AI让生活更美好

我目前在博世人工智能中心担任机器学习工程师的角色，主要工作内容是进行人工智能方法在博世常见的各个业务领域的研发和应用。

我们探索了很多可以应用人工智能方法的场景，比如在工业4.0场景下的预测性维护、实时诊断、质量检测等，又如在自动驾驶方向，基于大数据的车辆定位、泊车系统等。我们准确理解业务逻辑和痛点，并探索人工智能方法可以切入的点，从而把实际问题转化为成熟的人工智能方法可以处理的问题。比如，自动泊车的逻辑很复杂，但是我们可以尝试把基于传感器的障碍物提取转化为时序序列的目标检测或者计算机视觉的分割和分类问题，从而解决泊车过程中的识别和决策难题。

我毕业于罗切斯特大学（University of Rochester）数据科学（data science）专业，在正式加入博世人工智能中心前，就曾作为第一批战略实习生中的一员在博世实习。实习期间，我参与了一个自然语言处理（natural language processing）相关项目，应用文本方向text的深度学习方法帮助公司做IT Ticket分类，以达到减少ticket数量的目的。也是因为这段体验很棒的实习经历，我更加深入地了解了这家百年公司。博世在生产制造和车辆控制领域都有足够的积累，场景、数据、专业知识都非常丰富，这为人工智能的落地提供了一片很有前景的沃土。我很希望自己可以从事真正把人工智能技术应用到实处并带来价值的职业，很荣幸，在实习结束时，我就已经确定毕业后加入博世人工智能中心。

这是一份从不会让我觉得单调乏味的工作。我有很多机会和不同领域的业务专家探讨问题，一辆车是如何通过一块拇指大的雷达感知世界的，一个电池包是如何通过机械控制精确地拼接在一起的，室内温度又是如何通过空压机、水冷机来调控的……这些业务场景多种多样、从不单调重复。

当我们从中抽取问题时，大的方向或许可以被归类，是图像还是信号，是图像分类、异常检测还是目标检测，但每个问题又各有不同。比如我们同样是使用AI模型去预测建筑的能耗，面对办公楼和工厂这两个场景的处理思路就有一定差异，办公楼相对工厂工作时间灵活，没有大型作业设备，而工厂以保证生产安全为首要目标，更看重AI模型的稳定性，这都需要我们在训练模型时有不同的侧重。作为一位数据科学工作者，我很珍惜这些真实的对AI的诉求。

目前我所在的博世人工智能中心主要面向博世内部的传统业务场景，创新式地采用人工智能方法去解决问题。我们遇到过很多业务场景，业务专家深耕该领域多年、经验丰富，但是可能很少意识到某些繁琐的、复杂的、或是困难的问题也许可以用AI来解决，甚至可以通过AI解决得更好。

博世人工智能中心很乐意去挑战不同的业务问题，很多问题之前并没有人尝试用AI来解决，大家都不知道其可行性，而我们很乐意去探索、去尝试这些可能性。例如，雷达传感器有非常成熟的基于规则的物体探测方法，但可能只对非常有限的几种障碍物效果好。我们探索了对多种常见物体的更准确和稳定的宽度识别方法，可以更有效地帮助驾驶员判断障碍物，完成自动泊车，也使得我们的产品更具竞争力。如此， AI创造的价值就不再虚无缥缈，而是真真切切的。

近些年，基于互联网大数据的深度学习发展如日中天，在视觉、文本、信号的处理上都有了明显的进步。但真正的瓶颈不在于技术本身，而在于产品。AI不能只是飘在空中，而是要直面如何落地的问题。

博世百年来在传统工业领域积累的经验，是AI落地最大的资源。工业自动化已经可以在生产中被广泛应用，但人工智能在工业上的应用目前还处于起步阶段。人工智能对大量工业生产制造过程中产生的数据进行智能感知，并通过模型进行决策，最终实现优化控制、提高质量、降低成本和提升效益等效果。比如博世每年在一个零件的质量检测上的投入可能高达超过100K欧元，我们使用AI方法去实现智能的缺陷检测，可以帮助节省下可观的投入，同时保证产品的质量。

我所在的团队非常扁平和年轻化，everyone matters。你被信任，可以放开手脚去尝试所有你想到的方法；你也被支持，任何需要帮助的地方，无论是向团队成员、或是合作部门、甚至是你的领导，都可以直接ask if needed。整个positive的环境会让人工作时更有热情、更有效率，这也让我感受到好的团队和个人都是互相成就的。

我们部门目前的研发方向有机器学习、计算机视觉、强化学习、感知算法等，当前也在积极寻求更多志同道合的伙伴加入我们团队。