咨询热线:0771-5861520,0771-5861920,0771-5784905

返回首页|设为主页|加入收藏

产品中心

当前位置:首页 > 产品中心

产品中心

人工智能就业前景越来越严峻了你还在坚持吗?

来源:火狐电竞体育

2021-09-27 12:33:02

  2019年,我给公司面试了很多人,时间超过1个半小时的应该在100人以上,但是入职的不超过5个。结合我自己在公司内部的工作,基本上可以说,至少在‘AI+’行业,2019年不仅就业前景严峻,连从业者前景也很严峻。

  17年之前我在互联网行业打拼, 虽然加班,但是基本上守着自己的一亩三分地,还算压力小,其他的事情也无需我过问。17年转入智慧医疗创业,负责的东西非常多了,从前端到后端,从产品到市场,都要操心,但基本上还是技术占主流。所以17年和18年基本上是在技术和数据上钻研。19年真正开始落地,主动和被动学习的东西非常多,切实感觉到远比调包堆层难太多。不管是‘互联网+’还是‘AI+’,垂直行业的关节比想象要复杂很多。用咨询行业经常讲的一句话:客户要的是solution,不是model。model是实验室的产物,solution才是推向市场的结果。solution意味着需要产品化和工程化的思维方式。

  产品化除了包含传统意义上的产品设计和用户体验,更多是指符合垂直行业的业务逻辑。这一点其实对于纯计算机行业的人很难,一方面计算机毕业的学生必然没有这方面的知识储备,另一方面主动愿意学的人几乎没有。毫不客气的说,可能只有生物医学专业的人或有过相关经验的人才能真正设计出符合医学逻辑的产品。而这一点恰恰是落地的关键。我个人负责的是医疗文本方向,举个简单的例子。肝癌中有一些预测预后是否良好的指标,比如分化程度,切缘,病理亚型等。我们可以建立一个模型预测一下。首当其冲的问题是用什么模型?准备上AutoML吗?线性回归,SVM,深度模型其实都不算太好。医生们最喜欢决策树,因为临床过程中好落地。第二个问题是,用什么指标?如果完全按照模型的结果来筛指标,基本上失败了一半。最好的方案是先问一下医生有什么建议。有先验知识可以用,不用岂不是太浪费。以肝癌为例,其实上述指标都和预后有关,但是最好的是MVI微脉管侵犯。因为2015年国内指南明确推荐使用这个指标,而且有明确的临床意义。这种事情在智慧医疗行业很多,甚至有些不讲理。近几年在深度学习方向非常推崇端对端的学习方式,某种意义上给黑盒属性和不可解释性包装了一个冠冕堂皇的外衣。我不是说端对端不好,但是这种完全忽视业务逻辑的模型范式,不是行业通吃的。尤其是注重决策的场景,是非常重视过程的。过程讲不通,roc再好也不行。

  工程化的要求在2019年更为迫切。记得之前,有文章提到过,AI创业企业决胜的关键不是模型,而是工程能力。其实国内很多互联网医疗或者智慧医疗创业公司的工程化能力应该都不算强。我的这个论断是基于对一些有代表性的产品的考察和分析。我们自己的外包人员反馈,以及医院药厂对友商的评价,也支持这个理解。应该说,这些公司的算法能力可能和大企业没有太大差距,毕竟很多人都是从大企业挖过来的。但是工程能力差了一大截。可能与很多有经验的开发人员不愿意去小公司或被忽视,以及类似2C的高性能并发等场景需求不多有关。我个人也觉得招到一个合适的开发颇有难度。本质上讲,创业公司的开发人员初期最好是全栈,即使不是全栈,也能理解前端和后端的概念和接口。这种要求不是三年经验能训练出来的。另外,医学领域对于数据安全和稳定性的考量几乎是第一位的,有些时候有点不可抗力的性质。2019年发生了个别伦理审查已经通过,项目已经正式开始,但是最后被主PI院长因为数据不在私有云上而暂停的事情。这种自打自脸的事情医院是干的出来的。某种程度上,似乎也是医院内山头林立的结果。还有一个体会是,很多创业公司都喜欢用各种软件的开源版本或者社区版本。但是这些版本的灵活性和性能都会打折扣(有些版本只能支持单个账户登录,或者只能挂载一个数据库)。如果公司不愿意花钱,而且没有真正的工程人员介入的话,这些产品基本上是半成品。

  围绕着这个solution思维,2019年因为AI落地的事情占用了我大量的时间,技术方面主要是数据安全,知识产权和招聘。哪一个环节都不敢怠慢。数据安全很好理解,医院需要数据安全存放,药厂需要规避数据安全风险,监管机构需要数据安全方案。但是你要知道,目前的安全等保和HIPAA等,更多的是在用流程控制安全。公司要想提高数据安全除了物理隔离,加密,灾备,更多时间是在准备各种文档说明自己的生产过程符合安全规章制度。当一个领域无法用技术提升时,通常会采用过程管理。这东西非常像软件成熟度模型CMM,试问哪个IT人员愿意花时间在这上边。知识产权的问题主要是和医院药厂合作完成项目时的文章,算法,产品的产权分配。最一般的场景是,医生给你标注了数据集,你拿来训练深度模型,又发了文章,开发了产品。专利律师的理解是,这种情况下对方是否有权利要求知识产权目前完全看双方协商。其实从公司层面,多挂一个名字也没什么,主要是怕让甲方误会,曲解,影响了业内口碑啊。而且在AI爆棚的时期,发专利也并不难。招聘的事情,今年也废了老大劲。所以我说就业前景是严峻的。最深的感触是很多自称是算法工程师的人骗面试,最大的特点是专业非计算机,数据或统计出身,简历上各种“熟悉”,“精通”模型框架,加上泰坦尼克号项目经验。我个人又非常喜欢问基础问题,例如讲一个聚类算法或解释一下tfidf,瞬间露馅。还有些自称精通python的人,答不上来yield和return的区别,或者python的向量化操作。我是真的累了。我差点给hr训练一个基于简历的虚假申请者分类器。

