怎么樣才能入行AI有哪些常見(jiàn)問(wèn)題

作為 AI 從業(yè)者，筆者經(jīng)常被問(wèn)及關(guān)于入行或轉(zhuǎn)行 AI的問(wèn)題，其中頗有一些高頻重復(fù)出現(xiàn)，今天總結(jié)出來(lái)幾個(gè)，供大家參考。

問(wèn)題1：年齡偏大了，而且之前也不是計(jì)算機(jī)相關(guān)專(zhuān)業(yè)的，怎么才能轉(zhuǎn)行做 AI？

這個(gè)問(wèn)題經(jīng)常被問(wèn)到。有不少朋友，工作了幾年之后，想轉(zhuǎn)向 AI 技術(shù)崗位。但感覺(jué)自己年紀(jì)比較大了，或者有生活壓力，考全日制的研究生不太現(xiàn)實(shí)。

偏偏大多數(shù)公司招 AI 工程師的時(shí)候，要求應(yīng)聘者有相關(guān)專(zhuān)業(yè)碩士學(xué)位等學(xué)術(shù)背書(shū)。作為轉(zhuǎn)行者，應(yīng)該怎樣提高專(zhuān)業(yè)背景？

針對(duì)這種情況，筆者的建議是：從自己原來(lái)的專(zhuān)業(yè)領(lǐng)域入手。

比如，一位原本制造業(yè)的自動(dòng)化工程師，肯定對(duì)各種工業(yè)生產(chǎn)設(shè)備比較熟悉，了解各種各樣的電機(jī)、傳感器，知道這些設(shè)備輸出信號(hào)的物理含義。

那么，當(dāng)工業(yè)領(lǐng)域運(yùn)用機(jī)器學(xué)習(xí)方法時(shí)，自動(dòng)化工程師在特征工程方面就具備了相當(dāng)?shù)膬?yōu)勢(shì)，這些領(lǐng)域知識(shí)，不是純粹搞機(jī)器學(xué)習(xí)的人能比的。

至少在現(xiàn)階段，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的實(shí)際落地都以數(shù)據(jù)為主——能夠把實(shí)際問(wèn)題轉(zhuǎn)化成數(shù)值拿去運(yùn)算，比把運(yùn)算本身（算法）做得精巧要來(lái)的重要。

因此，轉(zhuǎn)行的人員如果能夠充分利用之前的專(zhuān)業(yè)背景，而不是拋棄它，以前的專(zhuān)業(yè)就會(huì)成為加分項(xiàng)。以此為突破轉(zhuǎn)向 AI，反而可能比去讀一個(gè)學(xué)位更容易。

另外，現(xiàn)在許多行業(yè)都在嘗試 AI+，把 AI 技術(shù)應(yīng)用于傳統(tǒng)業(yè)務(wù)。這種大背景之下，如果想轉(zhuǎn)向 AI 崗位，不妨先在自己本行業(yè)內(nèi)尋找機(jī)會(huì)。

也許自己現(xiàn)在的單位就在做或者準(zhǔn)備做 AI+的項(xiàng)目，那么可以先爭(zhēng)取加入進(jìn)去。畢竟，在單位內(nèi)部謀求一份新的工作內(nèi)容，一般都比跳槽容易。

很多企業(yè)在嘗試 AI 轉(zhuǎn)型時(shí)，會(huì)聘用一些有 AI 背景的咨詢?nèi)藛T，為他們做規(guī)劃和解決方案。

外聘人員有機(jī)器學(xué)習(xí)方面的知識(shí)和技能，但是他們對(duì)業(yè)務(wù)領(lǐng)域不熟悉，需要本行業(yè)的人協(xié)助——在這個(gè)時(shí)候看看能不能成為他們的協(xié)助者，通過(guò)和專(zhuān)業(yè)人員合作來(lái)學(xué)習(xí) AI 在實(shí)際領(lǐng)域的應(yīng)用。

假設(shè)能夠有這種經(jīng)歷，或者至少對(duì)自己行業(yè)的數(shù)據(jù)有足夠深入的了解，對(duì)于業(yè)務(wù)應(yīng)用有思考和嘗試，就擁有了XX行業(yè) AI 實(shí)踐經(jīng)驗(yàn)。而不必非要通過(guò)讀書(shū)或者打比賽來(lái)提升背景。

問(wèn)題2：我想入職人工智能行業(yè)，但發(fā)現(xiàn)要學(xué)的東西太多了，而且都那么難。是不是先多學(xué)兩年，然后再去找工作？

這個(gè)問(wèn)題也是蠻典型的。

客觀的來(lái)講，一個(gè)人去報(bào)考一個(gè)人工智能相關(guān)專(zhuān)業(yè)的研究生，或者自己在家安安心心的學(xué)兩三年，之后再去求職，是不是的真的競(jìng)爭(zhēng)能力就會(huì)提高？

