吴恩达推荐!22页「AI职业生涯发展正规之道」秘籍,让你不被AI失业与共建一个Work的AI团队

1 月 9 日 专知
吴恩达推荐!22页「AI职业生涯发展正规之道」秘籍,让你不被AI失业与共建一个Work的AI团队

【导读】现在人工智能发展进入一个平稳期,AI工程师们职业生涯如何规划发展以避免35岁困境?以及对于公司来说如何搭建一个有效的AI团队创造价值?是很多人关心的问题。吴恩达在Twitter亲自推荐了这份AI职业生涯正规发展之道的报告《AI Career Pathways: Put Yourself on the Right Track带领你了解AI团队是如何工作的,以及在不同的AI职业道路上你需要哪些技能,短小精悍,非常值得学习。



地址:

https://workera.ai/candidates/report/


Workera 公司通过提供指导和高质量的工作机会,帮助数据科学家、机器学习工程师和软件工程师实现他们的职业目标。我们的任务是确保每个人,无论背景如何,都有机会充分发挥他们的潜力,实现他们在AI领域的职业目标。


关键要点:

发展一个人工智能项目开发生命周期包括五个不同的任务:

  • 数据工程:负责数据工程的人员准备数据并将数据转换成其他团队成员可以使用的格式。

  • 建模: 负责建模的人员在数据中寻找能够帮助公司预测各种决策的结果、识别业务风险和机会或确定因果关系的模式。

  • 部署: 负责部署的人员获取数据流,将其与模型组合,并在将模型投入生产之前测试集成。

  • 业务分析: 负责业务分析的团队成员评估所部署的模型的性能和业务价值,并相应地进行调整,以最大化效益或放弃无收益的模型。

  • 人工智能基础设施: 人工智能基础设施的工作人员构建和维护可靠、快速、安全和可伸缩的软件系统,以帮助数据工程、建模、部署和业务分析人员。



六个基本角色执行这些任务。没有一个人有足够的技能来完成AI项目开发的所有任务。因此,团队包括关注部分周期的个人。以下是六个技术角色的可视化表示,以及它们与各种任务的关


每个角色都需要特定的技能和知识:


  • 负责数据工程的人员需要很强的编码和软件工程技能,最好结合机器学习技能来帮助他们做出与数据相关的良好设计决策。大多数情况下,数据工程是使用数据库查询语言(如SQL)和面向对象编程语言(如Python、c++和Java)来完成的。Hadoop、Hive等大数据工具也被广泛使用。


  • 建模通常用Python、R、Matlab、c++、Java或其他语言编写。它需要强大的数学、数据科学和机器学习基础。一些组织需要深度学习技能,特别是那些专注于计算机视觉、自然语言处理或语音识别的组织。


  • 从事部署工作的人员需要编写生产代码,拥有强大的后端工程技能(使用Python、Java、c++等),并了解云技术(例如AWS、GCP和Azure)。从事业务分析的团队成员需要理解分析的数学和数据科学,以及强大的沟通技能和商业敏锐性。它们有时使用R、Python和Tableau等编程语言,尽管许多任务可以在电子表格、PowerPoint或Keynote或a /B测试软件中完成。


  • 人工智能基础设施上工作需要广泛的软件工程技能来编写生产代码和理解云技术。




目录内容:



第一部分 AI组织


数据科学 vs. 机器学习组织


我们发现了两种使用人工智能的组织:


  • 数据科学组织帮助公司领导做出科学的或数据驱动的决策,以更有效地运营他们的业务。团队成员收集数据,分析数据集,并提出假设和行动。


  • 机器学习组织将任务自动化以降低成本或扩大产品规模输出是通过收集数据、训练模型并部署它们而实现的自动化本身。


尽管机器学习和数据科学组织是不同的,但是公司经常交替使用这两个术语。您可以通过评估一个给定的组织是否符合上面的描述之一来区分它们。一些公司拥有混合的组织,它们既制定数据科学决策,又使任务自动化。在本报告中,我们将使用“AI组织”来指代DS、ML或混合组织


第二部分 人工智能开发生命周期的任务和技能



人工智能组织将他们的工作划分为数据工程、建模、部署、业务分析和人工智能基础设施。这些任务一起构成了AI项目开发生命周期。每个任务都需要特定的技能,可以是多个角色的重点。您可以在附录中找到本报告中提到的技能的简要描述。我们将讨论机器学习(ML)和数据科学(DS)的项目开发生命周期之间的区别。然后,我们将查看每个任务的目标、执行任务所需的技能,以及组织中的哪些角色关注哪些任务。

