經(jīng)驗(yàn)分享:半路出家的我如何從0到1學(xué)習(xí)機(jī)器學(xué)習(xí)

作為一個(gè)數(shù)學(xué)系出身，半路出家開始搞機(jī)器學(xué)習(xí)的人，在學(xué)習(xí)機(jī)器學(xué)習(xí)的過程中自然踩了無數(shù)的坑，也走過很多本不該走的彎路。于是很想總結(jié)一份如何入門機(jī)器學(xué)習(xí)的資料，也算是為后來人做一點(diǎn)點(diǎn)微小的貢獻(xiàn)。

▌前言

在 2016 年 3 月，隨著 AlphaGo 打敗了李世乭，人工智能開始大規(guī)模的進(jìn)入人們的視野。不僅是互聯(lián)網(wǎng)的工程師們很關(guān)注人工智能的發(fā)展，就連外面的吃瓜群眾也開始關(guān)注人工智能對(duì)日常生活的影響。隨著人臉識(shí)別能力的日益增強(qiáng)，個(gè)性化新聞推薦 App 的橫行天下，TensorFlow 等開源工具被更多的人所知曉，于是就有越來越多的人開始逐步的轉(zhuǎn)行到人工智能的領(lǐng)域，無論是計(jì)算機(jī)出身的后臺(tái)開發(fā)人員，電子通信等工程師，還是數(shù)學(xué)物理等傳統(tǒng)理科人士，都有人逐步開始轉(zhuǎn)行到機(jī)器學(xué)習(xí)的領(lǐng)域。

作為一個(gè)轉(zhuǎn)行的人，自然要介紹一下自己的專業(yè)背景。筆者在本科的時(shí)候的專業(yè)是數(shù)學(xué)與應(yīng)用數(shù)學(xué)，外行人可以理解為基礎(chǔ)數(shù)學(xué)。在博士期間的研究方向是動(dòng)力系統(tǒng)和分形幾何，所做的還是基礎(chǔ)數(shù)學(xué)，和計(jì)算機(jī)的關(guān)系不大。

如果有人想了解筆者究竟在做什么科研的話，可以參考知乎文章“復(fù)動(dòng)力系統(tǒng)（1）--- Fatou集與Julia集"。至于機(jī)器學(xué)習(xí)的話，在讀書期間基本上也沒接觸過，甚至沒聽說過還有這種東西。不過在讀書期間由于專業(yè)需要，C++ 之類的代碼還是能夠?qū)懸恍┑模?UVA OJ 上面也留下過自己的足跡。

▌2015 年：嘗試轉(zhuǎn)型

行路難，行路難，多歧路，今安在？

在 2015 年畢業(yè)之后機(jī)緣巧合，恰好進(jìn)入騰訊公司從事機(jī)器學(xué)習(xí)的相關(guān)工作。不過剛進(jìn)來的時(shí)候壓力也不小，現(xiàn)在回想起來的話，當(dāng)時(shí)走了一些不該走的彎路。用李白的《行路難》中的詩詞來描述當(dāng)時(shí)的心情就是“行路難，行路難，多歧路，今安在？”

在 2015 年 10 月份，第一次接觸到一個(gè)不大不小的項(xiàng)目，那就是 XX 推薦項(xiàng)目。而這個(gè)項(xiàng)目是當(dāng)時(shí)組內(nèi)所接到的第二個(gè)推薦項(xiàng)目，當(dāng)年的推薦系統(tǒng)還是搭建在大數(shù)據(jù)集群上的，完全沒有任何說明文檔和前端頁面，當(dāng)時(shí)的整個(gè)系統(tǒng)和全部流程復(fù)雜而繁瑣。不過在接觸這個(gè)系統(tǒng)的過程中，逐步開始學(xué)習(xí)了 Linux 操作系統(tǒng)的一些簡(jiǎn)單命令，SQL 的使用方法。

了解 SQL 的話其實(shí)不只是通過了這個(gè)系統(tǒng)，通過當(dāng)時(shí)的 ADS 值班，幫助業(yè)務(wù)方提取數(shù)據(jù)，也把 SQL 的基礎(chǔ)知識(shí)進(jìn)一步的加深了。SQL 的學(xué)習(xí)的話，在2015年讀過兩本非常不錯(cuò)的入門教材《SQL基礎(chǔ)教程》與《HIVE編程指南》。Linux 的相關(guān)內(nèi)容閱讀了《Linux 命令行與 Shell 腳本編程大全》之后也就大概有所了解了。于是工作了一段時(shí)間之后，為了總結(jié)一些常見的 SQL 算法，寫過一篇文章 "HIVE基礎(chǔ)介紹"。

