задний план

Благодаря своему опыту в области компьютерного зрения и фронтенд-инжиниринга, я вступил в ряды фронтенд-аналитики, а также твердо верю в направление фронтенд-аналитики. конец разведки в Alibaba. Я надеюсь внести свой вклад в развитие фронт-энд разведки.

ИИ и разработка функций

Здесь я объясню, чтоРазработка функций, На самом деле, я думаю о том, как объяснить фронтенд-инженерам, что такое фиче-инжиниринг, поэтому сначала расскажу о том, что я понимаю в ИИ.

Мы сказали, что наш человеческий мозг определенно не так хорош в повторяющихся вычислениях, как компьютер, например, если я попрошу вас посчитать 3+5, 5+10, человеческий мозг сосчитает это быстро, но я попрошу вас посчитать такие формула?

232323345345*23523423423

В это время компьютер может быстро вычислить его, что является преимуществом современной компьютерной архитектуры. Но с другой стороны, наш человеческий мозг может легко составить суждение о том, что находится перед нами, и сказать, что это принадлежит к определенному типу объектов, но если вы поместите картинку или включите камеру, чтобы компьютер распознал это это объект определенного типа, компьютеры не работают. Именно поэтому, поскольку в наш человеческий мозг с юных лет поступают разного рода знания и опыт, и мы постоянно думаем и размышляем в своем мозгу, а затем формируем определенный уровень познания реального мира, что заставляет людей Когда мозг видит тип объекта или возникает определенная ситуация, он может быстро вынести суждение, но суждение имеет определенную вероятность ошибки, которая зависит от исторического познания человеческого мозга и опыта текущей вещи.

аналогия сИИ (искусственный интеллект), цель состоит в том, чтобы позволить компьютеру делать возможные прогнозы для различных вещей и различных ситуаций посредством «изучения знаний и накопления опыта», как человеческий мозг, и обеспечивать различную точность прогнозов, точно так же, как ведет себя наш мозг. Итак, как заставить компьютеры учиться? Где ты черпаешь знания и набираешься опыта? Это "машинное обучение". Существует разновидность метода машинного обучения, называемая "глубокое обучение". Здесь эти два имени собственные можно понимать как "процесс непрерывного обучения и накопления опыта человеческого мозга от мала до велика". В ИИ мы называем это «обучением». В процессе обучения ИИ нам необходимо постоянно вводить «данные» в процесс обучения. Данные здесь — это познание и понимание нашего человеческого мозга в повседневной жизни. ИИ использует этот метод Чтобы узнать об общности данных, в следующий раз, когда вы столкнетесь с похожими данными, вы сможете сделать относительно точный прогноз.С математической точки зрения, благодаря обучению и обучению ИИ на большом количестве данных окончательное соответствие является оптимальным. На F(x) следующего прогноза можно сделать с помощью этой функции F(x).

Из приведенного выше объяснения мы видим, что «данные» являются особенно важным элементом для ИИ.Цитируя ученого мирового уровня в области искусственного интеллекта Эндрю Нг: «Данные определяют верхний предел машинного обучения, и только алгоритмы могут приблизиться к этому верхнему пределу. Для использования в промышленности, независимо от инноваций на уровне математической теории, качество прогнозирования модели алгоритма в значительной степени зависит от качества набора данных, а также от качества данных о признаках, вложенных в обучение модели.Однако данные в реальной среде часто не могут быть непосредственно помещены в модель для обучения, и необходимо выполнить некоторую обработку, чтобы сформировать структуру данных, подходящую для обучения модели, и т. д. Это то, что делает разработка признаков.

Разработка признаков играет очень важную роль в машинном обучении и обычно считается, что она включает три части: построение признаков, извлечение признаков и выбор признаков. Построение признаков является громоздким и требует определенного опыта. Извлечение функций и выбор функций предназначены для поиска наиболее эффективных функций из исходных функций. Разница между ними заключается в том, что при извлечении признаков основное внимание уделяется получению набора признаков с очевидной физической или статистической значимостью посредством преобразования признаков, в то время как выбор признаков заключается в выборе подмножества признаков с очевидной физической или статистической значимостью из набора признаков. И то, и другое может помочь уменьшить размер признаков и избыточность данных. Извлечение признаков иногда может найти более значимые атрибуты признаков. Процесс выбора признаков часто может указывать на важность каждого признака для построения модели.

Начало работы с FEE AI

После понимания ИИ и разработки функций, как фронтенд-инженер, как начать работу с ИИ, часто, когда мы думаем о таких проблемах, у меня есть формула:

【Что: Что это? Почему: Почему вы хотите это сделать? Как: Как это можно сделать? 】

ЧТО: В последнем абзаце я уже представил, что такое ИИ и разработка функций, и я объясняю это с точки зрения FE, а не с точки зрения скучной науки о данных.