数据工程

建模

部署

业务分析

AI基础设施


第三部分 AI团队角色


有时候,想在人工智能领域工作的人的技能与招聘经理的要求不匹配。为了帮助你缩小这个差距,我们将解释AI团队的不同角色,他们的技能,以及他们关注的任务。


结论


世界需要工程师和科学家来建设未来。事实上,到2020年,本报告中定义的所有角色都严重短缺让你的行动。本报告旨在阐明什么是人工智能组织,你将从事什么任务,以及现有的职业轨迹。它可以帮助世界各地的学习者选择符合他们技能、背景和愿望的职业道路。我们希望它对您的学习和专业发展也有帮助。人工智能组织在不断发展,所以这份报告正在进行中。我们打算修改它,因为我们的团队了解更多关于AI人才的供应和需求。


便捷查看下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“AICP” 就可以获取AI Career Pathways: Put Yourself on the Right Track》22页pdf报告专知下载链接索引


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
点击“阅读原文”,了解使用专知,查看5000+AI主题知识资料
登录查看更多
8

相关内容

个人主页: Andrew Ng Wikipedia: Andrew Ng
吳恩達是斯坦福大学计算机科学系和电气工程系的副教授,斯坦福人工智能实验室的主任。他还与达芙妮·科勒一起创建了在线教育平台Coursera。

2011年,吳恩達在Google創建了Google Brain項目,以通過分佈式集群計算機開發超大規模的人工神經網絡。2014年5月16日,吴恩達加入百度,负责「百度大脑」计划。他将同时担任百度公司首席科学家。

首先加速介绍R生态系统、编程语言和工具,包括R脚本和RStudio。通过使用许多例子和项目,这本书教你如何将数据导入R,以及如何使用R处理这些数据。一旦基础扎实,《实用R 4》的其余部分将深入具体的项目和例子,从使用R和LimeSurvey运行和分析调查开始。接下来,您将使用R和MouselabWeb执行高级统计分析。然后,您将看到在没有统计信息的情况下R如何工作,包括如何使用R自动化数据格式化、操作、报告和自定义函数。

本书的最后一部分讨论了在服务器上使用R;您将使用R构建一个脚本,该脚本可以运行RStudio服务器并监视报表源的更改,以便在发生更改时向用户发出警报。这个项目包括定期电子邮件提醒和推送通知。最后,您将使用R创建一个定制的个人最重要信息的每日纲要报告,例如天气报告、每日日历、待办事项等等。这演示了如何自动化这样一个过程,以便用户每天早上导航到相同的web页面并获得更新的报告。

你将学到什么

  • 设置并运行R脚本,包括在新机器上的安装以及下载和配置R
  • 使用RStudio Server将任何机器变成可从任何地方访问的强大数据分析平台
  • 编写基本的脚本并修改现有的脚本以满足自己的需要。
  • 在R中创建基本的HTML报告,根据需要插入信息
  • 构建一个基本的R包并发布它

这本书是给谁的

  • 建议您之前接触过统计学、编程和SAS,但不是必需的。
成为VIP会员查看完整内容
0
24

找到有合适技能的人。本书阐明了创建高效能数据集成团队的最佳实践,使您能够理解计划、设计和监视一次性迁移和日常集成系统的技能和需求、文档和解决方案。

数据的增长是爆炸式的。随着跨企业系统的多个信息源的不断到达,将这些系统组合成一个单一的、内聚的、可记录的单元变得比以往任何时候都更加重要。但是,与其他软件规程相比,集成的方法有很大的不同,它要求能够编写代码、协作并将复杂的业务规则分解为可伸缩的模型。

数据迁移和集成可能很复杂。在许多情况下,项目团队将实际的迁移保留到项目的最后一个周末,任何问题都可能导致错过最后期限,或者在最坏的情况下导致需要在部署后进行协调的数据损坏。本书详细介绍了如何进行战略规划以避免这些最后时刻的风险,以及如何为未来的集成项目构建正确的解决方案。

你会学到什么

  • 理解集成的“语言”,以及它们在优先级和所有权方面的关系
  • 创建有价值的文档,带领您的团队从发现到部署
  • 研究当今市场上最重要的集成工具
  • 监视您的错误日志,并查看输出如何增加持续改进的周期
  • 为整个企业提供有价值的集成解决方案

这本书是给谁看的

构建相应实践的执行和集成团队领导。它也适用于需要额外熟悉ETL工具、集成过程和相关项目可交付成果的集成架构师、开发人员和业务分析人员

成为VIP会员查看完整内容
0
44

大大小小的公司都在启动人工智能项目,在软件、开发人员和数据科学家身上投入了大量资金。通常情况下,这些人工智能项目将重点放在技术上,而牺牲了可操作的或有形的业务结果,导致结果分散和投资浪费。人工智能的成功为人工智能项目制定了蓝图,以确保它们是可预测的、成功的和有利可图的。它充满了运行数据科学程序的实用技术,以确保它们的成本效益和专注于正确的业务目标。