  2019年,我个人几乎没有在追什么前沿的NLP模型,各种BERT,transformer也是通过公众号的新闻了解。我主要觉得这些模型一来需要大量标注数据,这在中文医疗文本行业内几乎不可能;二来实际效果能有多大提升也未可知,医生是否接受也是个挑战。我越来越觉得AI掉进了一个大牛挖坑,小牛填坑,工程师调参,外行将信将疑的境地。大家都在关注工具属性,很少人关注落地属性。不过作为技术人员2020年可能还是要补一补。2019年因为响应各种需求也有些收货,学习了neo4j,arangodb等nosql数据库,还有面向仪表盘的web开发,自动化部署的docker开发,还研究了点异常点检测和度量学习。唯一的目的就是希望能发现更多的方向是客户真正认可和关注的。东西都学杂了,脑子有点乱。有一次,在R里用str()想转换为字符串(python里str()是用来转换为字符串的,而R里str()是返回数据框结构的),一时没有发现。

  其实我本人是希望大家都能理性看待AI的能力和前景。如果有机会,我甚至会写一个‘机器学习有哪些非常有意义的研究方向?’的回答。AI的2B业务和传统互联网中业务完全是两码事,尊重行业积淀,尊重兄弟学科是一个基本前提。不可否认,很多传统行业和制造业,例如AI最火的安防,自动驾驶和智慧医疗可能都深受社会制度和甚至行业痼疾的影响,你要进来,面对的不是一个企业,而是一个链条。

  作为计算机出身的人,我自然希望AI能大放异彩。但是这个行业混进来一些浑水摸鱼的人,一些过于乐观的人,还有一些只想赚快钱的人。而坚持不仅仅是一种态度,更多的是一种能力,未来必然会有一些企业‘化作春泥更护花’。

  现在的求职状况是竞争非常激烈。如果说7、8年前的状况是各个专业转CS的话,现在是全民转AI。各个专业的,例如自动化、微电子、机械、通信、电子信息、材料专业,都有大量的学生在学习机器学习(主要是深度学习)。

  19年8月份帮忙面试了6个提前批的应届生,都是985和211的,好像没一个是计算机专业的,(不过以前并没有人工智能专业,大家好多都是非计算机专业的)但是印象中好像有四个同学回答的还是可以的。从ResNet到MobileNet,从SVM到XGBoost,都回答的头头是道(但是都不是很深)。另外,有个朋友做AI社区的,把我邮件放到他们的内推文章了,结果我收到了接近50份左右的简历,基本985、211、普通一本的都有,想当年,我参加17年秋招,投递我就职的公司(CV四小龙)的人还很少,去东南大学的校招才十来个人参加,旷视在南京大学的宣讲会留下来参加笔试的,也应该没有40人。现在的情况是,211以下的基本很难找到AI独角兽的算法岗位了,除非是你有非常厉害的特长。依图今年的算法岗位竞争据说100:1,进BAT的算法岗更难。

  当前的AI状况是,学术界的研究热点已经从感知智能转向认知智能了,在CV方向,感知的基础算法(例如ResNet、SSD、YOLO、UNet、FaceNet、ArcFace)都是2018年前提出的了,2019年有突破性的、实用性强的算法基本没有出现了。深度学习算法增长增长缓慢后,导致的结果:

  现在AI独角兽应该都在把重点转向产品,或者收缩战略,集中到核心场景中了。就像近期地平线裁撤AIoT部门不少员工,将重点收缩到占公司收入大头的自动驾驶相关产品的研发中了。我猜测,后面各个AI公司会精简优化规模庞大的研究院,分流到相应的产品部门去。

  我并不是要看衰AI,个人后面的创业方向是做一个服务AI公司和个人开发者的产品,所以AI越繁荣,其实对于个人来说反而机会越大。只是,我越来越觉得,后面应该不存在体量庞大的AI公司,而应该是各个以AI为核心的产品公司,例如做工业检测、物流机器人、自动驾驶、智能安防、智能医疗、智能客服的各个产品公司。做在线算法API服务的,大概率会集中到BAT、华为这几家出售云服务的公司(API搭配他们的云计算出售)。而纯做算法的公司,肯定是规模小,团队精悍,聚焦有限几个特定场景的公司。

  另外,虽然算法岗位去大公司和明星公司比较难,但是去规模中小的公司还是不难的。毕竟我国又不是只有BAT 、TMD、 华为、商汤、旷视这几家,中国还有多少万家做算法相关产品的小规模公司呢。