在做推薦項(xiàng)目的過程中，除了要使用 SQL 來處理數(shù)據(jù)，要想做機(jī)器學(xué)習(xí)，還需要了解常見的機(jī)器學(xué)習(xí)算法。當(dāng)年接觸到的第一個(gè)機(jī)器學(xué)習(xí)算法就是邏輯回歸（Logistic Regression），既然提到了機(jī)器學(xué)習(xí)的邏輯回歸，無法避免的就是交叉驗(yàn)證的概念，這個(gè)是機(jī)器學(xué)習(xí)中的一個(gè)基本概念。

通過物品的類別屬性和用戶的基本特征來構(gòu)造出新的特征，例如特征的內(nèi)積（inner product）。后來在學(xué)習(xí)的過程中逐步添加了特征的外積和笛卡爾積，除了特征的交叉之外，還有很多的方法來構(gòu)造特征，例如把特征標(biāo)準(zhǔn)化，歸一化，離散化，二值化等操作。除了構(gòu)造特征之外，如何判斷特征的重要性則是一個(gè)非常關(guān)鍵的問題。

最常見的方法就是查看訓(xùn)練好的模型的權(quán)重，另外還可以使用 Pearson 相關(guān)系數(shù)和 KL 散度等數(shù)學(xué)工具來粗糙的判斷特征是否有效。在此期間也寫過一些文章“交叉驗(yàn)證”，“特征工程簡(jiǎn)介”，“KL散度”。關(guān)于特征工程，除了閱讀一些必要的書籍之外，最重要的還是要實(shí)踐，只有實(shí)踐才能夠讓自己的經(jīng)驗(yàn)更加豐富。

在做推薦系統(tǒng)的時(shí)候，之前都是通過邏輯回歸算法（Logistic Regression）離線地把模型的權(quán)重算好，然后導(dǎo)入線上系統(tǒng)，再進(jìn)行實(shí)時(shí)的計(jì)算和打分。除了離線的算法之外，在 2015 年的 12 月份了解到了能夠在線學(xué)習(xí)的 FTRL 算法。調(diào)研了之后在 2016 年初在組內(nèi)進(jìn)行了分享，同時(shí)在zr9558.com上面分享了自己的總結(jié)，最近把該文章轉(zhuǎn)移到自己的微信公眾號(hào)上“Follow the Regularized Leader”。

在做 XX 推薦項(xiàng)目的過程中，了解到了數(shù)據(jù)才是整個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的基石，如果數(shù)據(jù)的質(zhì)量不佳，那就需要進(jìn)行數(shù)據(jù)的預(yù)處理，甚至推動(dòng)開發(fā)人員去解決數(shù)據(jù)上報(bào)的問題。通常來說，要想做好一個(gè)推薦項(xiàng)目，除了特征工程和算法之外，最重要的就是數(shù)據(jù)的核對(duì)。當(dāng)時(shí)的經(jīng)驗(yàn)是需要核對(duì)多方的數(shù)據(jù)，那就是算法離線計(jì)算出來的結(jié)果，線上計(jì)算出來的結(jié)果，真實(shí)產(chǎn)品中所展示的結(jié)果這三方的數(shù)據(jù)必須要完全一致，一旦不一致，就需要復(fù)盤核查，而不是繼續(xù)推進(jìn)項(xiàng)目。在此期間，踩過無數(shù)的數(shù)據(jù)的坑，因此得到的經(jīng)驗(yàn)就是一定要反復(fù)的核查數(shù)據(jù)。

▌2016：從零到一

站在巨人的肩膀上，才能看得更遠(yuǎn)。-—學(xué)習(xí)推薦系統(tǒng)

“站在巨人的肩膀上，才能看得更遠(yuǎn)?！钡搅?2016 年的 2 月份，除了 XX 推薦項(xiàng)目的首頁個(gè)性化調(diào)優(yōu)算法之外，還開啟了另外一個(gè)小項(xiàng)目，嘗試開啟首頁的 tab，那就是針對(duì)不同的用戶推薦不同的物品。這個(gè)小項(xiàng)目簡(jiǎn)單一點(diǎn)的做法就是使用 ItemCF 或者熱傳導(dǎo)傳播的算法，在用戶收聽過某個(gè)節(jié)目之后，就給用戶推薦相似的節(jié)目。

