【人工智能】入行 AI 的几个常见问题

会员服务 ·

【人工智能】入行 AI 的几个常见问题

2019 年 1 月 16 日 产业智能官

作为 AI 从业者，笔者经常被问及关于入行或转行 AI 的问题，其中颇有一些高频重复出现，今天总结出来几个，供大家参考。

问题1：年龄偏大了，而且之前也不是计算机相关专业的，怎么才能转行做 AI？

这个问题经常被问到。有不少朋友，工作了几年之后，想转向 AI 技术岗位。但感觉自己年纪比较大了，或者有生活压力，考全日制的研究生不太现实。

偏偏大多数公司招 AI 工程师的时候，要求应聘者有相关专业硕士学位等学术背书。作为转行者，应该怎样提高专业背景？

针对这种情况，笔者的建议是：从自己原来的专业领域入手。

比如，一位原本制造业的自动化工程师，肯定对各种工业生产设备比较熟悉，了解各种各样的电机、传感器，知道这些设备输出信号的物理含义。

那么，当工业领域运用机器学习方法时，自动化工程师在特征工程方面就具备了相当的优势，这些领域知识，不是纯粹搞机器学习的人能比的。

至少在现阶段，机器学习、深度学习的实际落地都以数据为主——能够把实际问题转化成数值拿去运算，比把运算本身（算法）做得精巧要来的重要。

因此，转行的人员如果能够充分利用之前的专业背景，而不是抛弃它，以前的专业就会成为加分项。以此为突破转向 AI，反而可能比去读一个学位更容易。

另外，现在许多行业都在尝试 AI+，把 AI 技术应用于传统业务。这种大背景之下，如果想转向 AI 岗位，不妨先在自己本行业内寻找机会。

也许自己现在的单位就在做或者准备做 AI+的项目，那么可以先争取加入进去。毕竟，在单位内部谋求一份新的工作内容，一般都比跳槽容易。

很多企业在尝试 AI 转型时，会聘用一些有 AI 背景的咨询人员，为他们做规划和解决方案。

外聘人员有机器学习方面的知识和技能，但是他们对业务领域不熟悉，需要本行业的人协助——在这个时候看看能不能成为他们的协助者，通过和专业人员合作来学习 AI 在实际领域的应用。

假设能够有这种经历，或者至少对自己行业的数据有足够深入的了解，对于业务应用有思考和尝试，就拥有了XX行业 AI 实践经验。而不必非要通过读书或者打比赛来提升背景。

问题2：我想入职人工智能行业，但发现要学的东西太多了，而且都那么难。是不是先多学两年，然后再去找工作？

这个问题也是蛮典型的。

客观的来讲，一个人去报考一个人工智能相关专业的研究生，或者自己在家安安心心的学两三年，之后再去求职，是不是的真的竞争能力就会提高？

虽然学术背景确实是加分项，但是笔者并不推荐“等两年再入职”这种做法。

首先，当一个人有这个想法的时候，其实是畏难情绪的体现。说白了“等两年”是一种逃避，而非计划。

现在不动手，往往并不是真的去学习了，而是从此就放弃了。

另外，就算有些人没有放弃，真的是去埋头学了，也不要忘了，任何行业的高速上升都是有窗口期的。

目前，人工智能正处在这样的一个窗口期。因为需求远大于供给，因此给大量没有学术背景的人提供了入行机会。

然而，这样的窗口稍纵即逝。很可能短则一两年，长则也不过三四年后就会关闭。等到那个时候，想入职AI，就不是光自学就可以，而是真的必须要有毕业证了。

想入行而不去抢时间点，趁着风口期赶紧进去，反而说要在那里等，那么大概率的结果是将机会错过。

问题3：这是一个和问题 2 类似的问题——我想成为机器学习工程师，但是感觉难度太大。那我是不是先去尝试一下门槛更低的职位，比如做数据标注？数据标注工作做得好，是不是也可以“升级”成算法工程师？

