2019第16周日

Posted 2021-02-17 doit8791

昨天看到一本书，讲到最重要的事只有一件，是在一次只做一件事情的延伸说明，确实不管我们有多忙，当下最重要的事情只有一件，长远看最重要的事也只有一件，由远及近倒退出当下最重要的事，然后专注去做才有可能快速的成果。书中作者举例，当他公司遇到各种问题整天搞的焦头烂额时去请教导师方法，被告知最重要的事只有一件：针对面临的关键问题找到14个关键人来分别处理。作者按建议去做几年后公司进展的异常顺利。后来在他这14个人工作遇到问题时他又叫他们最重要的事只有一件，再次取得成功。

找到最重要的一件事，过程可能会痛苦，但去做时会更轻松也更容易取得成功。

 

做有价值的事，持续深入去做。要思考技术整体价值，技术远景，既要埋头走路，也要抬头看天。

读写分离，业务分离，存储增加授权，多个事避免同时做，避免影响线上业务稳定。

云计算中心和边缘计算节点有很强的互补性。比如边缘计算节点只按照设定好的程序处理初步数据。这样做的好处在于提高效率降低往复成本。尤其是那些图像之类的非结构化数据，将它们转化为结构化信息。这样可以降低对传输的资源的需求，并提升本地数据的响应速度。

边缘节点可以接受云计算中心的统一管控，处理和存储全部，或者是部分数据。这样做的好处在于降低成本，节约资源。同时提高效率和业务的连续性。最关键的是，对于有特殊需求的用户来说，满足了他们对数据本地存储和处理的安全合规要求。

 

任何事情都不是一蹴而就的，在2012年以前，很多成功的因素已经开始逐渐显现：2009年的 ImageNet 数据库奠定了大量标注数据的基础；2010年开始，IDSIA 的 Dan Ciresan 首次用 GPGPU 进行物体识别；2011年，北京的 ICDAR 大会上，神经网络在中文离线识别上大放异彩。就算是 AlexNet 中用到的ReLU层，早在2001年神经科学的文献中就有提及过。所以，一定程度上说，神经网络的成功也是一个水到渠成的过程。其中几个重点：

成功的原因，一点是大数据，一点是高性能计算。

局限的原因，一点是结构化的理解，一点是小数据上的有效学习算法。

人工智能是一个日新月异的领域，我们有一个笑话说，2012年的科研成果，现在说起来都已经是上古时代的故事了。快速的迭代带来的大量机遇和挑战是非常令人兴奋的，无论是有经验的研究者还是新学 AI 的工程师，在当今云化，智能化的年代，如果能快速学习并刷新算法和工程的各种挑战，就可以通过算法创新引领并且赋能社会各个领域。这方面，人工智能领域开源开放的各种代码，科研文章和平台给大家创造了比以前更容易的入门门槛，机遇都掌握在我们自己手中。

 

技术人员或多或少都经历过重构， 做好重构不仅能增加代码的易读健壮性发现之前隐藏的bug，也能提升技术人员的编码水平技术能力。也不排除有些不负责任的人被迫重构又不做认真的回归测试，导致产生新的bug，甚至改变了软件原有的功能。

如果有人说他们的代码在重构过程中有一两天时间不可用，基本上可以确定，他们在做的事不是重构。

重构的关键在于运用大量微小且保持软件行为的步骤，一步步达成大规模的修改。每个单独的重构要么很小，要么由若干小步骤组合而成。因此，在重构的过程中，我的代码很少进入不可工作的状态，即便重构没有完成，我也可以在任何时刻停下来。

 

衡量的重要方法就是通过数据，当我们有一个想法时，要用最小的成本立刻将想法变为最小可实行产品，然后通过产品试验，获得数据进行分析，进而改进想法，变为产品，持续迭代优化。

 

影响圈就是那些我们可以改变努力进而有所成就的事，关注圈是那些我们知道但不能改变或直接影响的事，真正有智慧的人都会尽可能的把时间精力投入到影响圈中：

我不能改变天气，但我可以改变心情；

我不能改变容颜，但我可以展现笑容；

我不能预知明天，但我可以用好今天；

我不能改变过去，但我可以改变未来；

我不能改变别人，但我可以改变自己；

我不能事事如意，但我可以事事尽力。