  文末打个广告,我开了一个公众号:AIZOO,会在里面分享人工智能相关的实用的、前沿的技术和资讯,欢迎大家关注。

  一年前入学的时候吧。那个时候国内ml火得一塌糊涂,然后美帝这边选方向基本清一色的机器学习。到美帝找工的时候就被教做人了,美帝找机器学习工作学历基本底线phd。不是phd在读根本就找不到工,到现在一个个全部和机器学习撇清关系。。。都在找sde码工工作,关于机器学习基本就是。。。你别乱说啊,你别乱讲啊,我和机器学习没关系哈。。。现在都在写代码,老老实实leetcode先刷个五百道,系统设计,分布式系统raft,2pc协议先学起来,web application后端从Java Spring到Go,前端React搞起来,sde全栈开发真香。。。package也给的巨大。。。还比ml好找工。。。真香真香

  牢骚发完了。下面说点干货。ml一直以来最要命的问题就是怎么赚钱的问题。赚钱这个东西分两种,一是做辅助,而是做输出。推荐系统基本属于辅助类,相当于互联网加ai,首先你得有互联网产品,然后基于产品做改进,这部分目前其实商业化做得还是很成功的,但是既然是辅助,也就决定了他的招聘规模不可能大过sde开发。所以真正能提供大规模岗位招聘的其实是担任输出角色的ai,这样的企业的代表就不是互联网大厂了。代表的话,海康威视做监控的,图森科技做高速无人驾驶货运的,waymo做无人车的等等。这块商业化做得比较好的我个人认为是海康威视和图森,关键是很切实得能看到他要怎么赚钱。海康和有关部门合作,收入来源比较稳定,图森因为高速路况简单,并且不做端到端的系统,不完全依赖于深度学习而是主要靠雷达结合一些人类可以理解的逻辑,取代的是卡车司机的工作,目前在美国一些州也获得了运营批准,所以盈利也是可以预期的。但是除此以外的话,很多ai公司怎么赚钱这个问题就是搞不太清,有一个说法说,业务有2b,2c,现在很多startup搞的既不是2b也不是2c,而是2vc,说白了就是骗投资人钱。或者说是赚钱的第三种方式,炒作噱头,吸引资金。

  说一句题外话,创业这个事情,以我自己有限的见识来看,科技公司可能还是要有工程师创业比较靠谱。想法其实是廉价的不值钱的,关键是要把想法变成现实的可行计划,如果科技创业不熟悉技术的话,能不能作出可行的计划真要打上一个大大的问号。但是投资人又迫切希望看到愿景,很多时候愿景和可行性是背道而驰的。希望以后投资人砸钱的时候,先花点钱去找个技术团队,好好对startup做一下全方位的技术论证。技术上不具备可行性光有ppt是赚不到钱的。

  总结来说,ml其实是很好的技术。但是大家目前还没有找到很好的把它大规模变现的手段。很多需求看起来很炫,但是赚不到钱的需求都是伪需求。如果ml还是一直变现不了的话,可能未来招聘会越来越严峻。然后我个人认为比较靠谱的几个企业,互联网企业做推荐系统的其实都很靠谱,然后纯粹做ai和互联关系不大的话,我个人了解的,海康和图森还是比较靠谱的。可能还有一些其他公司,但是由于我个人眼界限制看不到而已。至于不太靠谱的企业,我就不点名了,总的来说就是能不能看到变现的可能。

  再更。。。如果你想搞机器学习理论,老老实实先念个phd吧。连个phd都不肯为它念,你还好意思说爱它?(狗头)

  再现Geoff Hinton的传奇------“最终他拿到了人工智能的博士学位,但找不到工作。”

  其他落地场景下的就业前景不了解,不敢妄言。结合自己求学、找工作、就业的体会,聊聊自己呆了十年的自动驾驶领域。浅薄认识,大家轻拍。

  09年进入这个行业时,完全没有想过未来就业的问题,虽然所在的单位名称为“人工智能与机器人研究所”,但当时新一波的人工智能大潮还远未起来,更多还是一小批人的坚守,论及自动驾驶更是几乎无人听过的概念。13-14年去了欧洲,在顶级单位继续学习了自动驾驶,期间配合实验室团队接待了松下、三星、博世、德尔福、安霸、谷歌、苹果等等团队的造访、试乘和合作交流,一度被打鸡血打得厉害,决心坚持把自动驾驶作为自己未来的职业追求,还开了可能当时最早的中文网站,介绍翻译自动驾驶的一些新闻和文章(现在已经荒废)。对应的是,国内当时几乎没有单位在招收自动驾驶方向的岗位,几位师弟在同国内顶级OEM的面试中,得到了明确的没有规划和招聘用人需求,这导致我回国后一直琢磨着毕业后要出国,幻想着去Google等大厂继续搞车。

  在这个大背景下,我的很多师兄师姐甚至当时毕业的硕士的师弟师妹都没有机会进入到企业直接从事自动驾驶的研究工作,最后进入了航空、航天、通信、金融行业,甚至出现了某一年毕业的硕士生被大疆一锅端走的情况。但无一例外,没有人找到了和自动驾驶相关的工作。

