- 1.AI算法如何赋能电商业务？
- 2.AI算法如何赋能传统工业？
- 3.黑盒系统如何去强约束与强优化？
- 4.非标场景如何沉淀？
- 5.如何对已有业务进行优化？
- 6.你能想到哪些新的AI产品形式？
- 7.如何提高AI业务中各部门之间的沟通/合作的效率？
- 8.如何扩展已有业务？
- 9.不同性质的公司如何使用好AI技术？
- 10.新时期的AI Lab该如何搭建？
- 11.如何保持数据持续稳定的支持业务？
- 12.如何分辨demo业务，一次性业务以及外包业务？
- 13.你觉得有哪些方法能增强公司的AI影响力？
- 14.AI产品和AI算法解决方案涵盖的研发岗位有哪些？
- 15.AI公司的各个部门如何减小信息传递的损耗率？
- 16.如何针对AI业务的优先级进行轻重缓急排序？
- 17.如何对AI业务的本质价值进行挖掘与总结？
- 18.AI公司如何评估和控制各业务部门的成本与效益？
我觉得这是电商互联网公司都会问的问题，也是一个非常有价值的问题。电商业务作为现金流业务，是需要AI去赋能提效的，AI与电商业务的结合，也会让算法侧更踏实的去沉淀。
传统工业的数字化，智能化，降本增效是大势所趋。需要我们不断深入挖掘传统工业面临的提效痛点，再反推出使用合适的AI算法进行赋能，我觉得这是非常值得去关注思考的点。
毫无疑问，现在的AI技术建立在黑盒系统上，而黑盒系统难免会引入随机性与不确定性。这种情况下如何让算法模型安全可控，并不断提升性能是一个非常值得思考的问题。
CV算法在实际应用中的非标场景非常多样，可能不同场景很多东西要推倒重来，要从头顶到尾重新搭建整个解决方案，这无疑会增加整个解决方案的成本，如何从非标场景中沉淀共性，优化解决方案的实施，打造更好的产品，这是一个非常值得去探索的问题。
我觉得这个优化是多方面的，我们可以优化已有业务的整个开发流程，也可以优化我们在这个业务逻辑里的效率，也可以基于这个业务进行新的拓展与探索。
AI赋能各行各业的探索还在持续推进，并且有很多实际可行的解决方案产出，我觉得保持对AI产品形式的创新思考是非常有价值的，这是一个增量方向。
这是工业界中一个非常现实的问题，那就是如何优化整个AI业务开发的流程，降本增效。有时候往往最花时间的不是算法侧的开发，而是不同部门之间的信息差，沟通不畅，合作不愉快等情况导致的低效。
在已有业务中跟随是很安全的事，但是如何开拓新的增长点是非常有价值的事。除了技术角度，还要从产品角度，成本角度，客户角度去把握。
这是一个非常有价值的问题，随着AI技术进入全面的落地阶段，如何将AI技术与公司定位相适配，利用好AI技术并产生更多现金流闭环，成为未来各个公司重点考虑的问题。
深度学习发展至今，工业界，学术界，投资界都对其优势和局限有所判断了，基于此，各个公司的AI Lab也进入了全新的阶段，如何调整架构，如何改变定位，如何转变认知，是一件需要思考的事情。
在“CV兵器”基本上都是开源的情况下，数据成为了支持业务迭代最重要的一部分，如何建立数据护城河，形成业务与数据双向正反馈，是AI行业从业者必须要面对的课题。
这个问题不仅可以考察面试者，面试者也可以用来反向判断面试官及其背后公司的运行逻辑。陷入demo业务，一次性业务以及外包业务的循环中是无法成长的，也不利于建立业务/产品的护城河。知道了这一点，那么如何去选择部门，如何去选择公司，如何去看需求，就变成了非常值得研究的事情。
AI除了落地，还有持续的愿景。这个问题启发我们，除了日常的技术深耕，也需要思考未来AI的发展趋势。如何扩大公司的AI影响力，是AI从业人员有必要去思考的一个维度。
在AI领域，Rocky认为我们不仅仅要了解算法岗位的工作内容，也要了解其他相关研发岗位的工作内容，这样才能更好的配合和评估成本与周期，所以这是一个非常有价值的问题。
Rocky在这里为大家抛砖引玉的进行总结，大家也可以留言补充：
- AI产品：算法岗+前端岗+后端岗+测试岗+运维岗+产品岗+运营岗等
- AI算法解决方案：算法岗+前端岗+后端岗+测试岗+运维岗+嵌入式岗等
在AI领域，如何有效的将价值信息传达到每个部门，并降低损耗率，是AI产品和AI算法解决方案成败的关键，也是整个业务团队效率提升的关键一招。
在AI领域，如何针对AI业务的优先级进行轻重缓急排序，是非常重要的一环，我们需要根据实际情况，不断的调整处理事情的轻重缓急，才能发挥出更高的效率。
Rocky认为这是AI行业的一个本质议题，需要我们持续对AI业务进行挖掘与思考，尤其是在AIGC时代这个AI行业的关键时间阶段。
Rocky认为这个问题非常关键，我们需要从AI行业角度出发，从整体上评估成本，增强效益，才能把握公司下一步的发展趋势。