雖然學(xué)術(shù)背景確實(shí)是加分項(xiàng)，但是筆者并不推薦“等兩年再入職”這種做法。

首先，當(dāng)一個(gè)人有這個(gè)想法的時(shí)候，其實(shí)是畏難情緒的體現(xiàn)。說(shuō)白了“等兩年”是一種逃避，而非計(jì)劃。

現(xiàn)在不動(dòng)手，往往并不是真的去學(xué)習(xí)了，而是從此就放棄了。

另外，就算有些人沒(méi)有放棄，真的是去埋頭學(xué)了，也不要忘了，任何行業(yè)的高速上升都是有窗口期的。

目前，人工智能正處在這樣的一個(gè)窗口期。因?yàn)樾枨筮h(yuǎn)大于供給，因此給大量沒(méi)有學(xué)術(shù)背景的人提供了入行機(jī)會(huì)。

然而，這樣的窗口稍縱即逝。很可能短則一兩年，長(zhǎng)則也不過(guò)三四年后就會(huì)關(guān)閉。等到那個(gè)時(shí)候，想入職AI，就不是光自學(xué)就可以，而是真的必須要有畢業(yè)證了。

想入行而不去搶時(shí)間點(diǎn)，趁著風(fēng)口期趕緊進(jìn)去，反而說(shuō)要在那里等，那么大概率的結(jié)果是將機(jī)會(huì)錯(cuò)過(guò)。

問(wèn)題3：這是一個(gè)和問(wèn)題 2 類(lèi)似的問(wèn)題——我想成為機(jī)器學(xué)習(xí)工程師，但是感覺(jué)難度太大。那我是不是先去嘗試一下門(mén)檻更低的職位，比如做數(shù)據(jù)標(biāo)注？數(shù)據(jù)標(biāo)注工作做得好，是不是也可以“升級(jí)”成算法工程師？

應(yīng)該說(shuō)，在行業(yè)內(nèi)部逆難度而上逐步達(dá)到職位升級(jí)的概率不是零，但是實(shí)際上可能性很小的。

對(duì)一個(gè)個(gè)人而言，以“做數(shù)據(jù)”的崗位入行，就已經(jīng)給自己打上了一個(gè)標(biāo)簽，而別人也會(huì)以此來(lái)對(duì) TA 進(jìn)行歸類(lèi)。

難度不同的崗位，原本門(mén)檻不同，人們自然會(huì)為它們劃定界限。要從做數(shù)據(jù)的崗位晉升到做工程，就要沖破一層天花板。

現(xiàn)實(shí)當(dāng)中，真的能夠沖破天花板的人極少。更何況這種原本已經(jīng)很小的可能性，還受制于行業(yè)大勢(shì)的。

當(dāng)行業(yè)的崗位缺口開(kāi)得很大的時(shí)候，進(jìn)去相對(duì)還容易一點(diǎn)。

如果是在幾年前，一個(gè)人從做數(shù)據(jù)標(biāo)注工作入行，能接觸到很多算法專(zhuān)家、機(jī)器學(xué)習(xí)工程師，一邊借著做項(xiàng)目的過(guò)程拼命學(xué)習(xí)，一邊等待機(jī)會(huì)——像機(jī)器學(xué)習(xí)工程師這類(lèi)崗位，在一個(gè)時(shí)期內(nèi)會(huì)非常急需人才——一旦遇到做工程的崗位空缺，就趕緊沖上去。

老板了解這是一個(gè)靠譜的人，愿意學(xué)習(xí)，有學(xué)習(xí)能力，又做過(guò)數(shù)據(jù)方面的工作，也許確實(shí)會(huì)給TA一個(gè)進(jìn)階的機(jī)會(huì)。但隨著時(shí)間的推移，越往后，行業(yè)缺口越小，這種職位躍遷的可能性也就隨之加倍縮小。

所以，筆者建議：想做機(jī)器學(xué)習(xí)工程師，就應(yīng)該以此為目標(biāo)努力學(xué)習(xí)，不要猶豫，不要等待，更不要逃避，從現(xiàn)在開(kāi)始趕緊去學(xué)！

問(wèn)題4：很多同學(xué)都會(huì)說(shuō)：”我想從事XXX領(lǐng)域的工作（這里的領(lǐng)域多種多樣，比如：股票預(yù)測(cè)，用 AI 治療疑難雜癥，計(jì)算機(jī)視覺(jué)，語(yǔ)音識(shí)別，強(qiáng)化學(xué)習(xí)等等），需要學(xué)習(xí)哪些知識(shí)？筆試面試怎么準(zhǔn)備？”

大家首先要區(qū)分開(kāi)研究和工程實(shí)踐這兩件事。

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學(xué)家，那么可以把重點(diǎn)放在某一項(xiàng)具體的技術(shù)上面，比如強(qiáng)化學(xué)習(xí)。