  这三年大可称为国内自动驾驶产业兴起的开端。从回国一段时间后,就开始不断地收到国内外车企、互联网公司(有的已经不在了)、初创企业(甚至公司还没有正式注册)的邮件和电话,追要简历、约电线+家的单位,当时自动驾驶的火热可见一般。

  我在忙完论文后,去北京呆了一周,和很多在北京的初创公司、互联网巨头的创始人或者技术负责人见面,平均一天见两家、多的一天跑过四家。后来面对手里的offer,出现了选择困难。最后因为不舍西安,而选择留校工作了一段时间,但一直密切地关注着产业的发展。

  而正是从这个阶段起,大量的学生或者相关从业者,开始投入到自动驾驶的学习和研究中,而不断激增的用人需求、不断涌出的数据佐证“人工智能从业者平均薪资比其他行业高XXX“的趋势和结论,刺激着更多人加入这股浪潮中。知乎上类似“想从事自动驾驶,应该怎么入门?”、“自动驾驶的环境感知和运动规划,哪个人才更急需?”等等类似问题,几乎每天都涌向我的邮箱。

  15-17年期间,各种三年示范运营、五年规模量产,犹如三年高考、五年模拟一样让人听觉疲劳,但随着时间的推移,产业和资本开始回归理性,那些确切而笃定的说辞开始变得模糊和有所保留。大家意识到技术、产业、法律法规缺一不可,也开始回归理性。我认为这个时候进入产业是个不错的时间点,于是大概从17年底开始我将更多的精力投入到了对产业的了解中,也单枪匹马去过北方某省、下到地下1000米的煤矿驻扎多日,和一线的工人师傅了解请教有无自动化技术的落地空间。17年底,某AI四小龙的CEO来实验室参观时,我也和对方深入地聊了当下自动驾驶产业发展的现状和机会,和我自己想创业的想法。时至今日,我对这个比我还年轻一些的CEO说的一句话印象深刻:“如果你想在18年还以初创团队拿到融资,必须在18年上半年,还有机会上桌参与游戏;如果拖到了18年下半年,融钱将变得越来越困难。”

  坦言,18年初我萌生创业想法的时间已经偏晚,早过了一个demo就可以获得很高估值的阶段,融资的事情进展不顺利。找人方面,见过很多以前从事自动驾驶的朋友,因为离开行业几年,或者家庭原因,绝大多数都委婉拒绝了。那段时间情绪低落、身体状况走下坡路自然难免。而彼此,整个行业意识到了技术只是其中一环,围绕着技术可解决的阶段,能否构建与之适合的生态则成为了一个自动驾驶初创公司的全面和长久竞争力,而我作为一个在学校的青椒,意识到上述问题已经花费了不少时间和成本。再回头时,时间点再次被推后,当初的困难反而进一步变大了。所幸,和现在公司智加科技颇有缘分,最终选择离职加入智加也主要是基于上述的考虑。

  做出这样的决定时,意味着几个改变:1. 放弃在学校的教职;2. 离开生活了十三年的西安;3.与家人朋友分开,十年的乐队也随之解散。所幸最近的这一年,充实而忙碌,极速被推动着填补着大量的知识盲区。来了苏州一年,对这个城市其实依然很陌生,因为大多数时间周末都在公司继续学习和工作。

  前几日和几个猎头朋友聊天,他们问我:“你还会在自动驾驶领域呆多久?”我略有迟疑:“我没有想到一个理由要说离开。十年后,也许自动驾驶走通了研究到产业的大闭环,也许依然没有打通、原地踏步,但能参与这个过程,已经足够让人兴奋和满足。也许五十岁时,我会选择重新回到学校,给更新的一批年轻人,讲讲怎么做自动驾驶的研究,和产业落地。”

  与此相反的,这一年我参加了一些论坛和行业会议,会场上有不少在读的硕士博士跟我讨论或寻求帮助,他们当中绝大多数是因为研究过程中的不顺利而萌生了换专业的想法,想让我给出一些建议。他们中也有一些坚持拿到了学位,但在选择就业时没有把自动驾驶作为自己的职业规划,让人唏嘘而感慨。

  所以,谈及坚守,我认为最可贵的应该是:热爱,是因为真的爱,而不是因为“热”;为了更好地了解“她”,而不断地学习,唯恐被快速的发展抛下;当为“她”而改变了生活的轨迹和模样时,依然没有怨言;当“她”不再光鲜艳丽、万人追捧时,依然默默相守相伴。

  “摇滚本质上的东西是要去打破一些规则,要去创造一些东西,要能够真正尊崇你对事物的一个判断。自动驾驶是一个新兴的产业,其实也没有很强的一个规则,我们每个人都是这个规则的参与者和建设者,我希望在这个过程中自己可以参与进去,去建设一个适合这个产业、也能够体现自己发展价值的一个产业发展规律和规则。”崔迪潇说。

  希望我们眼中的坚守,是陪伴一个新生事物的高潮与低潮,是参与到它从青涩走向成熟的每个环节。不离不弃,方得始终。

  我清楚的记得,早些年,在模式识别领域(例如人脸识别、语音识别等),大家都发力在数学算法的时候,算法工程师虽然努力多年,精度却一直上不去,几乎没有实用价值。

  然而,突然有一天,在NIST竞赛中,有一个厂家突然爆发,一骑绝尘,直接把竞争对手甩下几个身位,也直接把很多识别技术(例如人脸识别)推到了实用的地步。

  这个事情对业界的震惊很大,不久后,大家了解到竞争对方之所以能取得这么大的进步,正是因为引入了以“深度学习”为基础的AI技术后,整个业界的研发重点就迅速切换到了AI的跑道上。

