百科问答小站 logo
百科问答小站 font logo



现在机器学习工业界和学术界的差别越来越大了吗?尽早实习和踏实科研各有什么利弊? 第1页

  

user avatar   breaknever 网友的相关建议: 
      

谢邀。此处的工业界应特指将机器学习用于商业行为的机构或企业,可以排除大型企业的研究分支(如谷歌的DeepMind)。这些机构以发表科研成果为目标,本质上不属于工业界。

1. 现在机器学习工业界和学术界的差别越来越大了吗?

学术界和工业界的距离没有变大,一直都是相对恒定的。这个理论适用于大部分的行业,程度高低有所不同而已。那为什么我们总觉得学术界更超前呢?这个感觉的主要是是因为研究成果商业化周期的滞后性学术界的研究成果,在能够商业化前还有很长的路要走,如下图所示一般要经历多个步骤并且不同的环节之间都有“门槛”,很多研究成果往往走不到商业化那一步。而能够成功商业化的研究成功往往都是历经考验,被大家认为真实有效,并可以为社会提供价值的。检验这个过程一般有漫长的周期,短则几个月,长则很多年,这个周期给了很多人错觉工业界很落后。其实不然,工业界只是更加保守。和有政府拨款的研究机构不同,企业的主要任务是盈利而不是探索科技的边界,同时还得考虑到人力成本、产品痛点等复杂的因素。

原图链接:Innovation Diffusion From University R&D

学术界成熟的算法和成果,只要能在应用领域上落地,很快就会被商业化走入我们的生活。换句话说,学术界的成功经过自己的内部筛选和沉淀,能够存活下来的就会进一步被商业化。举个例子,现在大热的深度学习随着研究突破和硬件/数据环境改善,得到了很大的发展并衍生出了各种结构的神经网络(如残差网络等)。但大部分这些特定结构的神经网络都是昙花一现,而真实有效果的卷积网络CNN和循环网络RNN(LSTM)因为其可重复性和良好的效果才走入了工业界。

可能短时间内某个领域学术界走的快一些或者工业界走的快一些,但总体来讲很少有极端滞后性。作为一个已经身在工业界的人,我们也紧跟学术界的潮流,尽量了解下一个可能大热的技术是什么。很多公司还会安排员工去参加学术会议,争取将可靠的技术尽快商业化落地。

再举个极端的例子,很多教授自己会带着学生搞创业公司,而他们的技术能力在学术界和工业界都是顶级的。比如深度学习之父Hinton就曾和自己的学生创立了后来被谷歌收购的DNNresearch,我想大概没几个学术界的人敢说自己比Hinton的研究水准更高。吴恩达也是往返于不同的领域,做的都很厉害,所以学术界和工业界从来就没那么清晰的划分。综上,从广义角度的来说,学术界比较超前,但不会将工业界远远甩在身后,而是一套生态系统中的不同环节。

2. 尽早实习和踏实科研各有什么利弊?

我的看法是,尽早找科研机会,发觉不适合自己就赶快转向于工业界,流连忘返很容易两手空空。

直白的说,一般人更适合工业界,学术的路不好走也很难走通。我现实生活中有很多朋友找不到教职而离开学术界,甚至搜一下知乎常常能看到诸如 PhD 第三年还没有发 paper 是怎样一种体验?的讨论。所以走学术路需要坚持勤奋、良好的家庭条件、和一点点运气来遇到好的导师和适合的期刊会议。再加上机器学习如果做到比较深入,大部分时候也需要不错的数学基础,至少试图要假装从理论上解释自己的工作,对一般人来说要求还是比较高。说一个残酷的事实吧,做学术投出产出周期很长,很多人看到同龄人早早步入职场买车买房很容易心态失衡,这也为什么很多科学家其实出身名门贵族,望决心投身科研前三思。

因此,应该先试着做科研,再尝试工业界实习。对待科研机会,有则就上,没有也不是太大的遗憾。比较合理的安排应该是大三试着跟着学长学姐或者教授进实验室,这种机会一般都是免费的不要计较。当你离开学校以后,你会发现再找科研机会就很难了,所以不管怎样请给自己一次尝试的机会。在这个过程中,教授和你是双向选择,很快你就知道自己是否适合做学术了。如果花了1-2个学期发现科研不适合自己,马上去找实习为就业做准备,不要可惜已经花掉的时间,或许将来你会发现对自己的工作也有帮助。

而已经读硕士/博士的朋友,争取在考过资格考试,差不多第二年暑假的时候尝试去做一份工业界实习。比较现实的考虑除了能够防止一身屠龙之技,还可以通过实习缓解一下经济压力,同时远离实验室和导师也是一种“舒压的方式”...

