
身为一名Web前端开发者,时常会听到圈内的朋友抱怨"学不动了"。确实如此,前端技术的横向发展和迭代速度实在是太快了,然而人的精力却是有限的,在中高级的技术进阶阶段,广撒网式的学习方式往往会适得其反。那些调侃程序员的中年危机的段子,说不好哪天真的变成了现实,那么前端er到底该如何构建自己的技术护城河?
就目前看来,前端发展的主要领域集中在:工程化、音视频处理、服务端(中间层或服务端渲染)、多端化(小程序,RN等)、以及本文即将介绍的图形图像处理。选择一个细分领域进行聚焦,持续深入的耕耘, 或许是个不错的应对之策。
说起图形图像处理,大家很容易联想到Canvas实现的数据可视化或动画特效、openGL或webGL实现的三维模型等。从2015年开始,在AI算法和框架的爆发下,人脸识别等领域的商业化应用相继落地。与此同时,在医疗领域同样也掀起了一场革命,人工智能借助医疗影像大数据及图像识别技术,在肺结节、眼底、宫颈癌等方面已取得了较为成熟的产品。
AI医疗井喷式的发展使得AI算法工程师炙手可热外,医疗软件研发和系统工程师也成为了下半场最抢手的人才。原因在于:
这里的软件工程师,往往要求是具备一定医疗软件开发经验的。放射科检查流程、医学影像基础原理、DICOM协议,这些都要多少知道一些。另外,在一个商业产品化的医疗影像分析诊断软件中,AI算法(深度学习模型)其实只占整个系统的20~30%,或更少。AI算法是整个系统中技术含量最高的部分,但绝对不是工作量最大的部分,也不是研发投入最大的部分。现在的软件基本都是网络化,从服务器端,到网页端或客户端,必然包含UI、通讯、数据库、存储等一系列必须开发的组件或基础架构。这些组件的开发往往要整个软件系统的70%或更多。这里,还没有包括持续发布、自动化测试、安装包等辅助基