对这项技术

对于一个成功的AI项目来说,最大的挑战不是决定你可以解决哪些问题。它决定你应该解决哪些问题。拥有巨额资金和顶尖人才的人工智能系统,如果不回答那些将推动真正商业价值的问题,仍然会失败。作为一个AI团队的领导者,你的工作是确保你引导你的团队朝着正确的目标前进,并实现一个能够按时并按预算交付结果的过程。

关于这本书

在《人工智能成功之道》一书中,作者兼人工智能顾问Veljko Krunic揭示了他与《财富》500强公司、早期创业公司以及其他横跨多个行业的企业共同开发的人工智能的成功秘诀。Veljko首先制定了一个框架,用于确定要为您的业务回答的正确问题。然后,他会教你一个可重复的过程,用于正确地组织一个AI项目,以最大化有限资源的价值,比如你的数据科学家的时间。您将学习建立指标,让您根据业务需求来判断您的机器学习的有效性,以及如何评估您的AI项目在其生命周期的早期是否在正确的轨道上。根据你将在现实世界中遇到的商业困境进行练习,你将学习如何管理ML流程并防止其发生固化。完成之后,您就可以开始明智地投资于数据科学,为您的业务提供具体、可靠和有利可图的结果。

里面有什么

  • 选择正确的AI项目以满足特定的业务目标
  • 节约资源,实现物有所值
  • 如何衡量你的人工智能努力在商业方面的成功
  • 预测自己是否在正确的轨道上交付预期的业务结果
成为VIP会员查看完整内容
0
60

主题: AI Career Pathways: Put Yourself on the Right Track

【导读】现在人工智能发展进入一个平稳期,AI工程师们职业生涯如何规划发展以避免35岁困境?以及对于公司来说如何搭建一个有效的AI团队创造价值?是很多人关心的问题。吴恩达在Twitter亲自推荐了这份AI职业生涯正规发展之道的报告《AI Career Pathways: Put Yourself on the Right Track》带领你了解AI团队是如何工作的,以及在不同的AI职业道路上你需要哪些技能,短小精悍,非常值得学习

地址:

https://workera.ai/candidates/report/?utm_source=NgSocial&utm_medium=twitter&utm_campaign=WorkeraReportPromoJanuary82020

Workera 公司通过提供指导和高质量的工作机会,帮助数据科学家、机器学习工程师和软件工程师实现他们的职业目标。我们的任务是确保每个人,无论背景如何,都有机会充分发挥他们的潜力,实现他们在AI领域的职业目标。

关键要点:

发展一个人工智能项目开发生命周期包括五个不同的任务:

  • 数据工程:负责数据工程的人员准备数据并将数据转换成其他团队成员可以使用的格式。

  • 建模: 负责建模的人员在数据中寻找能够帮助公司预测各种决策的结果、识别业务风险和机会或确定因果关系的模式。

  • 部署: 负责部署的人员获取数据流,将其与模型组合,并在将模型投入生产之前测试集成。

  • 业务分析: 负责业务分析的团队成员评估所部署的模型的性能和业务价值,并相应地进行调整,以最大化效益或放弃无收益的模型。

  • 人工智能基础设施: 人工智能基础设施的工作人员构建和维护可靠、快速、安全和可伸缩的软件系统,以帮助数据工程、建模、部署和业务分析人员。

六个基本角色执行这些任务。没有一个人有足够的技能来完成AI项目开发的所有任务。因此,团队包括关注部分周期的个人。以下是六个技术角色的可视化表示,以及它们与各种任务的关

每个角色都需要特定的技能和知识:

  • 负责数据工程的人员需要很强的编码和软件工程技能,最好结合机器学习技能来帮助他们做出与数据相关的良好设计决策。大多数情况下,数据工程是使用数据库查询语言(如SQL)和面向对象编程语言(如Python、c++和Java)来完成的。Hadoop、Hive等大数据工具也被广泛使用。

  • 建模通常用Python、R、Matlab、c++、Java或其他语言编写。它需要强大的数学、数据科学和机器学习基础。一些组织需要深度学习技能,特别是那些专注于计算机视觉、自然语言处理或语音识别的组织。

  • 从事部署工作的人员需要编写生产代码,拥有强大的后端工程技能(使用Python、Java、c++等),并了解云技术(例如AWS、GCP和Azure)。从事业务分析的团队成员需要理解分析的数学和数据科学,以及强大的沟通技能和商业敏锐性。它们有时使用R、Python和Tableau等编程语言,尽管许多任务可以在电子表格、PowerPoint或Keynote或a /B测试软件中完成。

