怎么做事：有了一帮志同道合的小伙伴们，就要围绕这上面介绍的四个视觉理解核心问题开展研究、并将研究成果应用在具体的视觉识别场景中。Face++的研发团队扁平化，每个研究小组由2-4人组成，聚焦一个课题。课题可以是短期的，例如对已经应用的某个产品线上的算法的改进；课题也可以是长期的，例如持续提升识别的精度和性能。 我们的每个研究员都可以在不同的课题之间自由切换，这样能最大程度发挥个人的长处和积极性，同时也让大家有机会短时间了解更多的问题，有更丰富的经历，能更快的成长。套用现在深度学习的精髓，每个人的学习也需要输入大数据。

　　研发环境：做深度学习研究需要一个非常高效的训练引擎/平台和充沛的计算资源，Face++内部使用了近两年的“MegBrain”是一个全自主研发的训练引擎，它与目前流行的TensorFlow（Google一年前发布）设计相似，同属基于Computing Graph的新一代训练引擎。为什么非要自研系统呢？公司研究深度学习开展得非常早，当时还没有很好用的系统，并且MegBrain在同时满足灵活性及精简性的基础上，能最大限度提升工作效率。目前在AI创业公司中完全使用自研深度学习训练引擎的，可能只有Face++。

　　除了核心引擎，我们的体系结构组还搭建了一个强大的深度学习平台Brain++来管理我们庞大的GPU集群，来完成从数据标注和管理、模型训练、GPU集群中心化管理、到产品化发布的“一条龙”自动化流程，从而使得我们的研发人员将宝贵的精力集中在问题上。这也使得来Face++的实习生非常容易上手，即便对深度学习系统零基础，一套简单的教程读过后2-3个星期就可以开始思考问题了。这些系统能够建立得益于我们团队内部的有不少“全栈人工智能工程师”，他们不仅是深度学习方面的专家，更是系统和分布式计算方面的专家。

　　最后针对深度学习很大程度上得益于大规模训练数据，直播，我们还设有专门的团队负责标注工具开发和完成大量数据标注任务。以前读书时开玩笑的一个讲法是“没有不好的算法，只有不好的数据”，Datais King。

　　过得怎么样？

　　对于Face++，我分享几个数字：我们的人工智能云开放平台的API已经服务了近7万开发者，已被调用 62 亿次；身份认证平台目前已为1.2亿人（注意不是1.2亿次）提供了刷脸服务，覆盖了85%的金融市场智能化应用；智慧安防和智能商业产品也覆盖到25个省。服务客户、追求极致，不断驱动着我们的前行。对于我自己，现在有着无比的自信能够和Face++的研发团队一起，在这个最好的时代，做出更好的成绩，追求研究之美！