這種場(chǎng)景其實(shí)在工業(yè)界早就有了成功的案例，也不算是一個(gè)新的場(chǎng)景。就好比與用戶在某電商網(wǎng)站上看中了某本書，然后就被推薦了其他的相關(guān)書籍。之前也寫過一篇推薦系統(tǒng)的簡(jiǎn)單算法“物質(zhì)擴(kuò)散算法”，推薦給大家參考一下。至于 ItemCF 和熱傳導(dǎo)算法的相關(guān)內(nèi)容，會(huì)在后續(xù)的 Blog 中持續(xù)完善。

“讀書千遍，其義自見。”在使用整個(gè)推薦系統(tǒng)的過程中，筆者只是大概知道了整個(gè)系統(tǒng)是如何搭建而成的。而要整體的了解機(jī)器學(xué)習(xí)的相關(guān)算法，光做項(xiàng)目則是遠(yuǎn)遠(yuǎn)不夠的。在做推薦業(yè)務(wù)的這段時(shí)間，周志華老師的教材《機(jī)器學(xué)習(xí)》在2016年初上市，于是花了一些時(shí)間來閱讀這本書籍。但是個(gè)人感覺這本書難度不大，只是需要另外一本書結(jié)合著看才能夠體會(huì)其中的精妙之處，那就是《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》。在《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》中，不僅有機(jī)器學(xué)習(xí)相關(guān)算法的原理描述，還有詳細(xì)的源代碼，這足以讓每一個(gè)初學(xué)者從新手到入門了。

路漫漫其修遠(yuǎn)兮，吾將上下而求索

說到從零到一，其實(shí)指的是在這一年體驗(yàn)了如何從零到一地做一個(gè)新業(yè)務(wù)。到了 2016 年的時(shí)候，為了把機(jī)器學(xué)習(xí)引入業(yè)務(wù)安全領(lǐng)域，在部門內(nèi)部成立了 XX 項(xiàng)目組，這個(gè)項(xiàng)目在部門內(nèi)部其實(shí)并沒有做過大規(guī)模的嘗試，也并沒有成功的經(jīng)驗(yàn)，甚至也沒有一個(gè)合適的系統(tǒng)讓人使用，而且安全業(yè)務(wù)和推薦業(yè)務(wù)基本上不是一回事。

因?yàn)閷?duì)于推薦系統(tǒng)而言，給用戶的推薦是否準(zhǔn)確決定了 CTR 是否達(dá)標(biāo)，但是對(duì)于安全系統(tǒng)而言，要想上線打擊黑產(chǎn)的話，準(zhǔn)確率則需要 99% 以上才行。之前的推薦系統(tǒng)用得最多的算法就是邏輯回歸，而且會(huì)存儲(chǔ)物品和用戶的兩類特征，其余的算法主要還是 ItemCF 和熱傳導(dǎo)算法。這就導(dǎo)致了當(dāng)時(shí)做 XX 項(xiàng)目的時(shí)候，之前的技術(shù)方案并不可用，需要基于業(yè)務(wù)安全的實(shí)際場(chǎng)景來重新搭建一套框架體系。

但是當(dāng)時(shí)做安全項(xiàng)目的時(shí)候并沒有實(shí)際的業(yè)務(wù)經(jīng)驗(yàn)，而且暫定的計(jì)劃是基于 XX1 和 XX2 兩個(gè)業(yè)務(wù)來進(jìn)行試點(diǎn)機(jī)器學(xué)習(xí)。為了做好這個(gè)項(xiàng)目，一開始筆者調(diào)研了幾家號(hào)稱做機(jī)器學(xué)習(xí)+安全的初創(chuàng)公司，其中調(diào)研的最多的就是 XX 這家公司，因?yàn)樗麄兗野l(fā)表了一篇文章，里面介紹了機(jī)器學(xué)習(xí)如何應(yīng)用在業(yè)務(wù)安全上，那就是搭建一套無監(jiān)督+有監(jiān)督+人工打標(biāo)簽的對(duì)抗體系。筆者還是總結(jié)了當(dāng)時(shí)兩三個(gè)月所學(xué)的異常點(diǎn)檢測(cè)算法，文章的鏈接如下：“異常點(diǎn)監(jiān)測(cè)算法（一）”，“異常點(diǎn)檢測(cè)算法（二）”，“異常點(diǎn)檢測(cè)算法（三）”，“異常點(diǎn)檢測(cè)算法綜述”。