假設(shè)你就是想研究強(qiáng)化學(xué)習(xí)，那你可以去大學(xué)、研究所，還有一些這方面走在比較前沿的公司，諸如 Facebook，DeepMind 等等，到那里去求職，做算法研究。當(dāng)然，一般走到這一步都至少要有個(gè)博士學(xué)位才行。

但是如果你想做的是工程，準(zhǔn)備求職的是工程類(lèi)技術(shù)崗位，就不是用某一種技術(shù)來(lái)做區(qū)分的了。

在工業(yè)界，領(lǐng)域的區(qū)分是產(chǎn)品導(dǎo)向的，對(duì)標(biāo)的是一個(gè)個(gè)應(yīng)用方向，比如人臉識(shí)別、語(yǔ)音識(shí)別等。

在應(yīng)用方向之下，具體用什么樣的技術(shù)則要看當(dāng)時(shí)的需求。并不是說(shuō)要去做計(jì)算機(jī)視覺(jué)，就只會(huì)用 cnn 就行了。要解決實(shí)際問(wèn)題，往往會(huì)將各種學(xué)術(shù)界的成果結(jié)合起來(lái)使用，并根據(jù)具體的限制與要求進(jìn)行改進(jìn)。

在這個(gè)過(guò)程中，會(huì)不會(huì)用到某一種技術(shù)，決定因素非常多樣，要看該技術(shù)能否支持需求解決；客觀的設(shè)備、人員、時(shí)間是否允許采用這種技術(shù)；你的老板是否有動(dòng)力做這方面的嘗試等。

做工程的過(guò)程中要用到的工具有很多，而無(wú)論做工程還是做研究，都要具備最基礎(chǔ)的知識(shí)！

經(jīng)典的機(jī)器學(xué)習(xí)模型，常見(jiàn)的深度學(xué)習(xí)網(wǎng)絡(luò)，以及模型訓(xùn)練和推斷（預(yù)測(cè)）的整個(gè)流程，都必須掌握。

如果你就是對(duì)某一種應(yīng)用特別感興趣，比如就是想要預(yù)測(cè)股票，那你完全可以自己先試一試，畢竟股票數(shù)據(jù)到處都有。

雖然早就已經(jīng)有許多人才和機(jī)構(gòu)嘗試用機(jī)器學(xué)習(xí)的辦法解決投資股票的問(wèn)題，但直到現(xiàn)在，就長(zhǎng)期的股票預(yù)測(cè)而言，機(jī)器還是完敗給人類(lèi)的。

你要做互聯(lián)網(wǎng)金融，或者想去金融企業(yè)做機(jī)器學(xué)習(xí)，都還有對(duì)應(yīng)崗位可找，但好像并沒(méi)有某一類(lèi)工業(yè)界的職位是讓你一天到晚坐在那兒只預(yù)測(cè)股票價(jià)格的。

至于 AI 在醫(yī)療方面的落地，更多不是技術(shù)問(wèn)題，而是體制壁壘和數(shù)據(jù)獲取的問(wèn)題。

要做醫(yī)療 AI，首先得能和醫(yī)院對(duì)接上。就算有渠道做到這一步，大量的病例都是手寫(xiě)的，而且大夫的那種手寫(xiě)體，有什么辦法把它電子化，用計(jì)算機(jī)管理起來(lái)？

這獲取數(shù)據(jù)的第一步，就是目前 AI+ 醫(yī)療都還沒(méi)有解決的問(wèn)題。連最基礎(chǔ)的數(shù)據(jù)管理和統(tǒng)計(jì)都沒(méi)有，還談什么數(shù)據(jù)分析，談什么AI？

說(shuō)到筆試和面試，所有的筆試和面試一定會(huì)從基礎(chǔ)的知識(shí)問(wèn)起。

比如，面試時(shí)面試官往往會(huì)選定一種經(jīng)典模型（早些年是線性回歸，前兩年是邏輯回歸，現(xiàn)在可能已經(jīng)到了 SVM了），問(wèn)你它的模型函數(shù)是什么？目標(biāo)函數(shù)是什么？最優(yōu)化算法有哪些？然后看你能否把函數(shù)公式寫(xiě)清楚，能否把過(guò)程一步步說(shuō)清楚。

大家不必太功利。有具體的職業(yè)目標(biāo)是好的，但在這個(gè)目標(biāo)之前，先要把基礎(chǔ)掌握好。

先學(xué)會(huì)那些最經(jīng)典的模型，例如：Linear Regression，Logistic Regression，Naive Bayes，Decision Tree， SVM，HMM，CRF，Clustering，GMM，PCA 等。

沉下心來(lái)把基礎(chǔ)打牢，到了面試的時(shí)候，自然就能對(duì)答如流了 。