ПОЧЕМУ: Тогда зачем фронтенд-инженеру снова учиться и использовать ИИ?Оглядываясь назад на развитие фронтенда, в 2003 году был «инженер по рефакторингу», который был предшественником фронтенд-инженера. , он начал работать на html+css+js В эпоху подсечно-огневого выращивания, на тот момент, после завершения фронтенд разработки, его еще нужно было интегрировать в различные шаблонизаторы, то есть JSP , ASP, PHP и т. д. С развитием науки, непрерывным развитием науки и техники и улучшением повседневных потребностей людей, в Интернете, для жизненного цикла разработки программного обеспечения или требований, разработка переднего плана стала становится все более и более важным, и его форма разработки продолжает развиваться.Эффективное проектирование переднего плана, повторное использование компонентов и т. д., мы сейчас говорили о строительстве.

Ради высокого качества и высокой эффективности передовые инженеры постоянно вводят новшества, особенно в домашних условиях.Я не знаю, можете ли вы чувствовать себя физически, когда видите здесь, и переднюю инфраструктуру строительства или связанные с ней технические решения постоянно обращаться к бэкенд-дизайну. Компонентизация, безусловно, может решить множество повторяющихся задач, а создание определенного уровня может полностью высвободить производительность интерфейса, но для постоянно меняющейся интернет-среды. Инновационные приложения и инновационный геймплей могут максимально привлечь пользователей, заставить их удерживать, а затем генерировать конверсии. То есть перед лицом быстро меняющихся требований компоненты также необходимо разрабатывать неоднократно.Вы можете сказать, что как фронтенд-инженер абстракция компонентов должна быть максимально полной.Например, компоненты могут быть разработаны через различные измерения приложения.Абстракция, технические компоненты, базовые компоненты, бизнес-компоненты и т. д., но после реального опыта вы все равно не сможете избежать новой разработки компонентов. Говоря о строительстве, что лежит в основе строительства? или компоненты. Если нет поддержки компонентов, что я могу использовать?

КАК: Итак, как мы можем по-настоящему высвободить продуктивность фронтенд-инженеров, инвестировать в более ценные и значимые вещи и не беспокоиться о сложном бизнесе? Фронтенд-аналитика — очень хорошее и сложное направление. Честно говоря, у нынешнего ИИ есть узкие места, связанные с вычислительной мощностью и данными. Однако для внешнего анализа мы можем использовать CV / NLP и другие возможности для реализации идентификации и автоматического производства бизнес-компонентов, а также объединять инженерные связи для доставки на несколько концов. На определенном уровне это решение может полностью повысить производительность, а также может удовлетворить меняющиеся потребности спроса на продукцию. Для такого продуктаimgcookЕсли интересно, можете попробовать

После выяснения, почему вам нужно быть умным во фронтенде, а затем как фронтенд-инженеру, что вы должны делать?Столкнувшись с высоким порогом ИИ, машинного обучения, глубокого обучения и т. д., сообщество предоставляет pipcook, используя json, вы можете начать обучение ИИ, принадлежащее фронтенд-инженерам.С помощью простой конфигурации вы можете обучить свою собственную модель алгоритма распознавания компонентов, а затем сотрудничать с моделью инженерной связи.Я считаю, что в этом нет проблем. автоматическое создание страницы.

Давайте поговорим о другом сценарии: мы говорим: «третьеразрядные компании смотрят на функции, второсортные компании смотрят на производительность, а первоклассные компании смотрят на данные». Для такого большого количества данных компания может предоставить соответствующий метод запроса запроса и условия фильтрации, чтобы получить его, но как фронтенд-инженер вы можете использовать текстовую классификацию для обучения и классификации этих больших объемов данных. .

Говоря об инженерии функций, для науки о данных в пакетах Python есть все, например, наш часто используемый numpy, который может хорошо обрабатывать взаимосвязь между необработанными данными и векторами, но для большинства фронтенд-инженеров это не так. Те, у кого есть базовые знания python, есть также JS-реализации numpy.Однако опрос показал, что все эти библиотеки, реализованные в JavaScript, реализованы с точки зрения науки о данных, то есть они не реализованы для инженеров по интерфейсу.Это для инженерам по науке о данных, чтобы применить его к хост-среде с запущенным JavaScript. Я думаю, что это отличается от аналитики переднего плана, что также побуждает меня постоянно думать о некоторых перспективах в жизненном цикле реализации библиотек разработки функций. , роль проблема.

Мой официальный аккаунт:Доска QCd
мой блог:осенний блог