  在随后的时间里,大家都如饥似渴的阅读各种paper,就是我这个打配合的软件工程师,也开始接触与AI相关的各种技术,包括神经网络、深度学习等等。

  之后,各家厂商的人工智能平台就搭建了起来,各种模式识别技术(例如人脸、语音)放弃了传统的数学算法研究,直接切换到深度学习平台上。

  而经过深度学习的训练,在两年后的NIST竞赛中,各家公司的算法精度上虽然没有赶上原来的第一名,但已经开始接近了。

  这也说明了,两年的时间,模式识别领域,在算法上,大家都统一切换到了以深度学习为基础的人工智能上。

  同时说明了,从技术上来说,“深度学习”并不是一个特别高深,特别新颖的技术,而更多是“旧瓶装新酒”,是对大家观念的扭转。

  而经过互联网多年的积累,计算和数据都到位的时候,“尘封”多年的深度学习技术则突然“枯木逢春”。

  而且,就这两年来说,好多普通的软件工程师,都慢慢开始对算法研究缺乏敬畏了,因为我听到最多的对话就如下面:

  这直接导致了一个后果:以深度学习为基础的人工智能技术,在使计算机变得“聪明”的同时,却使算法工程师变得更“傻”。

  这种傻有两个纬度,一个是从人的角度看,算法工程师的工作难度在降低,从阳春白雪变为了“朝市之学”。

  原来,算法科学家通过数学精确的控制着机器的行为,是机器的“管家”,而现在,算法科学家在某种程度上沦为了机器的“保姆”。

  就拿人脸识别来说,原来大家的算法精度都比较低的时候,为了促进算法的实用性,大家都疯狂的招兵买马,以提高算法的精度。

  而经过这些年的发展,各个厂家的精度都有了大幅的进步,都越过了实用的门槛。因此,在算法上继续大幅投入下去,再取得的回报是非常有限的,甚至连锦上添花都算不上。

  这个时候,大家急需要做的就是尽快的用好的产品占领市场,以获取经济回报。而这,无论对资本来,还是对社会,才是一门技术健康发展的应有之义。

  当然,在接下来的几年,人工智能行业肯定会继续繁荣下去。但这种繁荣之下,很可能不是技术的繁荣,而是产品和市场的繁荣。

  我觉得AI从业者容易被各种科技新闻,融资数字和故事给洗脑。为什么这么说呢?因为各种科技新闻,融资数字和故事都在说某某大牛,某某独角兽在某个顶会上发了多少paper,拿了多少个冠军等。AI技术从业者看到这些宣传后趋之若鹜,简历上大家都塞满了这些,这样招聘的HR从简历上去筛选人选,自然在顶会上有paper,比赛拿了多少名是最吸引人眼球的。

  但是对于企业来说,为了提升5%的正确率,投入产出比太低了。况且实际业务中的复杂性往往比模型高。可能要在理论/仿线%的提升。那么什么样的AI人才是企业真正需要的?

  先说说解决实际问题的:AI主要是TO B的,它能给很多行业,企业带来价值,提升产能。这是我觉得有意思的地方,也是会坚持下去的地方。以前的TO B,在大多看来都是一帮咨询人士干的活,比如战略咨询,IT咨询。我觉得AI现在的角色就像是技术咨询的一种方式。比如,IBM在上世纪90年代转型企业服务,开始可能更为集中的是IT解决方案。AI火起来后,结合AI给企业提供解决方案,已经应用到很多行业中去。比如给食品企业McComick开发新产品,给Symise开发新香水等。BCG有GAMMA,Venture。Mckinsey有digital等。我自己从事的是智慧供应链,可能用不了高深的AI算法,但是需要结合实际应用场景,选择不同的解决方案。

  再说一下探索前沿的AI人才。这类人才更符合大家的认知,顶着顶会和比赛冠军的光环,被一群AI技术从业者或者学习者膜拜。这类人才在当下更多的是在一些前沿的探索,发发paper,参加顶会和比赛给企业起到很大的市场宣传作用。这类人才不是每个公司都会设置的职位,毕竟是对未来的投资,当下不能带来利益。所以一般大厂会有很多这类的研究员岗位,包括很多实际工程岗也干这活。

  我对自己评价,不适合在技术上深挖,不是比赛型选手,但我解决实际业务问题。我也阅读前沿paper,来看看新方法,有时候会复现一下做尝试。

  正如刘知远老师说的,06年就进入人工智能领域,那时候根本不火,甚至根本就没几个人知道什么是人工智能。

  技术进步总是在短期内被高估,但是在长期又被低估。alpha go火之后,资本疯狂炒作人工智能,疯狂制造人工智能取代人类的焦虑,疯狂吹嘘人工智能的商业价值,这些都是典型短期内被高估。现在制造的泡沫破灭了,又开始贬低人工智能,低估人工智能的未来发展。

