文/Yoha 來自螞蟻金服人工智能部 郵箱: yaohua.cyh@antfin.com

好吧，我承認這個標題有點太大了，其實我更想要說的是“在人工智能時代、在人工智能公司、在人工智能部門，我們前端er的角色到底是怎樣的”。

眾(ge)所(ren)周(yi)知(yin)，現(xiàn)在或者說未來的的前端發(fā)展有這么幾個方向，前端 Node.js、前端 各種端(包括IOT)、前端 數(shù)據(jù)可視化、前端 圖形。等等，話說為啥前端后面為啥會有這么多加號呢？我的理解是，前端的職能在發(fā)生改變，從之前單純的頁面仔逐漸地往業(yè)務里面深入。當然這篇文章不是發(fā)表對這些方向的個人看法，我想說的是，前端 AI或許也會是未來的一個發(fā)展方向(利益相關，畢竟我是在AI部門嘛，哈哈哈)。

這幾年算法火啊，學算法的人越來越多啦，當然這也說明企業(yè)內部對算法人才的需求量大。但是，算法和工程是分不開的，沒有工程，算法也是無用武之地。好，既然有工程，那么肯定少不了我們前端嘛，那么我們前端到底能做些什么呢？我先給出幾個結論，后面再逐個說明:

開發(fā)公司官網(wǎng)？哈哈哈哈哈哈，其實也沒毛病；

工程平臺的開發(fā)。例如模型服務平臺、數(shù)據(jù)標注平臺等大型AI應用；

模型可視化(注意不是數(shù)據(jù)可視化哦)。用可視化的手段去解釋模型，輔助算法同學調參；

前端開發(fā)算法。啥？靠譜嗎？放心吧，靠譜！我們有落地生產(chǎn)環(huán)境的經(jīng)驗！本文不會給你簡單拋出幾個什么tensorflow.js、keras.js、deeplearning.js等等這些，然后告訴你用這些前端就能做算法，且耐心看下去，有干貨哦。

當然以上的并不包括所有方面，大家有補充的也歡迎一起討論~

開發(fā)公司官網(wǎng)

喂！那誰！你別笑！開發(fā)公司官網(wǎng)怎么了？AI公司的官網(wǎng)還真的就和其他公司的不一樣！除去輪播圖、全屏翻頁、html5動畫這種高端技能，你不做點其他的好意思叫AI官網(wǎng)？你可以整點AI人臉識別吧？可以整點攝像頭手勢控制吧？好，那么這種簡單模型就可以放到前端來跑。你說咋跑？嗯。。。這里不做介紹，畢竟不是教程文嘛。有興趣的同學可以找我私聊交流。

工程平臺的開發(fā)

工程平臺包含的比較廣了，事實上所有的AI應用平臺都是工程平臺，而從事AI應用前端一般屬于中臺型前端。至于有哪些工程平臺呢？舉些?:比如數(shù)據(jù)的入口，有數(shù)據(jù)標注平臺;建模有建模平臺;模型的部署有模型服務平臺等等一系列圍繞著AI來建設的大型平臺。而且這些平臺在工程上對也對前端帶來了極大的挑戰(zhàn)。動輒幾萬~數(shù)十萬的代碼量、各種稀奇古怪的交互操作、各種大數(shù)據(jù)的可視化、各種富媒體的可視化等等等。但這些都不是關鍵！！what?!這不是關鍵？那什么是關鍵？我理解的是，關鍵是在建設這些中臺應用的過程中對你的各方面能力的提升，不僅會促進你前端技術提升，而且還會大大開闊你的視野、對跨領域技術的理解、對公司業(yè)務的理解等等。這也是中臺型前端和業(yè)務前端及工程前端最大的不同之處。

模型可視化

模型可視化這一塊說實話，不屬于前端的范疇，同時也不完全屬于算法范疇或數(shù)據(jù)可視化范疇，嚴格的來說屬于前端、數(shù)據(jù)可視化和算法的交叉范疇。那么模型可視化到底是什么呢？

