AI工程师是怎么变成“调参狗”、“炼丹师”的
以前，提起AI，机器学习，神经网络，深度学习，Deep Learning这些名词，我和大家一样，觉得炫、牛X、高大上。
最近两三年来，陆陆续续完成了一些人脸识别、图片识别之类的项目后，终于理解了为什么AI工程师往往都自嘲为“调参狗”、“炼丹师”。
因为，AI工程师的主要工作内容，在最近两三年，发生了很大的变化。
以前搞AI，要自己研究算法，要移植或者编写大量的代码，对于不是专门搞机器学习的人来说，门槛是相当高。
现在不用那么麻烦了，算法和代码，基本是现成的，已经集成到主流的深度学习框架里了，像TensorFlow，MXNET，PyTorch，Caffe，NCNN等。
所以现在的AI工程师，工作内容已经由算法和代码，变成了调整参数和训练模型。正是这种变化，让AI工程师成了“调参狗”、“炼丹师”。
例如，搞人脸识别，先找个主流的深度学习框架，如NCNN；再找个效果最好的人脸识别算法，如InsightFace；两者搭配起来，算法和代码的工作就算完成了。
有了框架提供的算法和代码之后，AI工程师下一步的工作，是调整参数，和训练模型，或者直接下载使用别人已经训练好的模型。
调参、训练模型的过程，比较耗费精力和时间，这个过程也就是工程师自嘲的炼丹。
算法和框架，是丹炉。
就像IT人常说的一句话，不要重复制造轮子。同理，AI工程师不会重复制造丹炉。丹炉是现成的，最多调整调整参数，相当于改改火候。
训练模型用的图片、音视频等，是炼丹材料。
好的材料是炼丹成功的关键。在一定程度上来说，素材甚至比算法更重要。
就像人脸识别，算法差别不大，关键在于素材。如果你做的是一个用于识别中国人面孔的应用，但用来训练模型的人脸图片却都是欧美人的，效果一定不会好。
训练出的模型，就是炼出的丹药。
整个炼丹过程，往往不是一次成功，而是一个循环往复的过程：调整参数、输入素材、训练出模型，使用后发现效果不佳；继续调整参数，输入素材或者改变素材、训练出新的模型，检验使用效果；重复上述过程，直到满意为止，才算炼丹成功。
最后把算法、框架、模型，集成到项目里，工程化或者产品化，变成最终产品。
还有一些更省事的办法：
1、有一些在线AI平台，提供人脸识别、图片识别、文字识别等多种功能，大多采用API调用方式，可以很方便的集成到项目中，难度为0。
2、如果不喜欢第三方API服务，又想跳过调参、训练这些比较费工夫的步骤，可以直接下载和使用别人已经训练好的模型，集成到自己的项目里。
目前AI的智力水平，已经基本达到八九岁小孩的智力水平。
如果我们在工作或者生活中，遇到一些琐碎的，重复的，八九岁小孩的智力能解决的事情，可以考虑用AI来解决。例如，监控某个仪表的读数。