  另外一点提醒,人工智能的三个特点:1. 技术不成熟 2. 研究性质 3. 不确定性。就决定了这行并不是适合普通学生。但很适合有能力有创新力的人来深耕。

  对真正想从事这个方向工作的人来说,其实是一件好事。 大部分被良好定义并只需要数据充现就能有效提升的问题,有了非常低风险的方案。正因如此,才给更实用更复杂的AI系统架构提供了可能,无人车机器人领域这些需要复杂智能协作的系统开发才不再是空中楼阁,以后请叫我AI architect

  随着人工智能行业的发展,AI 开发者能怎样提升个人竞争优势?以下,我们邀请中国大陆第一位 TensorFlow 开发者认证证书获得者、创业公司技术负责人@段清华DEAN带来他的经验和见解。

  在人工智能领域的就业和发展的问题上,肯定有很多老师和前辈以各自的角度给出回答,我从本科毕业到现在,在机器学习、知识图谱方面从事了六、七年时间,只有各种项目代码写得算多吧。我想纯粹从工程实践经验中,为大家提供一些启发。

  我认为人工智能的发展,一直是一个追求统一理论的过程,这不仅仅是我们希望达到所谓“强人工智能”或“通用人工智能”( AGI ),这个目标同时也是希望能将各种辅助与增强人类的功能,用一种更通用而优美的方法解决。

  今天正在发展的各种深度学习算法,就是这样通用的一种方法,可惜的是,它并不优美。谢天谢地的是,它真的有用。

  即便有各种论文方法解读深度学习模型,但是各种模型、方法为什么有效,以及如何更有效,依然是一个有待解决的问题。AI领域的继续发展可能就会从火热的理论爆发,逐渐转变为各个领域再次细致化,与实践更好结合的稳定发展阶段。这可能是一次衰退,但是我相信它绝对不会像过去两次人工智能寒冬 (AI Winter)那样直接,它会以更平缓的方式到来。

  在学术成果爆发的阶段,我们能观察到,几乎任何一个领域的问题,如果把它归类到某个深度学习的模型方法上,都可以得到比过去更好的解答。而随着研究领域逐渐进入发展与落地阶段,互联网公司也从过高的市场热度中逐渐恢复平静。

  人工智能发展一直是波折前进的,人工智能技术的目的是服务于人类,辅助于人类智能,而具体的技术是规则、统计还是深度学习,其实本质上是不重要的,在波折的过程中我们总会离目标越来越近,这里借用中的Gartner曲线

  现在,随着深度学习的流行,我们已经拥有 TensorFlow 等几乎能够解决所有问题的深度学习框架,站在已有的各种基于深度学习的模型之上,并在工程中进一步发展,在这个过程中,我觉得企业的人才的需求会有下面几种变化:

  作为算法专家、研究员,所面对的问题往往是在固化其他各种参数下,甚至可能不计算其他成本得失下,只需要追求结果(GPT3的训练花费约1200万美元)。这种方式在研究领域上自然是应该的,而在实际企业的工程工程落地中,我们更多需要考虑的是如何在各种限制条件下,合理完成任务。

  如何评估在何种条件制约下能达成任务,就不仅仅是需要只会少数几种算法实现能力,而需要对多种模型有深入了解、快速实现的能力、与评估其结果与成本的能力。

  例如,我们需要实现一个基于图片表示的搜索引擎时,该用什么图片表示方法、如何计算相似度,这还算是算法问题。而用什么样的搜索基础设施,设备成本和可能的响应速度如何,能用什么软件或基础设施快速实现,整个工程的实施成本等等,这些是工程师更多需要考虑的。

  很多时候要解决一个业务问题有很多种方法,而建模就是根据实际业务问题,在各种限制下,利用各种资源选择一种最合适的方法。

  比如,当我们说文本分类算法的时候,大家会觉得这是一个很简单的事情,输入的是文本,输出的是相应的分类,无论模型是一个 TextCNN、LSTM 还是 Transformer 都可以。

  当你仅仅想要完成一件事儿的时候,它可以很简单,但是当要深入理解业务,并深入其核心的时候,也可以很复杂。使用如 TensorFlow 这样的技术“完成”一件基于深度学习的工作在今天已经非常简单,“做好”一件面向人工智能的工程,还有太多值得思考的地方。

  对于一个实际业务场景,有些可能没这么复杂,不过更多时候其实比这更复杂,而这就要求 AI 人去深入理解业务问题,需要能类比所有已知的各种建模方法与软件工程上的各种软件迭代方法,找到最终的解决方案。

  首先,企业利益一般都体现在某个业务场景中。能完全在某个业务场景上成为工程领导者,才是企业所需要的人才。与其需要一个能实现最好算法的人,不如说企业更需要一个能更好理解业务、理解产品的人,这种人需要在工程、算法的各个角度都有一定了解。只有业务场景能实际落地,这样才对企业产生真正直接的利益。

  业务场景也包括某种技术,例如搜索或推荐,它需要对业务本身需求、来源数据、处理结果、工程效率等很多方面都有一定了解,甚至需要对同业公司、竞争对手都有所了解,这样才能统筹安排开发节奏,控制成本成本,创造最大收益。

