用新奇的人工智能算法解決復(fù)雜的問題，再加上一份不錯的薪水，聽起來很有吸引力。很多公司都加入了宣傳的行列，現(xiàn)在提供在不到一年的時間里學(xué)習(xí)數(shù)據(jù)科學(xué)/AI/ML的新兵訓(xùn)練營。在加入這樣的訓(xùn)練營或轉(zhuǎn)向機(jī)器學(xué)習(xí)之前，請考慮以下10件事。

已經(jīng)是2021年了，但是工作頭銜還沒有明確定義并且所需技能差異很大

在初創(chuàng)企業(yè)注意到人工智能現(xiàn)在是一個有力的流行語之后，他們開始將現(xiàn)有的工作機(jī)會從數(shù)據(jù)分析師/統(tǒng)計學(xué)家重命名為數(shù)據(jù)科學(xué)家或其他相關(guān)人員。 職位聽起來更性感，因此他們獲得了更多的職位申請。

但是如果你讀了招聘啟事，你會注意到有些角色完全不同。有些需要業(yè)務(wù)分析師，用SAS, SPSS回答問題。有些人想要數(shù)據(jù)工程師構(gòu)建大數(shù)據(jù)Hadoop系統(tǒng)，有些人想要使用TensorFlow和神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)研究人員，但他們可能都稱他們?yōu)閿?shù)據(jù)科學(xué)家。所有這些類型都非常不同，需要不同的技能。近年來，這些類型出現(xiàn)了:數(shù)據(jù)科學(xué)家(高級分析)、機(jī)器學(xué)習(xí)工程師、數(shù)據(jù)工程師和應(yīng)用科學(xué)家/研究人員。

畢業(yè)生并不短缺

如前所述，很多人都想成為數(shù)據(jù)的魔術(shù)師。不僅是計算機(jī)科學(xué)家、物理學(xué)家和數(shù)學(xué)家，還有經(jīng)濟(jì)學(xué)家、心理學(xué)家和其他有定量背景的自然科學(xué)家。問題是，大多數(shù)公司并不尋找應(yīng)屆畢業(yè)生，有些公司甚至不知道他們在尋找什么都不知道。有些人可能希望雇傭一個數(shù)據(jù)科學(xué)家來解決他們所有的問題。因為他們并不真正了解這些要求，所以他們雇傭了剛畢業(yè)的大學(xué)生或新兵訓(xùn)練營的畢業(yè)生，把所有的流行語都寫在了他們的簡歷上。85%的工作計劃可能會失敗，其中一個原因可能就是因為這個。此外，據(jù)techrepublic稱，對數(shù)據(jù)科學(xué)家的需求在2019年已經(jīng)開始萎縮。今天你可以從年輕的數(shù)據(jù)科學(xué)家那里知道了很多失望，問題，找工作困難等(COVID也是原因之一)

可能會出現(xiàn)技能短缺，但不會出現(xiàn)應(yīng)聘者短缺。數(shù)據(jù)科學(xué)領(lǐng)域的入門級或?qū)嵙?xí)職位收到數(shù)百名申請者的情況并不少見。當(dāng)雇主談到人才短缺時，他們通常指的是缺乏有經(jīng)驗的專業(yè)人士。

沒有學(xué)位是很難的

在沒有任何學(xué)術(shù)教育背景的情況下獲得一份數(shù)據(jù)工作的想法是大膽的。如果你是一個天才或者幸運(yùn)兒的話，這是可能的，但一般來說，你幾乎不會得到面試電話。人工智能涉及統(tǒng)計學(xué)和數(shù)學(xué)，通常這兩方面是研究中最難的部分。你可能不需要所有這些，但通常你不是唯一的申請者，你要和擁有博士學(xué)位的人競爭。所有這些mooc和訓(xùn)練營不可能在幾個月內(nèi)教你基本知識，你需要更多的時間。閱讀招聘廣告，你會注意到大部分碩士甚至博士都是加分項，這取決于職位。考慮到這一點，這很難，但不是不可能。

88%至少擁有碩士學(xué)位，46%擁有博士學(xué)位。

應(yīng)用機(jī)器學(xué)習(xí)構(gòu)建數(shù)據(jù)集

Kaggle挑戰(zhàn)和大學(xué)課程有一個共同之處，這在工業(yè)中是基本不存在的的:一個數(shù)據(jù)集是可用的和準(zhǔn)備好的。學(xué)習(xí)探索，數(shù)據(jù)預(yù)處理和建模是絕對有意義的，并且在實際工作的很大一部分是要做這些工作。如果機(jī)器學(xué)習(xí)能帶來價值，那么它是值得的，但它需要你進(jìn)行大量的觀察和實驗，直到你得到良好的結(jié)果，甚至需要更長的時間，直到你得到干凈的數(shù)據(jù)。如果你是一個完美主義者，而你的挫折容忍度很低，不要去應(yīng)用機(jī)器學(xué)習(xí)，它會讓你發(fā)瘋。

