i外貿
這裡準確來講應該是一部分人被稱為調參數俠。
本質原因
在於機器學習是從數據中提取信息，解決實際生產。學習的過程就是不斷調整模型參數的過程。人工智能領域：算法、數據、算力做為主要的三個方面。算力一般有專門的人維護，所以算法實現和數據處理、模型訓練是從事人工智能領域工程師的主要工作。算法實現一般都有現成的代碼，如果沒有，基於pytorch、tensorflow等框架實現起來也非常快。最難的是數據處理和模型訓練，這一塊需要花費大量的時間，所以人工智能工程師不是在調參，就是在調參的路上。
次要原因
1.企業為了創造業務收益，需要工程師快速完成工作，人工智能領域作為當下最熱門的領域，很多算法模型都有現成的實現，所以只需要複製粘貼過來，快速修改模型參數，輸入數據訓練即可，即所謂的“調參俠”。
2.在一個領域，個人能力和經驗有高低，所以對應者完成不同難度的工作。公司需要一部分人做業務開發，一部分人做研究。所以根據興趣和能力的不同，一部分工程師被分到業務領域，每天面對的絕大多數工作都是調參數。
城東的花開了
確實，現在做人工智能方向的工程師，有不少被稱為“調參俠”，但也並不全是。
以我自己為例，我做cv方向（計算機視覺）的， 調參在我日常工作中佔的比例並不大。
在CV這塊，除了超參數外，影響模型效果的主要還是要網絡結構、數據和損失函數，這三方面確定下來後，調參基本花不了多少時間。
迴歸正題！
調參俠，到底調什麼參？
在人工智能裡面，參數大致可分為2大類：
參數(parameters)/模型參數：由模型通過學習得到的變量，比如權重w和偏置b，這個多半是不能調節的，它是由神經網絡自己學習出來的。
超參數：在機器學習中，超參數是在神經網絡訓練之前設置值的參數，而不是通過訓練得到的參數數據。常見的有學習率、迭代次數、隱藏層的層數、每層神經元的個數等。通常情況下，需要對超參數進行優化，給學習機選擇一組最優超參數，以提高學習的性能和效果。這一般是根據經驗進行設定，影響到權重w和偏置b大小的數值。
為什麼會被稱為“調參俠”？
主要原因有以下2個：
多半是剛入門的算法工程師做的事情，他們不是很懂神經網絡的結構、數據分佈等等，只能通過調整超參數，以期望獲得較好的結果，這樣有時候是可行的；
更重要的原因是，GitHub上開源了很多模型，並附上了預訓練參數，如常用的檢測、分割、分類等等，這些模型都非常成熟，大部分直接調用就可以，然後根據自己的訓練數據，稍加修改，就可以得到非常好的結果。公司只要結果，不要求創新，開源項目已經可以做到這點了，所以大多數只要調參即可。
怎麼避免成為“調參俠”
目前AI人才競爭越來越激烈，“調參俠”的時代已慢慢過去，這些事情其實根本不需要AI工程師來做，未來的研發工程師就可以承擔這些了！ 幾年前如果熟練使用TensorFlow，同時掌握基本的AI算法就可以很容易找到一份高薪的工作，但現在不一樣了，AI崗位的要求越來越高，對知識的深度也提出了更高的要求。
要想跟上時代，得武裝自己，才能不被淘汰。
對於真正的人工智能工程師而言，他們往往是從數據和特徵下手的，同時還需要豐富的行業經驗。一定要記住一句行業內的諺語，數據和特徵才決定算法 的上限，而選擇的算法和參數只是決定了已逼近這個上限的速度。
來自Z時代
調參俠其實和寫程序所說的碼農差不多的意味，是對從事這個行業人員的調侃。比如寫程序的，剛開始都會接觸增刪改查的業務，做多了都會說curd一樣。從事人工智能還有許多的其他名稱，比如調包俠，指標奴。
人工智能的技術和知識還是很廣泛的，並不只是調參。還有數據和特徵工程，數學算法知識等。
代碼接盤俠
人工智能產品開發包括數據採集、預處理、數據探索、選擇算法訓練模型。訓練模型主要選擇梯度下降算法，通過調整激活函數、隱藏層、池化層等不同參數，達到最優解。
人工智能和數字經濟
其實也是調參，算法就那些，主要做參數優化，數據分析。
Mok666
本來就是，有幾個能提出來新模型，新思路的，太難了，都是煉丹師，也很難解釋為什麼
冰釋凝眸
因為提出新結構、新思路、有真正創新的人鳳毛麟角
投我以桃報之以李
煉丹師好啊嗎？