  而最终的结果是,往往这种人才也因自身能力而获益。今年总是有人问,是不是程序员过了35岁就都失业了?我不能说完全没有这样的情况,不过至少要避免这种情况的一个做法是,要尽量不让自己的能力过于单一,需要能全方面的发展。

  以各种入门书籍、视频为主, TensorFlow 的初级入门代码与跑通一些简单的项目与例子为辅。通过各种书籍与视频积累基本的理论知识,建议可以参考TensorFlow 官方列出的精选课程、官网上的精选学习资源,也可以从周志华老师的《机器学习》开始读。另外我认为,即便从中文教材开始读,也要在积累一定经验后,阅读英文相关资源。

  为什么要不断学习理论知识?一方面理论知识也在持续改进,人工智能一直都是一个非常年轻的学科,它本身的基础也在不断的更新。另一方面,不断的学习与重温知识,是自我夯实基础与激发灵感的重要途径。

  首先,建议多看 TensorFlow 相关的入门代码教程,或者将例如 OpenNMT-tf 这样项目的示例代码跑通,也可以尝试各种自己不太熟悉的领域或模型。这样不仅能积累一些实操经验,也有助于保持对深度学习的热情。

  工程代码的经验要以参考其他项目代码为主,例如 OpenNMT-tf 或 TensorFlow 各种官方模型,包括TensorFlow Hub 、Model Garden的实现代码,从别人的模型实践中学习经验,同时尽可能地从头开始完整复现一些经典模型,例如 VGG / ResNet / BERT 等,而不仅仅是要求自己跑通别人的项目。甚至,尝试将一些模型代码与实际工作结合,制作一些具体的项目或应用,例如配合 TensorFlow.js 实现一些简单的网页应用。

  个人经验来说,我的主要工作都集中在自然语言处理领域,不过自然语言处理的很多任务其实都很难可视化,很多时间都是在跟各种语料、标注数据打交道,做多了未免枯燥。这个时候我经常就会去看看别的领域的结果,比如机器视觉相关的研究,看看YOLO如何实现,U-net是如何识别卫星照片中的各种建筑的,并且自己复现它们的模型和结果。在这个过程中,一方面积累了工程经验,另一方面也可以通过跨领域的交叉激发自己的思考能力,同时在实现这些模型的过程中又可以分享这些模型,给自己新的满足感与成就感。

  机器学习的相关开发者,无论是倾向于研究还是工程落地,都需要对于最新的各种研究成果保持敏锐直觉。这个时候可以通过订阅 GitHub 中感兴趣的项目/开发者/ Topic ,也需要订阅如 arXiv 的关键字,经常获取关注领域的最新进展。对于自己感兴趣的研究结果,应考虑尝试复现,在这个过程中积累工程与研究经验。

  可以进入TensorFlow GitHub页面搜索感兴趣的内容 ,也可以手机端阅读和收藏 TensorFlow 官方微信的“前沿研究”合集。

  在学习的过程中,需要充分利用自己的业余时间,在互联网与科技行业,技术不断发展,10年前、5年前用到的技术和今天都有巨大区别,人工智能相关行业发展则更快。在这种情况下,需要不断学习进阶,才能紧跟行业的发展。对于在职人员,不仅要充分利用业余时间学习,同时可以考虑加入 TFUG,多参加 TensorFlow 官方或社区组织的活动,接触更多志同道合的人,共同进步。

  当前的互联网科技环境中,对人工智能(AI)人才的需求一直在提高,不仅仅是量的提高,也需要质的提高。对于企业招聘来说,最困扰的问题之一是如何快速地确认应聘者的水平,而在人工智能领域尤其如此。因为行业的快速发展,导致太多水平参差不齐的人都加入了行业浪潮中。

  而开发者自身,一方面通过实现项目,与论文或社区中的其他人对比知道自己的成果。另一方面,可以尝试考证,比如 TensorFlow 开发者认证证书,通过谷歌官方提供的权威考试认证,测试自己当前的学习成果。

  我在 TensorFlow Dev Summit 中听说了 TensorFlow 开发者认证之后,就对谷歌会用什么方法、什么角度来判断开发者 TensorFlow 水平感到好奇。从我的经验判断,对 TensorFlow 水平的评估,基本上可以说是对于机器学习或人工智能水平的重要参考。即便之前使用其他机器学习框架,但是从市场工作、使用份额等角度来说,很少有开发者不熟悉 TensorFlow 的使用。

  基于此,所以我第一时间就开始研究,并去参与了 TensorFlow 的认证考试。从实际体验来看,这个认证考试确实可以起到人才筛选的作用,可以帮助企业进行AI人才的快速筛选和候选人定位。我相信随着谷歌的大力推进,这项认证会逐渐成为职业道路上的必要选择之一,会有越来越多的开发者通过这项认证向企业展现自己的机器学习技能。人工智能和机器学习领域的大神——吴恩达老师也在社交媒体上推荐了这项认证。

  据我所知,TensorFlow 不仅提供了认证考试,还搭建了认证网络,目的是连接企业和开发者,把全球范围内通过认证考试的开发者加入人才库,在官方页面展示,企业可以按照地区进行人才检索。此外,通过认证的开发者还可以在个人简历、GitHub 、社交媒体(领英)上展示这项证书。