应该说，在行业内部逆难度而上逐步达到职位升级的概率不是零，但是实际上可能性很小的。

对一个个人而言，以“做数据”的岗位入行，就已经给自己打上了一个标签，而别人也会以此来对 TA 进行归类。

难度不同的岗位，原本门槛不同，人们自然会为它们划定界限。要从做数据的岗位晋升到做工程，就要冲破一层天花板。

现实当中，真的能够冲破天花板的人极少。更何况这种原本已经很小的可能性，还受制于行业大势的。

当行业的岗位缺口开得很大的时候，进去相对还容易一点。

如果是在几年前，一个人从做数据标注工作入行，能接触到很多算法专家、机器学习工程师，一边借着做项目的过程拼命学习，一边等待机会——像机器学习工程师这类岗位，在一个时期内会非常急需人才——一旦遇到做工程的岗位空缺，就赶紧冲上去。

老板了解这是一个靠谱的人，愿意学习，有学习能力，又做过数据方面的工作，也许确实会给TA一个进阶的机会。但随着时间的推移，越往后，行业缺口越小，这种职位跃迁的可能性也就随之加倍缩小。

所以，笔者建议：想做机器学习工程师，就应该以此为目标努力学习，不要犹豫，不要等待，更不要逃避，从现在开始赶紧去学！

问题4：很多同学都会说：”我想从事XXX领域的工作（这里的领域多种多样，比如：股票预测，用 AI 治疗疑难杂症，计算机视觉，语音识别，强化学习等等），需要学习哪些知识？笔试面试怎么准备？”

大家首先要区分开研究和工程实践这两件事。

如果你是想去做研究——在高校、科研院所，或者大公司的研究院里做算法科学家，那么可以把重点放在某一项具体的技术上面，比如强化学习。

假设你就是想研究强化学习，那你可以去大学、研究所，还有一些这方面走在比较前沿的公司，诸如 Facebook，DeepMind 等等，到那里去求职，做算法研究。当然，一般走到这一步都至少要有个博士学位才行。

但是如果你想做的是工程，准备求职的是工程类技术岗位，就不是用某一种技术来做区分的了。

在工业界，领域的区分是产品导向的，对标的是一个个应用方向，比如人脸识别、语音识别等。

在应用方向之下，具体用什么样的技术则要看当时的需求。并不是说要去做计算机视觉，就只会用 cnn 就行了。要解决实际问题，往往会将各种学术界的成果结合起来使用，并根据具体的限制与要求进行改进。

在这个过程中，会不会用到某一种技术，决定因素非常多样，要看该技术能否支持需求解决；客观的设备、人员、时间是否允许采用这种技术；你的老板是否有动力做这方面的尝试等。

做工程的过程中要用到的工具有很多，而无论做工程还是做研究，都要具备最基础的知识！

经典的机器学习模型，常见的深度学习网络，以及模型训练和推断（预测）的整个流程，都必须掌握。

如果你就是对某一种应用特别感兴趣，比如就是想要预测股票，那你完全可以自己先试一试，毕竟股票数据到处都有。

虽然早就已经有许多人才和机构尝试用机器学习的办法解决投资股票的问题，但直到现在，就长期的股票预测而言，机器还是完败给人类的。

你要做互联网金融，或者想去金融企业做机器学习，都还有对应岗位可找，但好像并没有某一类工业界的职位是让你一天到晚坐在那儿只预测股票价格的。

至于 AI 在医疗方面的落地，更多不是技术问题，而是体制壁垒和数据获取的问题。

要做医疗 AI，首先得能和医院对接上。就算有渠道做到这一步，大量的病例都是手写的，而且大夫的那种手写体，有什么办法把它电子化，用计算机管理起来？

这获取数据的第一步，就是目前 AI+ 医疗都还没有解决的问题。连最基础的数据管理和统计都没有，还谈什么数据分析，谈什么AI？

说到笔试和面试，所有的笔试和面试一定会从基础的知识问起。

比如，面试时面试官往往会选定一种经典模型（早些年是线性回归，前两年是逻辑回归，现在可能已经到了 SVM了），问你它的模型函数是什么？目标函数是什么？最优化算法有哪些？然后看你能否把函数公式写清楚，能否把过程一步步说清楚。