在 2016 年底的時(shí)候，說起來也是機(jī)緣巧合，有的同事看到了我在 2016 年 11 月份發(fā)表的文章，就來找筆者探討了一下如何構(gòu)建游戲 AI。當(dāng)時(shí)筆者對(duì)游戲AI的應(yīng)用場(chǎng)景幾乎不了解，只知道 DeepMind 做出了 AlphaGo，在 2013 年使用了深度神經(jīng)網(wǎng)絡(luò)玩 Atari 游戲。在12月份花費(fèi)了一定的時(shí)間研究了強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)，也搭建過簡(jiǎn)單的 DQN 網(wǎng)絡(luò)進(jìn)行強(qiáng)化學(xué)習(xí)的訓(xùn)練。通過幾次的接觸和交流之后總算 2017 年 1 月份做出一個(gè)簡(jiǎn)單的游戲 AI，通過機(jī)器學(xué)習(xí)也能夠進(jìn)行游戲 AI 的自主學(xué)習(xí)。雖然不在游戲部門，但是通過這件事情，筆者對(duì)游戲 AI 也產(chǎn)生了濃厚的興趣，撰寫過兩篇文章“強(qiáng)化學(xué)習(xí)與泛函分析”，“深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)”。

▌2017 年：再整旗鼓

在做日常項(xiàng)目的同時(shí)，在 2017 年也接觸量子計(jì)算。在后續(xù)幾個(gè)月的工作中，持續(xù)調(diào)研了量子計(jì)算的基礎(chǔ)知識(shí)，一些量子機(jī)器學(xué)習(xí)的技術(shù)方案，寫了兩篇文章“量子計(jì)算（一）”，“量子計(jì)算（二）”介紹了量子計(jì)算的基礎(chǔ)概念和技巧。

三十功名塵與土，八千里路云和月

提到再整旗鼓，其實(shí)指的是在 2017 年再次從零到一的做全新的項(xiàng)目。到了 2017 年 7 月份，隨著業(yè)務(wù)安全的機(jī)器學(xué)習(xí)框架已經(jīng)逐漸完善，XX 項(xiàng)目也快走到了尾聲，于是就又有了新的項(xiàng)目到了自己的手里，那就是織云智能運(yùn)維項(xiàng)目。運(yùn)營(yíng)中心這邊還在探索和起步階段，業(yè)界的智能運(yùn)維（AIOPS）的提出也是在2017年才逐步開始，那就是從手工運(yùn)維，自動(dòng)化運(yùn)維，逐步走向人工智能運(yùn)維的階段，也就是所謂的 AIOPS。只有這樣，運(yùn)營(yíng)中心才有可能實(shí)現(xiàn)真正的咖啡運(yùn)維階段。

正式接觸到運(yùn)維項(xiàng)目是 2017 年 8 月份，從跟業(yè)務(wù)運(yùn)維同學(xué)的溝通情況來看，當(dāng)時(shí)有幾個(gè)業(yè)務(wù)的痛點(diǎn)和難點(diǎn)。例如：織云Monitor 時(shí)間序列的異常檢測(cè)，哈勃的根因分析，織云ROOT 系統(tǒng)的根源分析，故障排查，成本優(yōu)化等項(xiàng)目。在 AIOPS 人員短缺，并且學(xué)術(shù)界并不怎么研究這類技術(shù)方案的前提下，如何在運(yùn)維中開展機(jī)器學(xué)習(xí)那就是一個(gè)巨大的難題。就像當(dāng)年有神盾系統(tǒng)，無論怎么做都可以輕松的接入其余推薦業(yè)務(wù)，并且也有相對(duì)成熟的內(nèi)部經(jīng)驗(yàn)，學(xué)術(shù)界和工業(yè)界都有無數(shù)成功的案例。但是智能運(yùn)維這一塊，在 2017 年才被推廣出來，之前都是手工運(yùn)維和 DevOps 的一些內(nèi)容。于是，如何盡快搭建一套能夠在部門內(nèi)使用的智能運(yùn)維體系就成了一個(gè)巨大的挑戰(zhàn)。面臨的難題基本上有以下幾點(diǎn)：