  想要了解 TensorFlow 开发者认证证书, 建议可以观看B站视频《TensorFlow DevSummit 2020 主题演讲》( 26 : 21 )。也可以上官网“TensorFlow 开发者认证计划”页面,提前了解考试介绍和考前准备事项。

  计算机行业依然是一个高速发展的行业,每天各种新技术与算法层出不穷,而这就需要我们不断学习,掌握更多的知识,才能保证自己永远走在行业前列,保证自己不被时代淘汰。能学习,能创新,有多种技能,符合企业发展需求的人,不会轻易被替代。

  点击下方知乎文章,看我的完整考证心路历程感受,获得本文中提到的学习内容清单,还可以直接提问!在文章评论区留言你关于 TensorFlow 认证考试的疑问(截止至7月25日周六下午5点前),官方将筛选出大家最关心的问题,我会在7月31日下周五“码上作答”第二期的下集为大家作出解答,可以收藏本回答并关注后续更新。

  大家的热情提问和段清华毫无保留的解答,现已在 TensorFlow 微信公众号公布!来自专家的经验之谈你可千万不要错过!点击下方链接查看:

  本人研二学生,CV方向,入这个方向是因为当时机器学习吵的正是火热,我在报这个方向的时候甚至不知道机器学习,深度学习到底是个啥,连python都几乎不会,

  研究之初的困难就是配环境,基于一整周一整周的都在配环境,找各个环境的依赖包,tensorflow学一会,pytorch学一会,完全没积累出任何成果,纯属在浪费时间。

  要是说怎么克服这个阶段的,那就是没有办法,多配就好了,几个机器都试试,服务器弄坏了就重配系统,就是需要耐心,还有安装过程并不是傻瓜式安装,注意教程

  里面需要针对你的本地修改的地方。还有论文,一开始一周来来回回读一篇论文,读完了还是想不起来这个论文干啥的,看论文也不知道重点在哪里,词汇不清楚意思,

  我记得我人生看的第一篇论文,我甚至不知道groundtruth是个啥,反正就是读了大概20多篇论文,你问问我,我还是不太清楚,因为只读论文没有用啊,要多跑代码,

  多做实验,动手才能学习,后面突然一天融会贯通,仿佛知道看论文的重点在哪里,然后又把所有读的论文全部重新读了一遍,这样才搞懂,反正前期工作仿佛什么都没学到,

  我以后还会坚持吗,当然是不会。。。因为编程能力较弱读了研究生,没想到现在又要重新捡起java开发,数据库开发,综合408,以后准备安安心心要么看看国企,要么看看银行,去互联网也不搞算法。

  看到很多回答里都是在校生,还没有经历过秋招的毒打,言语之间透露出对未来的期望。 更有趣的是,回答里很多都是大学生,没有读研,这就让我感觉很恐怖了,跟风媒体真的该死。尤其是回答里有个叫深海的同学,什么年薪百万,跟你关系真的不大。

  2021 校招算法岗, 劝退还是继续是我根据自己的感受写的文章,我觉得还是很有参考价值的。 当然如果你想说, 你找的工作不也不错吗,咋就劝退我呢,但是,统计学告诉我们,,,剩下的自己脑补。

  总的来说,后面整体的回答都太乐观了,不要觉得自己很强, 如果你是清北,请当我在放屁,如果不是,最好掂量掂量自己几斤几两。

  1. 人工智能创立不超过百年,学科基础还很浅薄,仍然处在剧烈的变革过程之中。所以,现在和未来必然会像过去几十年那样,还需要经历几次技术体系的重大转向。从行业前景而言,每次变革都会更加深化和扩展人工智能对人类社会的影响。而人工智能的每次技术转向,都会提出全新的技术方案,对从业者提出新的技能点要求。因此,从业者能否具备快速学习和解决开放问题的能力,是人工智能对合格从业者的要求。

  2. 最近这次人工智能浪潮,学术界是从2010年代开始深度学习在语音识别和图像领域取得突破进展,公众则是从2016年AlphaGo战胜李世石开始形成对人工智能的追捧。可见,技术发展与公众关注存在时间差,就像股市一样,当全民谈论人工智能时,入行需谨慎。换句话说,如果你的亲朋好友开始推荐你某某行业有前途,而Ta又不是这方面专家,需要提高警惕。

  3. 一个人职业生涯从25岁开始满打满算到65岁大约40年光景,对世界和历史而言很短,对个人而言很长。如果只把工作当做赚取生活资料的手段,自然要选择来钱最快的方式,但是什么方式最来钱也就是风口并非人人能把握得准,甚至说大部分人没有判断的能力,稍不留心就做了韭菜。不如把工作当做事业来做,寻找自己感兴趣又擅长、长远看社会需要的职业,坚持多年耕耘下去,这条路是大部分人可以走的。所以题眼在于“坚持”,只要长远看有前景,自己感兴趣且擅长,那就不要管冷门热门,坚持做下去。刻舟求剑不如以逸待劳。

上一篇:
上一篇:人工智能就业方向及前景
下一篇:人工智能专业目前的就业前景怎么样?

地址:南宁市东葛路118号青秀万达西(甲)3栋39楼3909室
联系电话:0771-5861520/920
CopyRight© 火狐电竞 版权所有 桂公网安备 45010302000733号 桂ICP备13001985号-1