前言

我们先看图

人工智能和大数据都是对新手不是特别友好的领域， 因为它们不像 C 端的业务那么好理解。 C 端用户都是普通人，产品设计上要求就是必须简单到普通人可以理解程度。 但很多大数据和人工智能平台其实并不面对普通用户，而是专业的工程师。所以测试我才会说这些技术领域对新手不是特别友好， 因为这些领域里通常是不说人话（有太多的专业术语和复杂的算法流程，普通人听不懂）的，所以新手很难通过 common sense 来快速的理解这里面的业务逻辑。 很遗憾， 这些领域很难速成。 就想 8 年前我第一次进入人工智能团队的时候， 我大多数时候都是听不懂团队成员在说什么的。 所以它的学习是一个比较慢的过程， 而现在很多的课程或者网络上的资料都没有给新手一个良好的学习方向， 通常他们都是直接从算法和数学公式开始。相信我，超过 9 成对人工智能感兴趣的人都会在这里放弃（开局太过困难）。 所以我们不要一开始就去扣数据公式和算法细节，而是从整体上直观的感受人工智能的业务流程。 模型是什么东西，我们如何用简单的方法针对模型进行评估。 这样由简入繁，方能坚持下来。

所以在我后续计算分成三个大的模块来讲解：

• 人工智能基础：用大白话讲解人工智能的原理，不会涉及到复杂的算法与数学公式， 只讲测试人员应该关注的知识点。并且会给出不同场景下的测试方案，这些测试方案简单易懂，对 python 有基础的人就可以理解。 为了加强理解，还会手撸几个模型作为演示场景，加深理解。
• 人工智能系统拆解与数据处理实践：第一部分的学习可以让大家了解基本的测试方法，但并不深入。首先你并不了解测试数据的采集和挖掘过程，测试数据需要其他角色来帮你准备，这样只能让测试人员做一些简单基础的工作。所以我们需要学习要分布式计算技术在大规模的数据下进行挖掘， 针对数据质量进行巡检和测试。针对训练场景进行大规模的数据构建从而系统的测试人工智能产品的性能和功能。 人工智能是一个大的系统， 它并不是只有模型这一个实体， 比如大数据模块，比如边缘计算，比如迁移学习等等。在这个部分需要了解人工只能系统的方方面面。
• 深度学习与 AI 测试 AI 技术：到了第三个阶段，我们需要开始接触非结构化数据领域，比如计算机视觉，比如 NLP（自然语言处理）。在这里我们要接触神经网络，卷积神经网络，循环神经网络等相关的知识， 了解大模型的应用场景和原理。 学习计算机视觉和 NLP 领域中都如何开展测试活动。 并且利用图像处理和语言处理技术处理我们的测试数据，比如如何针对视频抽帧，解码，转码，如何视频转流，图像变换等等。 这里还要开始学习如何训练自己的模型， 如何利用迁移学习来微调模型。 因为针对大模型或者说生成式模型的场景中， 我们需要利用 AI 来测试 AI 的思路来挖掘尽可能多的问题。

可以理解为就是初中高三个等级吧， 我最近在写《我们是如何测试人工智能的》系列文章， 它算是科普性质的，没有讲细节。 而在后面我打算做那些差不多是手把手教会的那种教程。

欢迎加入我的知识星球

这里想跟大家说一下，做知识付费这个事情我也是考虑了很久了。 相信熟悉我的朋友都知道我在社区的这 8 年里写了很多的文章， 我自己算了算大概快 200 了吧。 高峰期的时候我记得是在 18 年到 19 年这段时间吧， 可能平均每周都会写一篇文章（因为那段时间工作真的不太忙）。 但这两年大家可以看出来，我更新文章的速度越来越慢了， 一年也写不了多少。 有原因是因为这花了两年时间写书确实占用了很长时间， 有原因是因为工作确实越来越忙了， 有原因是家庭因素还有身体因素。 但最后总归是因为：为爱发电这事我真的快坚持不下去了。每写一个帖子都花了太长的时间，就像《我们是如何测试人工智能的》这系列文章，每一篇几乎都要花我将近一个周末的时间，有时候周末要加班或者陪家人， 我就得晚上熬夜来写。 我已经记不清已经有多久没有好好休息过了， 有多久没有一个完整的周末了。 所以如果有对知识付费很反感的同学，我想说句抱歉， 没有一些利益的话，我是真的坚持不下去了。 所以我打算尝试一下做一些知识付费的事情，如果能做的下去， 我也就有动力继续写下去了。 我后面也会开始尝试参加社区的课堂，做一些视频教程。 总之就是会慢慢的开始尝试知识付费的这些事。

所以这篇帖子里写的这些手把手的教程，都会在我的知识星球中更新。 社区这边我也会时不长的来写一些科普类的帖子，只是更新的不会像以前那个平凡了， 大家不去我的知识星球也没关系， 看来科普的帖子后，知道大概是怎么做的。然后自己去网络上搜集资料自己实践也可以的。 想要手把手的教程，可以来知识星球，也可以关注社区课堂。

尾声

这两天看了一下以前的帖子（是人老了么，开始怀旧了），我看到好几年前有人喷思涵做知识付费的事， 当时我还真说过一句：如果未来有一天我也做知识付费了，我希望大家能理解。 还真是一语成谶。