技术团队能力建设，是我工作中很重要的一部分。一般做法是根据业务发展和技术发展，来预判三年内需要储备的技术方向，做招聘或者培训计划。而培训，一般就是让负责培训的HR来了解课程需求，准备课程内容，包括公司内部课程、聘请教师，或者送到外部培训，偶尔动用一下个人资源，帮忙找业内专家来培训。培训方式都是以老师授课为主。说实话，效果并不特别好，一是学员抱着打酱油的心态来听，听过就忘，更没有实践。二是好的课程好的老师也特别少，即使老师本身水平很高，对公司业务好人员情况也不了解，培训效果大打折扣。
今年年初，受疫情影响，公司虽然复工，但是找培训老师的事情就暂时停止了，于是，想到了用互相学习的方法来进行培训，目标是帮助普通程序员了解机器学习，促进技术转型。课程选择了Coursera上经典课程，吴恩达的《机器学习》。选这个课程，有几个原因：内容基础但是经典，让机器学习不再仅仅是调参数，而是了解算法的思想；课程资源多，有英文版、中文版，有题目也有答案；不算太难，有一些编程基础和数学基础的，都能学习。（同时考虑过台大李宏毅教授的版本）
招募阶段，事先对公司技术骨干进行了一轮沟通，大部分人都非常感兴趣；接下来进行全公司的招募，限定名额。采用招募的方式，是为了保证学习社群成员，有共同的目标和兴趣，而不是主管要求来学习。事实证明，这点非常重要。招募结束以后，第一次会议，对课程内容、课程要求进行了沟通，并给大家退出的机会。这个课程，每周需要8-10小时的时间来完成学习和练习，对于很多平时工作已经加班加点的技术人员来说，压力是非常大的。除了学习，每周还有一名学员会把当周课程进行总结，来给大家分享，基本每个人会轮到一次。大家也提了不少建议，一些好的建议，作为学习社群的规则确定下来。这是完全不一样的体验，社群自己来确定自己的规则，而我只是作为一个发起者，提供资源上的帮助。经过这次会议，有部分同学退出了，主要还是时间的原因。
接下来就是分组。为什么要分组，主要是借鉴一些网络课程的模式，通过小组打卡（我们是学习笔记）、小组项目PK的模式，让小组内成员互相鼓励、互相帮助。同时，小组成员尽量来自不同部门（不同业务线），促进公司内交流。每个小组自己确定了名称和组长。很幸运的是，每个小组内，都有1-2名在机器学习方面有一定经验的人在里面，
接下来就是每周的学习、笔记和分享。经过3、4周以后，部分同学有些跟不上，恰好遇到一个五一假期，我干脆就跟大家商量，缓一周时间，给大家一个拉齐进度的机会。中间学到神经网络，反向传播算法时，大部分同学没有搞得特别清楚，于是我就增加了一周时间，自己做了一个算法的讲解。到后期，讲到机器学习的应用时，为了扩大大家的眼界，邀请了一个TGO认识的朋友，来讲一下他们通过识别视频中物品来给电商导流的产品，整个落地过程中遇到的问题和建议。
最后， 学习完成以后，每个小组选择一个实际项目来演练。这个环节，当初在课程设计时，是最头疼的，选择怎样的项目？数据从哪里来？我个人先从政府开放的大数据平台上挑了一些，但是大家没太感兴趣，主要原因是，可能大部分时间会花在数据清洗上，最后，大家都选择了一些开放的机器学习挑战赛。我感觉比我选的项目更好，不仅数据全，还能参与排名，更有动力。一周时间选题，两周编程，两周准备项目材料。PK主要是从小组分工、算法选择、优化点等方面去比较，注重过程而不是出来的结果。当然，这时候需要外部专家的参与，来评选。同时，为了扩大学习小组的影响力，也组织了公司内部海选，甚至鼓励大家去宣传，拉选票。
总结起来，个人看法，社群学习，基于共同的目标创建的交互式的学习组织。三个重点：一个是共同的目标，一个是交互，还有一个是有一定的组织性。有了这三个，才能称为社群。这次实践，让我觉得有三个特别之处：一是12周学习和5周实践，每周8-10小时学习的任务，三个小组都坚持下来；二是整个训练营进行过程中，参与者一直保持投入状态，没有人退出，也没有人离职；三是大家实操项目的成果超出预期。而且，整个学习过程，培训HR和我，都非常轻松，主要作为资源方来参与，但是学习效果远远超出普通的培训。当然，费用也异常节约，我们把省下来的培训费，作为奖品，给到参与者，岂不更好？
