一项复杂的技术，入门难度较高、学习的曲线陡峭、框架学习要消耗非常多的资源、部署的难度也让人望而生畏，越是新人越容易打退堂鼓。

要成为一个懂 AI 的人，第一步都是要多动手用 AI、亲自测试一些 AI 的用例。从 OCR、图像识别、文本分类等最常规的应用入手，感受一下 AI 是什么以及能做什么，用观测、反馈的学习方式打破对 AI 认知的思维黑盒。切忌一上来就陷入 AI 的算法模型以及效果调优等高难度动作的陷阱。

三、AI 架构师绝不能“只见树木不见森林”

对于企业中的传统工程师而言，因为缺乏客观认知和概念，所以对 AI 技术的学习是一个显著的挑战，比如下面这三个误区极为常见：

误区一：带着“工程思维”做 AI

传统 IT 的工程架构就像大厦的建造，不仅有图纸，而且工程技术人员看着图纸就可以动手修建，不会出现不知道如何修建的不确定性。

而 AI 的工程系统是结合业务特性设计的，要根据不同的业务去制定不同的架构。虽然业务类型千差万别，但最终抽象出来的问题具备较多的一致性、解决的思路也有相似性。

以大型商超的业务场景为例，其智能系统能够快速且高效地完成货架商品的自动识别任务，这是一个典型的 AI 应用。但大型商超企业的技术人员，首先要了解的是 AI 能解决什么问题、而不要纠结 AI 解决问题的具体过程。

这是一个从“工程思维”过渡到“AI 思维”的过程。如果把 AI 当作一个黑盒，你不需要了解 AI 技术平台的内部系统、也不需要了解神经网络的算法，你要理解的就是 AI 的输入和输出分别是什么。也就是把自己想成一辆车的驾驶员，先了解车辆的能力、载重、极限值都是多少，而不是陷于追寻发动的原理或者维修。对 AI 的学习遵循这样的方式显然能更快地上手，这和未参加工作的学生在校园里学习 AI 的过程正好相反。

刚开始接触 AI 这种看似黑盒的“AI 新人”也许会有心理负担，因为输出的结果难以预判，这也需要你打破原来的旧的思维方式，形成对 AI 的整体认知。

误区二：盲目崇拜“业务+AI”

传统的架构从业人员会觉得“业务+AI”瞬间高大上，但其实 AI 技术是伴随信息化进展开始的，AI 技术应用的基础是数字化。很多传统的数据分析模块以及一些系线性模型都是 AI 的范畴，而不仅仅是指 Deep Learning。

从这个角度来看，任意一个应用场景，只要能找到建模方式，关于要不要用 AI、怎么用 AI 的答案也就浮出水面了。

越是传统的企业，越要多了解 AI 的本质、多着眼于深度学习及 AI 如何化帮助业务创新，放大业务线在 AI 方向的优势，这将会是一个不断迭代和正反馈的过程。

误区三：抱残守缺，追求速成

传统架构师在架构方面的长足经验是转型 AI 架构师的重要优势，在公司中对业务的理解也相对其他底层技术人员更深刻。但对 AI 技术的把握能力，并且这个短板未必有足够多的机会来弥补。架构出身的人有一个常见的问题，由于自身 AI 基础知识不扎实，容易在一些关键的事情上缺乏对问题本质的思考。

传统工程师转型 AI 方向最大的阻碍是 AI 专业知识，这是一条没有捷径的路。深度学习有别于传统的计算机科学，深度学习更贴近数学和经验，也就是深度学习中的统计学以及理论基础很多时候能用数学公式来证明算法的正确性。

因此，传统架构师就需要对 AI 技术有全局性的认识和把握，并主动观察和学习更多典型案例或者实践经验。典型案例的作用会非常明显高效，能更好地帮助传统架构师理解 AI 技术的特色以及 AI 和应用的对接。对于案例的学习，最好先别看答案，先自己思考实现过程，然后再与答案比较，这样印象会比较深、学习效果能做到事半功倍。

四、站立 AI 浪尖，先要成为破浪者

AI 的浪潮席卷千行百业，执桨破浪的企业才能站在浪尖起舞。所以传统业务、传统工程师一定要尽快摆脱现状，认识并了解 AI 对业务的长远价值。

算法技术和能力不是具体实操的知识点，而是一个缓慢积累知识的过程，需要较大的学习投入。而百度首席 AI 架构师培养计划（AICA），用四个月的时间帮你获得百度科学家、资深 AI 架构师实践多年“提纯”的 AI 实操方法和技能，同时提供深度学习技能图谱帮助传统架构师从全局上理解 AI 的本质，帮助大家快速查缺补漏、按图索骥地去补齐不同技术背景出身的短板。

真正以业务、算法、架构能力为核心，以助力企业跨越 AI 技术鸿沟为重点，帮你完成 AI 与产业应用融合、为 AI 产业化落地应用输送复合型人才。针对传统工程师转型，课程可覆盖：