深度學(xué)習(xí)并沒有被廣泛采用

神經(jīng)網(wǎng)絡(luò)讓人工智能在過去幾年中流行起來，但它們也有一些缺點。他們很難訓(xùn)練和構(gòu)建，他們需要很多時間來調(diào)整，他們?nèi)菀走^度擬合，計算強(qiáng)度非常高。基礎(chǔ)設(shè)施正在改善，但仍然沒有達(dá)到應(yīng)有的水平。如果你想使用神經(jīng)網(wǎng)絡(luò)，請不要選擇成為該行業(yè)的數(shù)據(jù)科學(xué)家。很少有公司使用神經(jīng)網(wǎng)絡(luò)，因為它太神奇了，在很多情況下，傳統(tǒng)的方法已經(jīng)足夠好了。如果你想要使用深度學(xué)習(xí)，那么就把重點放在學(xué)術(shù)和研究上，或者擴(kuò)展專注于ANNs的初創(chuàng)公司。

對人工智能的看法是錯誤的

人工神經(jīng)網(wǎng)絡(luò)的靈感來自大腦，但它們離大腦還很遠(yuǎn)。我不認(rèn)為人工智能能與人類競爭。公眾和科學(xué)界對人工智能的看法截然不同。問題是很難解釋為什么ai玩《dota2》，deepfakes或作曲，但仍然不“智能”。似乎被遺忘的是，人工智能仍然是模式識別，如果某些模式發(fā)生變化，它很快就會失敗。它不會理解，它不會思考，它也沒有夢想。你可能會被問到，為什么你的AI系統(tǒng)不能做XYZ，你可能無法修復(fù)它。現(xiàn)在解釋一下，為什么人工智能可以在圍棋中擊敗世界冠軍，卻不能學(xué)會如何預(yù)測一些“簡單”的商業(yè)問題。

很多AI實際上不是人工智能

2019年有一項關(guān)于歐洲人工智能初創(chuàng)企業(yè)的研究。他們基本上發(fā)現(xiàn)40%的人工智能初創(chuàng)公司根本沒有使用人工智能。有些人甚至雇傭人類來偽造人工智能。原因很簡單。人工智能系統(tǒng)需要數(shù)據(jù)、時間和人力來構(gòu)建，成本很高。有時候，讓人來做更容易、更便宜。不要做那種“給東西貼標(biāo)簽”的人，怎么就這樣證明你的初創(chuàng)公司有人工智能方面的專業(yè)知識呢?對數(shù)據(jù)科學(xué)的職位招聘要持懷疑態(tài)度，在加入他們之前詢問他們的數(shù)據(jù)。

需要終身學(xué)習(xí)

Spark, TensorFlow, PyTorch, keras, scikit-learn, pandas都是工具，讓你的生活更輕松。這些工具會改變，它們會被更好的工具取代，或者它們會永遠(yuǎn)存在，誰知道呢。但它們只是工具。您不應(yīng)該過多地關(guān)注這些工具，而應(yīng)該關(guān)注技術(shù)和問題解決。如果你喜歡keras，但是PyTorch能更好地解決一些問題，那么學(xué)習(xí)PyTorch。您會注意到，這些工具和框架背后的思想通常非常接近，它們的工作原理也很相似。編程語言也是如此。不要做那種因為他太驕傲而不愿意學(xué)習(xí)Python，而用c++來建立ML模型原型的人。

學(xué)習(xí)領(lǐng)域知識

機(jī)器學(xué)習(xí)是關(guān)于數(shù)據(jù)的。數(shù)據(jù)是關(guān)于領(lǐng)域的。理解域?qū)τ诶斫鈹?shù)據(jù)是必要的。數(shù)據(jù)團(tuán)隊可以用數(shù)據(jù)解決任何問題而沒有領(lǐng)域?qū)ｉL的想法是危險的，而且不會起作用。數(shù)據(jù)中有如此多的提示，只有您知道域是如何工作的，以及流程是如何工作的，才能理解這些提示。不僅僅是業(yè)務(wù)視圖，還有技術(shù)視圖。僅僅擺弄技術(shù)是不夠的。為了理解這些領(lǐng)域，你需要有良好的溝通技巧，至少作為高級分析的數(shù)據(jù)科學(xué)家。

批判性思維

批判性思維是最重要的技能之一。許多項目之所以成功，僅僅是因為有人質(zhì)疑當(dāng)前的方法或目標(biāo)。目標(biāo)變量真的是我們想預(yù)測的嗎?我們真的需要機(jī)器學(xué)習(xí)嗎?我們會多花一個星期的時間來獲得1%的收益嗎?我們真的能相信這些數(shù)據(jù)嗎?是一個自我實現(xiàn)的預(yù)言嗎?問這些問題是相當(dāng)困難的，因為通常我們不喜歡答案，但它是必要的!

如果你真的對機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)感興趣，請不要相信咨詢和培訓(xùn)公司的承諾，他們提供新兵訓(xùn)練營。不要因為炒作就這么做，記住，所有的炒作都有結(jié)束的時候。