1. 歷史包袱沉重

2. AIOPS 人員短缺

3. 沒有成熟的系統(tǒng)框架

在這種情況下，外部引進(jìn)技術(shù)是不可能了，只能夠靠自研，合作的同事主要是業(yè)務(wù)運(yùn)維和運(yùn)營(yíng)開發(fā)。當(dāng)時(shí)第一個(gè)接觸的智能運(yùn)維項(xiàng)目就是哈勃的多維下鉆分析，其業(yè)務(wù)場(chǎng)景就是一旦發(fā)現(xiàn)了成功率等指標(biāo)下跌之后，需要從多維的指標(biāo)中精準(zhǔn)的發(fā)現(xiàn)異常，例如從運(yùn)營(yíng)商，省份，手機(jī)等指標(biāo)中發(fā)現(xiàn)導(dǎo)致成功率下跌的原因，這就是經(jīng)典的根因分析。這一塊在調(diào)研之后發(fā)現(xiàn)，主要幾篇文章可以參考，綜合考慮了之后撰寫了一份資料，那就是“根因分析的探索”。PS：除了哈勃多維下鉆之外，個(gè)人感覺在 BI 智能商業(yè)分析中，其實(shí)也可以是這類方法來智能的發(fā)現(xiàn)“為什么DAU下跌？”“為什么收入沒有達(dá)到預(yù)期”等問題。

除了哈勃多維下鉆之外，織云Monitor 的時(shí)間序列異常檢測(cè)算法則是更為棘手的項(xiàng)目。之前的 Monitor 異常檢測(cè)算法，就是靠開發(fā)人員根據(jù)曲線的特點(diǎn)設(shè)定三個(gè)閾值（最大值，最小值，波動(dòng)率）來進(jìn)行異常檢測(cè)。這樣的結(jié)果就是準(zhǔn)確率不準(zhǔn)，覆蓋率不夠，人力成本巨大。在上百萬條曲線都需要進(jìn)行異常檢測(cè)的時(shí)候，每一條曲線都需要人工配置閾值是完全不合理的。于是，導(dǎo)致的結(jié)果就是每周都需要有人值班，有了問題還不一定能夠及時(shí)發(fā)現(xiàn)。而對(duì)于時(shí)間序列算法，大家通常能夠想到的就是 ARIMA 算法，深度學(xué)習(xí)的 RNN 與 LSTM 算法，F(xiàn)acebook 近期開源的 Prophet 工具。這些方法筆者都調(diào)研過，并且未來會(huì)撰寫相關(guān)的文章介紹 ARIMA，RNN，Prophet 的使用，歡迎大家交流。

其實(shí)以上的幾種時(shí)間序列預(yù)測(cè)和異常檢測(cè)算法，主要還是基于單條時(shí)間序列來做的，而且基本上是針對(duì)那些比較平穩(wěn)，具有歷史規(guī)律的時(shí)間序列來進(jìn)行操作的。如果針對(duì)每一條曲線都單獨(dú)搭建一個(gè)時(shí)間序列模型的話，那和閾值檢測(cè)沒有任何的區(qū)別，人力成本依舊巨大。而且在 織云Monitor 的實(shí)際場(chǎng)景下，這些時(shí)間序列異常檢測(cè)模型都有著自身的缺陷，無法做到“百萬條KPI曲線一人挑”的效果。

于是在經(jīng)歷了很多調(diào)研之后，我們創(chuàng)新性地提出了一個(gè)技術(shù)方案，成功的做到了“百萬條曲線”的異常檢測(cè)就用幾個(gè)模型搞定。那就是無監(jiān)督學(xué)習(xí)的方案加上有監(jiān)督學(xué)習(xí)的方案，第一層我們使用無監(jiān)督算法過濾掉大部分的異常，第二層我們使用了有監(jiān)督的算法來提升準(zhǔn)確率和召回率。

在時(shí)間序列異常檢測(cè)的各類算法中，通常的論文里面都是針對(duì)某一類時(shí)間序列，使用某一類模型，效果可以達(dá)到最優(yōu)。但是在我們的應(yīng)用場(chǎng)景下，見過的曲線千奇百怪，筆者都說不清楚有多少曲線的形狀，因此只用某一類時(shí)間序列的模型是絕對(duì)不可取的。但是，在學(xué)習(xí)機(jī)器學(xué)習(xí)的過程中，有一種集成學(xué)習(xí)的辦法，那就是把多個(gè)模型的結(jié)果作為特征，使用這些特征來訓(xùn)練一個(gè)較為通用的模型，從而對(duì)所有的 織云Monitor 時(shí)間序列進(jìn)行異常檢測(cè)。這一類方法筆者總結(jié)過，那就是“時(shí)間序列簡(jiǎn)介（一）”，最終我們做到了“百萬條曲線一人挑”，成功去掉了制定閾值的業(yè)務(wù)效果。