我這樣來強行解釋一下吧，大家都知道深度學習一直是一個黑盒子，從事深度學習的同學親切地稱呼自己為“調參工程師”，為啥呢？因為大家只知道這個神經(jīng)網(wǎng)絡輸入數(shù)據(jù)后經(jīng)過一系列計算能得到自己想要的結果，而卻不知道為啥會得到這個結果。這個用神經(jīng)網(wǎng)絡訓練出來的模型到底經(jīng)歷了什么？或者說這個訓練出來的模型為啥不準確？怎樣去調節(jié)訓練參數(shù)，從而得到更好的模型？目前還得不到準確的解答。所以，模型可視化就是通過可視化的手段去解釋模型，去跟蹤訓練過程。所以就需要開發(fā)er對算法、對可視化、對前端都要理解，通過各種可視化手段去剖析模型，幫助算法同學更好地去調參去理解模型。tensorflow配套的tensorboard就是一套可視化分析工具，但是還遠遠不夠。

那么模型可視化方向對前端又有什么要求呢？

前端技術上d3.js、canvas至少得熟練吧？常見的高維數(shù)據(jù)降維方法總得會幾個吧？pca、t-sne、自動編碼器總得聽說過吧？cnn、rnn、dnn這些算法的原理總得熟悉吧？說到這里大家應該也能看到，模型可視化需要的就是這樣復合型人才。現(xiàn)在也有很多同學在往這個方向走。

算法開發(fā)

相信大家之前應該也看到過tensorflow.js、deeplearning.js或者kera.js的科普文，之前阿里南京的一位同事做的用tensorflow.js來調教chrome里的小恐龍做的也很不錯。那么，前端做算法能落實到生產(chǎn)環(huán)境嗎？！能真正地給業(yè)務帶來價值嗎？答案是：可以！首先先說一下前端目前可以進行高性能計算的三種方法(不了解的同學自行搜索哈)：

asm.js

WebAssembly

GPU

所以，opencv就有了asm.js和WebAssembly版本的，我們可以在前端做cv算法。什么物體跟蹤、圖像處理、特征檢測等等等，在前端做ok的，并且我們也落地到了生產(chǎn)環(huán)境中。

等等，還有gpu呢？說到gpu，當然要用到我們的tensorflow.js了。那么tensorflow.js在生產(chǎn)環(huán)境中能做些什么呢？一般的tensorflow模型動輒幾百兆，在前端怎么跑呢？沒關系，我們有MobileNet啊，MobileNet是針對于移動端模型提出的神經(jīng)網(wǎng)絡架構，能極大地減少模型參數(shù)量，同理也能用到瀏覽器端上。那么現(xiàn)階段能做些什么呢？舉幾個?：

人臉識別

人臉比對

物體檢測

手勢檢測

視頻跟蹤

...

還有比如作者最近移植的基于tensorflow.js Node的tvnet算法，可以提取視頻中的稠密光流。而且隨著模型壓縮技術的發(fā)展，相信未來會有更多的模型能跑在前端上。

奉上一段我之前用來預測比特幣漲跌的算法模型，基于GRU的，僅供娛樂哈：

const input = tf.input({shape: [timeStep, 9]});const inputReverse = tf.input({shape: [timeStep, 9]});const gruFwd = tf.layers.gru({units: 24,unitForgetBias: true});const gruBwd = tf.layers.gru({units: 24,unitForgetBias: true});const fwd = gruFwd.apply(input);const bwd = gruBwd.apply(inputReverse);const lstmOpt = tf.layers.activation({ activation: "relu" }).apply(tf.layers.add().apply([fwd, bwd]));let dense = tf.layers.dense({units: 24,activation: "relu"}).apply(lstmOpt);const outputs = tf.layers.dense({units: 2,activation: "softmax"}).apply(dense);model = tf.model({ inputs: [input, inputReverse], outputs: outputs });console.log("training...");let res;model.compile({loss: "categoricalCrossentropy",optimizer: "adam"});train_data = tf.tensor3d(train_data);train_label = tf.tensor2d(train_label);train_data_reverse = tf.tensor3d(train_data_reverse);res = await model.fit([train_data, train_data_reverse], train_label, {epochs: 100});

綜上所述，我相信未來前端在AI方向上會大有可為！AI makes life better.FE makes AI better.

最后

哎呀，寫了這么多，怎能不來個硬廣：螞蟻金服人工智能部招前端啦!多多益善，歡迎各路英雄加入，讓我們一起來探索前端 AI的未來! 郵箱見文章開頭。

總結

以上是生活随笔為你收集整理的前端与人工智能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。