我建议大部分做机器学习的朋友尽早实习,主要出于以下几个考量:

  • 打破幻想,了解工业界的主流模型。在其他很多答案中我都提到过,其实工业界用的大部分技术并不酷炫,你很少能看到深度强化学习那种AlphaGo一样酷炫的模型。不夸张的说,广义线性模型(generalized linear models)还是占据了大壁江山,这要归功于其良好的解释能力。从神经网络角度出发,一般也逃不过普通任务深度网络、视觉任务卷积网络CNN、语音和文字任务LSTM的套路。
  • 补上学术界忽视的内容,比如可视化和数据清洗。工业界的最终目的是输出商业价值,而获得商业洞见的过程其实是非常痛苦的,比如第一步就是令人深恶痛绝的数据清洗。毫不夸张的说,工业界百分之六十的时间都在清理数据,这和学术界干净且规则化的现成数据完全不同。没有在工业界体验过的人,无法真的了解原来机器学习从头到尾有那么多陷阱,泛化能力只是终极目标,而往往我们连规整的数据都无法得到。
  • 了解技术商业化中的取舍,培养大局观。做技术的人往往一头扎进技术里面,而忽视了从全局思考。举个例子,模型A的准确率95.5%,每次训练时间是3天,需要6台有GPU的服务器。而模型B的准确率是百分之95.2%,但只需要一台普通的macbook训练4个小时就可以了。从学术角度出发我们往往追求更好的模型结果选A,而工业界还要考虑到训练开销、模型可解释性、模型稳定度等。到工业界实习不仅可以培养大家的宏观掌控能力,对将来自己带学生控制开销或者选题也大有帮助。

3. 总结

二八理论也适合这个问题:做科研的人占少数,大部分人应该致力于把理论落地,把它们应用于我们的生活当中。而学术界和工业界从来都不是割裂或者对立的两部分,而是一个生态平衡系统。因此不必觉得做学术就可以高人一等,或者投身工业界就只是为了钱缺乏理想

对于还在选择阶段的学生朋友,先试试自己对研究是否感兴趣再投身职场是明智的选择,而选定学术界的朋友时不时来工业界游历一番也有助于获得大局观,更好的思考怎么将研究商业化。

不过退一步说,人的命运真的很难靠自己掌控。我见过很多致力投身科研的朋友最后在工业界混得很好,也有一开始为了混文凭却莫名其妙爱上了科研的朋友。

所以说啊,做人面对无边无际的不确定性,不用那么功利,随缘吧 ʕ•ᴥ•ʔ


user avatar   wei-ruan-ya-zhou-yan-jiu-yuan 网友的相关建议: 
      

先下结论:电影想把Freddie塑造成一个有人性的神,却忘了真正的Freddie只是一个有神性的人

如果作为一部粉丝向的情怀片,《波》已经达到了满分,哪怕不谈对细节出色的把控,光是最后二十分钟的神级还原已经足够让所有的情怀在we are the champions中泪流满面

感受一下当时的直播:

Live Aid https://www.zhihu.com/video/1092941240030597120


Live Aid https://www.zhihu.com/video/1092941515751579648

但是作为一部传记片,《波》还是太流程化了,才华横溢的主角惊艳出场,遇到小人,遭遇挫折,众叛亲离,踢开小人,亲友重聚,完美收场。作为人物小传也算及格,但是对于Freddie这样的传奇人物的剖析还是不够大胆,想要表现其人性的一面,又不敢去探索Freddie其实也有自私功利的角落,想要表现其亦男亦女的魅力,却又只是浮于外表没有触碰到灵魂,以至于片子自始至终有种畏手畏脚的憋屈感。

不过不管受众是谁,《波西米亚狂想曲》至少是一部及格线以上的作品,再加上Queen的音乐加成,哪怕不至于血脉喷张,但让观众在电影院点点头抖抖腿还是绰绰有余了

看完电影之后,再看到波西米亚狂想曲的歌词,或许会有一些不一样的体会

Is this the real life

Is this just fantasy

Caught in a landslide. No escape from reality

Open your eyes.Look up to the skies and see

I'm just a poor boy, I need no sympathy

Because I'm easy come, easy go,A little high, little low,

Anyway the wind blows, doesn't really matter to me

freddie的生命像一场华丽的错觉,但他所留下来的,is not fantasy




  

相关话题

  假如将来科技发展到极致,人工智能已经解决人类生娃,教育,工作,婚姻,住房,生活的一切,人们会幸福吗? 
  人类被机器人统治的条件有哪些? 
  如何评价对于AlphaGo打劫问题的质疑? 
  语义网所谓的“本体”的具体例子是什么? 
  如何评价生成模型框架 ZhuSuan? 
  为何中国人迷恋吴恩达的机器学习课? 
  Meta 继续重组架构,人工智能团队合并至 AR/VR 部门,这样做的原因有哪些?会带来哪些影响? 
  如何用python来统计MacPro的圆圈个数? 
  如何评价Kaiming He团队的MoCo v3? 
  阿里的TDM树深度模型为什么很少有人用,是有哪些问题吗? 

前一个讨论
大学挂科了怎么办?
下一个讨论
如何看待 2019 年 1 月 20 日央视《面对面》专访任正非?





© 2024-11-08 - tinynew.org. All Rights Reserved.
© 2024-11-08 - tinynew.org. 保留所有权利