在人工智能基础设施上工作需要广泛的软件工程技能来编写生产代码和理解云技术。

目录内容:

第一部分 AI组织

数据科学 vs. 机器学习组织

我们发现了两种使用人工智能的组织:

数据科学组织帮助公司领导做出科学的或数据驱动的决策,以更有效地运营他们的业务。团队成员收集数据,分析数据集,并提出假设和行动。

机器学习组织将任务自动化以降低成本或扩大产品规模。输出是通过收集数据、训练模型并部署它们而实现的自动化本身。

尽管机器学习和数据科学组织是不同的,但是公司经常交替使用这两个术语。您可以通过评估一个给定的组织是否符合上面的描述之一来区分它们。一些公司拥有混合的组织,它们既制定数据科学决策,又使任务自动化。在本报告中,我们将使用“AI组织”来指代DS、ML或混合组织

第二部分 人工智能开发生命周期的任务和技能

人工智能组织将他们的工作划分为数据工程、建模、部署、业务分析和人工智能基础设施。这些任务一起构成了AI项目开发生命周期。每个任务都需要特定的技能,可以是多个角色的重点。您可以在附录中找到本报告中提到的技能的简要描述。我们将讨论机器学习(ML)和数据科学(DS)的项目开发生命周期之间的区别。然后,我们将查看每个任务的目标、执行任务所需的技能,以及组织中的哪些角色关注哪些任务。

第三部分 AI团队角色

有时候,想在人工智能领域工作的人的技能与招聘经理的要求不匹配。为了帮助你缩小这个差距,我们将解释AI团队的不同角色,他们的技能,以及他们关注的任务。

结论

世界需要工程师和科学家来建设未来。事实上,到2020年,本报告中定义的所有角色都严重短缺。让你的行动。本报告旨在阐明什么是人工智能组织,你将从事什么任务,以及现有的职业轨迹。它可以帮助世界各地的学习者选择符合他们技能、背景和愿望的职业道路。我们希望它对您的学习和专业发展也有帮助。人工智能组织在不断发展,所以这份报告正在进行中。我们打算修改它,因为我们的团队了解更多关于AI人才的供应和需求。

成为VIP会员查看完整内容
0
42
小贴士
相关资讯
吴恩达:AI未来将呈现四大发展趋势
AI100
3+阅读 · 2019年8月30日
《人工智能转型手册》,吴恩达 著
人工智能学家
9+阅读 · 2018年12月14日
吴恩达:我的AI商业化方法论
量子位
3+阅读 · 2018年9月6日
为什么 Python 更适合做 AI/机器学习?
计算机与网络安全
10+阅读 · 2018年3月18日
吴恩达:AI论文已经够多了,赶紧“搞点事”吧!
全球人工智能
4+阅读 · 2017年11月15日
吴恩达说,AI论文够多了,赶紧搞吧!
云头条
20+阅读 · 2017年11月13日
相关论文
Mi Luo,Fei Chen,Pengxiang Cheng,Zhenhua Dong,Xiuqiang He,Jiashi Feng,Zhenguo Li
4+阅读 · 2月13日
Quan Kong,Bin Tong,Martin Klinkigt,Yuki Watanabe,Naoto Akira,Tomokazu Murakami
3+阅读 · 2019年6月17日
Kevin Clark,Urvashi Khandelwal,Omer Levy,Christopher D. Manning
3+阅读 · 2019年6月11日
Baosong Yang,Longyue Wang,Derek F. Wong,Lidia S. Chao,Zhaopeng Tu
3+阅读 · 2019年4月8日
Deep Node Ranking: an Algorithm for Structural Network Embedding and End-to-End Classification
Blaž Škrlj,Jan Kralj,Janez Konc,Marko Robnik-Šikonja,Nada Lavrač
4+阅读 · 2019年2月11日
Yanbin Liu,Juho Lee,Minseop Park,Saehoon Kim,Eunho Yang,Sungju Hwang,Yi Yang
16+阅读 · 2018年12月25日
dynnode2vec: Scalable Dynamic Network Embedding
Sedigheh Mahdavi,Shima Khoshraftar,Aijun An
6+阅读 · 2018年12月6日
Catherine Wong,Neil Houlsby,Yifeng Lu,Andrea Gesmundo
4+阅读 · 2018年9月11日
Reza Ghaeini,Xiaoli Z. Fern,Hamed Shahbazi,Prasad Tadepalli
4+阅读 · 2018年6月1日
Carlos Toxtli,Andrés Monroy-Hernández,Justin Cranshaw
8+阅读 · 2018年2月9日
Top