大家不必太功利。有具体的职业目标是好的，但在这个目标之前，先要把基础掌握好。

先学会那些最经典的模型，例如：Linear Regression，Logistic Regression，Naive Bayes，Decision Tree， SVM，HMM，CRF，Clustering，GMM，PCA 等。

沉下心来把基础打牢，到了面试的时候，自然就能对答如流了。

21 天入行 AI，不再担心行业寒冬

李烨 GitChat

人工智能时代，AI 已经做了很多“人事”：

图片来源：中国新闻网

打扫卫生

roomba 图片来源：wirecutter.com

图书馆管理

图片来源：中国宁波网

看到这里你可能会产生这样的疑问：

01 人工智能会让程序员失业吗？

当人工智能逐渐强大，大家开始担心：人工智能下一步又要在哪个领域干掉人类？

AI 会让人类程序员失业吗？对此问题持肯定态度的人并不在少数。

AI 的发展，不仅不会使程序员消亡，反而使得各行各业比现在更加需要程序员——程序员的求职范围不再局限于软件或互联网行业，社会总需求激增，人才自然也就更贵了。

不过，再过 5-10 年，程序员还会有今天这样好的行情吗？

编程日益成为通用技能

个人认为：在不久的将来（也许三五年，也许十来年之后），编程将从职业技能逐步蜕变为职场通用技能。

未来，编程将成为人人都会做的事情，职场中的一员，除了要具备听说读写本国语言的能力外，还得能够读程序、写代码——即使一时无法覆盖全员，至少是朝着这个方向发展。而职业写代码的人，将越来越少。

从基础算法到机器学习

今天的程序员学习编程 ——

首先，要了解编程语言的语法特征；
并且，掌握编译或解释的过程，及编译器/解释器性能，调试方法、工具等；
然后，配合算法，实现业务逻辑——就可以做很多（几乎是任意的）事情了。

但把目光放长远些，只会这些，还远远不够。

机器学习也是一样的道理，大量工具、框架的涌现，使得运用算法处理数据，训练模型的过程越来越简单高效。

那些曾经高高在上的机器学习模型变得触手可及，只要写几行代码，就都能拿来就用了。这种便捷使得每一个会写程序的人，都可以轻松上手机器学习。

修炼内功——掌握机器学习原理

工具虽多，要用对地方，还得掌握基本原理。

在机器学习领域，我们有若干历史悠久的经典模型。它们从实践中来，经历了千锤百炼，在数学层面被严格证明为有效。

掌握了这些模型之后，再与特征工程结合，就可以用来支持现实业务了。

学习机器学习的意义

计算机技术飞速发展，各种工具、框架、语言日新月异。但是蕴含在机器学习中的原理和公式推导却是稳定的，经得起时代更迭。

我们学习机器学习，不仅是为了找一个 AI 工程师的岗位，也是在掌握一种通识技能。

相信将来机器学习会像现在的加减乘除一样，成为大众必备的基础能力。

另外，我们来看下当前机器学习领域招聘行情。

数据来源校招薪水公众号

上面表格中所有带有“算法”、“人工智能”、“数据挖掘”、“视觉”字样的职位，都需要掌握机器学习相关知识。

在产品和服务中应用机器学习模型，已经逐步成为互联网行业的通行方法。甚至很多传统软件企业，也开始尝试应用机器学习。说得更直接些，人工智能正处在炙手可热的风口浪尖上，作为程序员不会机器学习都不好意思去找工作。

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。