一直以来，大家都在盛传深度学习是工程师的风口，但是对于深度学习和行业的联系却很少被提及。
深度学习和AI什么关系，AI技术包含什么？工程师具体分哪些类别？选择哪个方向发展？
今天小编就大胆的跳出来整理一下市面上的信息，希望给小伙伴们提供些参考价值。
本文将从深度学习在AI技术中的应用、AI技术强势落地的行业、AI技术方向所需工程师、未来值得投入的AI技术方向 来给大家分享
深度学习和AI技术什么关系
深度学习是通过模型和架构的深度，加深网络层次，在算法构建的模型之下，机器可以自动学习表示。
这个角度看，深度学习的必杀技就是：模型+算法
借助模型和算法的力量，深度学习支撑着AI技术。就像人类会看会听会写，AI这个大类中也有图像识别、人脸识别、语音的识别和合成，以及自然语言理解等，这些就是人工智能技术。
深度学习到底是怎么有力支撑AI技术的呢？
古代两军对阵时，需要依据对面将军的各种习惯及天时地利信息，建立一个模型，去预测敌军动向，相对做出反应。AI技术同样需要依托模型和算法，处理图像、语言等等信息，输出预测结果，用于生产生活之中。
强大的技术需要结合行业产业落地才能实现真正的价值。
那么深度学习所支撑的AI技术，具体根植于哪些行业当中？又有哪些行业通过AI技术，能够焕发新的活力？
如下行业和AI技术是亲密的好伙伴~
汽车行业
从2017年开始”无人车”的概念经常出没于大众视野之中。
所谓的“无人车“其实是汽车实现了自动驾驶。根据国际惯例，目前针对汽车自动驾驶级别划分5个等级(Level) 从L1-L3级别的汽车已经实现量产，仍然需要人类驾驶。
而L4以上才是真的实现了高度自动驾驶。目前，国内外科技公司争相研发L4自动驾驶系统，这其中具体使用到如下方面的人工智能技术：
语音识别与合成：自动驾驶的车需要针对人类指令做出反应，理解并执行，这个过程中语音识别就非常重要；而在听到指令后，通过AI合成语音来回复驾驶员，就使用了语音合成技术。
NLP-自然语言处理：但是只是语音技术还不够，理解指令才能对应做出操作。而理解指令、控制车辆，包括输出回复内容，都是自然语言处理技术的工作范围。
图像识别：自动驾驶车辆需要通过图像，对于行驶路况进行判别、寻找到合适的路径，尤其是行人/障碍物的判断。这其中就需要图像识别技术来支撑，对底层算法的精准度、反应速度要求是极高的。
如果说AI各项技术是漫威中的无限宝石，那么自动驾驶系统可以说是灭霸那只无限手套——集齐各种AI技术于一身！即将带来翻天覆地的变化！
医疗影像
近期AI技术赋能医疗同样相当火爆。国家政策也明确扶持这个行业方向。目前国内可以实现部分癌症AI筛查系统，而国外则有诸如OsteoDetect骨折检测辅助软件系统出现。医疗保健AI技术可以有效解决当前公共医疗资源分配不均的问题，也能提供医生更精密的判断依据。这其中图像识别的AI技术至关重要。
图像识别：以骨折检测系统为例，以往是通过二维X光片定位病患的病变位置，而借助系统，可以分析二维X射线图像中骨折情况，并且标记骨折位置便于医生进行进一步的检测。这就能够有效提升诊断准确率，提升治疗效率。
新零售行业
新零售也是最近很火的一个概念。新零售中的布货环节与支付环节都会运用AI技术。前者尤其针对生鲜这种保质期短的货品，能够精准控制进货量；后者则是采用人脸支付技术，让消费者快捷支付。
智能预测：通过深度学习技术对生鲜进货量进行预测，降低商品报损率的同时，节省店铺订货人力与时间成本，有效提升店铺利润。PaddlePaddle曾用这个技术帮助大型零售商店每年节省百万报损。
人脸支付：通过机器检测人脸并匹配账户信息，联动付款即可实现“刷脸支付”。这一支付手段进一步节省了用户的时间，提升了结账效率。