走向未來

亦余心之所善兮，雖九死其猶未悔。

在轉(zhuǎn)行的過程中，筆者也走過彎路，體會(huì)過排查數(shù)據(jù)問題所帶來的痛苦，經(jīng)歷過業(yè)務(wù)指標(biāo)達(dá)成所帶來的喜悅，感受過如何從零到一搭建一套系統(tǒng)。在此撰寫一篇文章來記錄筆者這兩年多的成長(zhǎng)經(jīng)歷，希望能夠盡微薄之力幫助到那些有志向轉(zhuǎn)行來做機(jī)器學(xué)習(xí)的人。從這兩年做項(xiàng)目的經(jīng)歷來看，要想從零到一地做好項(xiàng)目，在一開始就必須要有一個(gè)好的規(guī)劃，然后一步一步的根據(jù)項(xiàng)目的進(jìn)展調(diào)整前進(jìn)的方向。但是如果沒有一個(gè)足夠的知識(shí)積累，就很難找到合適的前進(jìn)方向。

“亦余心之所善兮，雖九死其猶未悔。”在某些時(shí)候會(huì)有人為了短期的利益而放棄了一個(gè)長(zhǎng)遠(yuǎn)的目標(biāo)，但是如果要讓自己走得更遠(yuǎn)，最佳的方案是讓自己和團(tuán)隊(duì)一起成長(zhǎng)，最好的是大家都擁有一個(gè)長(zhǎng)遠(yuǎn)的目標(biāo)，不能因?yàn)橐恍┪⑿〉牟▌?dòng)而放任自己。同時(shí)，如果團(tuán)隊(duì)或個(gè)人急于求成，往往會(huì)導(dǎo)致失敗，而堅(jiān)持不懈的學(xué)習(xí)則是做科研和開展工作的不二法門。

詩人陸游曾經(jīng)教育過他的后輩：“汝果欲學(xué)詩，功夫在詩外”。意思是說，如果你想真正地寫出好的詩詞，就要在生活上下功夫，去體驗(yàn)生活的酸甜苦辣，而不是抱著一本詩詞歌賦來反復(fù)閱讀。

如果看過天龍八部的人就知道，鳩摩智當(dāng)時(shí)上少林寺去挑戰(zhàn)，在少林高僧面前展示出自己所學(xué)的少林七十二絕技，諸多少林高僧無不大驚失色。而當(dāng)時(shí)的虛竹在旁邊觀戰(zhàn)，就對(duì)少林高僧們說：“鳩摩智所耍的招數(shù)雖然是少林絕技，但是本質(zhì)上卻是使用小無相功催動(dòng)出來的。雖然招數(shù)相同，但是卻用的道家的內(nèi)力?！睘槭裁瓷倭值母呱畟儧]有看出來鳩摩智武功的關(guān)鍵之處呢，那是因?yàn)樯倭指呱畟冊(cè)诰毠Φ臅r(shí)候，一直抱著武學(xué)秘籍在修煉，一輩子練到頭了也就13門絕技。

其實(shí)從鳩摩智的個(gè)人修煉來看，修練武學(xué)的關(guān)鍵并不在武學(xué)秘籍里。沒有找到關(guān)鍵的佛經(jīng)，沒有找到運(yùn)功的法門，無論抱著武學(xué)秘籍修煉多少年，終究與別人有著本質(zhì)上的差距。

筆者在 SNG 社交網(wǎng)絡(luò)運(yùn)營(yíng)部的這兩年多，用過推薦項(xiàng)目，做過安全項(xiàng)目，正在做運(yùn)維項(xiàng)目，也算是部門內(nèi)唯一一個(gè)（不知道是否準(zhǔn)確）做過三種項(xiàng)目的人，使用過推薦系統(tǒng)，從零到一搭建過兩個(gè)系統(tǒng)。目前筆者的個(gè)人興趣集中在 AIOPS 這個(gè)場(chǎng)景下，因?yàn)楣P者相信在業(yè)務(wù)運(yùn)維這個(gè)傳統(tǒng)領(lǐng)域，機(jī)器學(xué)習(xí)一定有著自己的用武之地。相信在不久的將來，AIOPS 將會(huì)在運(yùn)維上面的各個(gè)場(chǎng)景落地，真正的走向咖啡運(yùn)維。