[[409282]]

這篇專門講工作方法， 工程師這個群體中有許多非常聰明的人，他們在工作中會面臨許多重復繁瑣事宜，如何用工程思維去面對， 這幾年通過工作學習進行了總結，概括來說主要有以下幾個方面。

01 重復環節自動化

這恐怕是程序員最基礎的直覺和認知了。可以 從“CV工程師”的角度理解自動化 ：當你Ctrl C+Ctrl V復制粘貼第一次時，你應該考慮是不是可以將其抽象成一個組件或工具；當你復制粘貼第二次時，組件的結構和設計應該已經比較清晰。第三次再復制粘貼時，已經可以使用自己的組件或工具了。

自動化不應該只體現在代碼層面，可以將它看作一種解決問題的方法，環節重復的都可以用自動化。比如我們寫博客時用到圖床，一般的流程是：截取并存儲圖片，上傳到圖床，獲取圖片鏈接。這個過程如果不自動真的會讓人只生出死心——惡心死了，但實際上 Mac 下面的 Alfred ·Workflow 就可以簡便實現自動化。再比如我們經常開會，完全可以做一個會議記錄的模板，每次開會時復制一下。關鍵是要想方設法將重復的動作抽象，重要的是要有這個意識。

既然自動化更多的是一種意識，自然地非技術人員也會需要，而且可能更加需要。比如行政人員可能會手動發工資條，運營人員可能會每天下載一次報表，然后針對報表做一些統計或其他處理，這些工作其實都可以自動完成。

自動化并不是高大上，或者必須要會 Python，有時候寫代碼反而更復雜，比如之前提到過 Workflow 圖床的例子。對于非技術人員，Excel 很多時候會更加實用，比如統計、去重、切片、過濾等等，在 Excel 里面就點幾下鼠標的事。

工具并不重要，只要能讓事情 “自動” 完成，那越簡單的工具就是越好的工具。

02 批量化

批量化和自動化可能比較類似，但批量化更加側重一次完成一類工作，核心是 “批量”，而自動化核心是 “自動”。批量化一般是針對某項具體的工作內容，比如統一查找替換，統一為所有句子添加某個字符、批量下載數據等等。

AI 工程師對此應該非常熟悉，模型訓練中的 Batch 其實就是批量化的例子。批量往往具有統一的特點，不僅效率高，而且還能避免一條一條操作可能的錯誤。比如給定一個若干列的文本文檔，要提取出包含數字的行，這時我們可以借助 SublimeText，利用正則找出所有的數字，然后選中所在行復制出來即可。

批量化時刻關注能否 “一次性” 將事情搞定，很多時候會體現在運籌層面，比如要下樓取快遞，可以和外賣一起取；或者將要討論的議題放在一起開會等等。總之，就是盡量將類似的行為一起完成，提高效率。

還有時間的批量化。即利用一整塊時間做一件事。對我個人而言，一般會選擇上午作為靜默時間，專注需要集中注意力完成的任務，不看消息，也基本上不動。

03 簡單化

這里的簡單包含兩層含義：第一層就是一般意義的 “簡單”，第二層是大道至簡的 “簡單”。第一層類似簡陋，一般作為初始方案或臨時方案；第二層的簡單則是透過復雜冗繁的表象直達本質，整個系統層面的清晰和優美，往往是不斷演化改進的產物。這里以AI工程師的業務角度說兩個方面。

產品設計

一個產品在設計階段，能夠滿足需要的前提下，應該選擇簡單的不斷優化。具體說明一下怎樣的設計我認為是 “簡單” 的：一方面，有不同的模塊，每個模塊有單一、不同且不可或缺的功能；另一方面，每個模型的核心功能符合對其基本假設。其中要注意，模塊不應該有一些僅適用于部分情況的特殊設計。

拿AI工程師舉個例子，Google 的東西往往符合 “簡單” 標準，比如 Doc2vec，BERT，但大部分魔改后的論文都是將其復雜化。作為工業界的工程師，其實重點關注 GF（Google、Facebook）的前沿研究成果就差不多了，其他的（尤其是高校的）只是作為一個思路參考，貪多嚼不爛。

產品架構

架構設計本身是很復雜的一件事，看起來好像是將已有的功能各種組合在一起，但難就難在這個選擇上面。簡潔架構更多是從整體復雜度的角度考慮的，模塊與模塊、組件與組件之間交互簡單。要做到這點，一定要從實際出發，選擇當下最適合的架構，略微做一定的擴展性考慮，接下來就是隨著系統不斷演化。

需要特別注意三個點：第一，過度設計。好的架構往往是演化出來的，而不是一開始就設計的那么好。第二，追求新技術。這本身是個好事，但作為架構設計者必須要綜合考慮多種因素，拋開技術層面，新的技術是否穩定、團隊能否 hold 住、所有者對未來的規劃等等都是很重要的因素。第三，想一步到位。事實上，架構的調整往往是逐步進行的，有可能先調整某個模塊，再下一個，有時候更是需要全部推翻重新設計。架構設計不是一錘子買賣。

04 邊際收益最大化

在經濟學中，邊際收益是指增加一單位的投入所能獲取的收益。邊際收益具有遞減性，比如很餓的時候，第一個包子最香，吃著吃著越覺得不好吃。在工作中，我們應該優先做邊際收益最大化的工作，通俗點的說法就是 2-8 法則： 用 20% 的資源做能夠起 80% 效果的事 。

優先解決人工部分

長期來看，幾乎所有企業都會面臨 AI 化，就像十幾年前的電子商務，這并不是 “有些” 企業的專屬。關于這點，我比較認同吳恩達的觀點——將 AI 比作電力。即便從客觀角度看，AI 技術確實能在許多方面提升企業效率，比如客服機器人、搜索、推薦等等，區別只是做的深淺程度。即便是已經部分 AI 化的企業，也未必沒有優化的空間，我們只需知道技術的存在就是為了提升整體效率，剩下的便是一點點去優化。

重視新技術

無論原因是什么，都不是不使用新技術的理由。尤其AI領域，深度學習的有效性已經不容置疑，在很多場景下都可以替換傳統方法，或者進一步提升已有的效果。作為行業的一員，出現新的方法和技術，即便沒效果我們也該去了解，更不用提效果這么好了。

綜合使用不同方法的核心部分

不同的方法、不同的模型效果可能不一樣，因為它們各自側重的點不一樣。在實際中，我們往往沒辦法一套方法走天下，即便是最新最好的也不行。這里想表達的是，正是因為不同方法側重點不一樣，我們反而需要利用這點，選擇多種方法組合，這類似于利用了每種方法的最大收益。