需要注意的是，整个新零售行业中，支付领域竞争极为激烈，如果想在人脸支付中胜出，如下方面必须强势：
1） 技术能力：技术过硬，算法精准，以最强大脑中“小度机器人”的双胞胎照片精准分辨的水平。
2）账号体系互通能力：如果同一家零售企业内有不同的销售平台，用户账号固定的情况下，需要彼此之间信息互通，这样用户便利程度最大化，进而促进客单量上升。
3）系统防御能力：人脸识别技术需要能够防住各种打印照片、人脸视频攻击，尽可能控制风险，减少出现信息被窃财产损失的可能。
工业生产
现代化工业生产需要依靠实现更精准的分类分拣，以便后续生产环节使用。
日本在此方面先行一步，通过把工程师的经验转化为深度学习算法，进行工程岩体的分类，准确率与人工齐平，效率大幅提升。
同样，在中国也有开发者成功使用PaddlePaddle帮助平谷桃商进行桃子分拣，极大提升分装效率，节省分拣成本。
这其中运用到了深度学习图像分类模型，输入样本图片，通过训练产出模型，高效分拣的同时，降低了人工工作可能由于疲惫带来的错误率。
AI技术方向以及对应工程师分布
如上所述，我们已经了解到最近比较火的AI技术方向了：
1）图像识别：利用计算机对图像进行处理、分析和理解，识别不同模式的目标和对像的技术。
2）人脸识别：基于人的脸部特征信息进行身份识别的一种生物识别技术。
3）语音识别：让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。
4）语音合成：是通过机械的、电子的方法产生人造语音。
5）NLP自然语言理解：一种本体辅助的自然语言句子编程方式。
这些方向需要哪种深度学习工程师呢？小编认为，集中在如下几类
1）算法工程师：需要对于数理模型理解深入，在此基础上研发。比如以NLP机器学习算法工程师为例，需要负责意图理解、槽位解析、多轮查询理解等核心算法进行研发，需要熟悉机器学习基础理论和常用算法，有2年以上相关项目经验、有深度学习经验。
2）后端工程师：负责让算法模型工程化，更紧密的结合产品，发挥作用。
3）前端工程师：负责 Web端功能设计、开发和实现，与一般的前端不同，深度学习的前端也需要了解AI领域，技能点要求更多。
特别要注意的是，对于算法工程师，不同的AI技术方向会做不同的算法能力要求。
具体而言，语音识别、语音合成和NLP自然语言处理、图像处理等方向，都需要对各自领域进行专、精、深的学习和挖掘。
可能值得投入的深度学习行业方向
了解深度学习在AI技术中的应用，又了解了AI技术以及落地的行业，对于具体要选择哪个方向，根据目前每个技术方向的发展程度，小编大胆的做出如下的推荐，或许可以为小伙伴提供一个参考：
1）人脸识别：配合新零售，未来人脸识别也将覆盖到更多场景。与此同时，人脸识别技术虽然早在上个世纪就已经出现，但是仍然有不小的想象空间，可预见的应用场景会越来越广泛，技术也会精益求精！
2）NLP自然语言理解：当前AI技术在识别人类话语后，如何可以实现有效的人机交互，并且机器如何能够高度还原人类语言状态，还是处于不断探索和试验阶段。什么时候AI能够真的写出一本节奏紧凑感情丰富的小说呢？非常值得加入一起探索！
3）语音合成：语音合成目前已经进入参数技术时代，但是训练一个模型需要的数据量仍然很大，对于个人的个性化语音合成，录音、数据处理、运算等方面要求还是很高。未来是否能做到真的任意一手机，三句话就可以合成自己的声音，用自己的声音给自己读小说？也是个值得想象的领域呢！
*为了方便大家使用PaddlePaddle，遇到问题可在中文社区提问，值班同学将在24小时内响应！更有精品案例、课程提供，让大家学习使用框架，轻松无忧！直达链接：
https://ai.baidu.com/forum/topic/list/168