轉行人士如何在人工智慧領域保持一定的競爭力?
- 沒有學術認可:轉行意味著沒有相關領域的論文記錄和對應的學位,即便水了一篇,被學術界認可的概率很低。而且碼力有限,只要科班一直保持寫碼學習,寫碼速度感覺沒法趕得上對方。
- 業務需求受限:公司搞業務,受限業務需求,沒法過多深入領域的未來,而且很多業務用不著人工智慧,或者說很多業務不是一個演算法問題而是系統架構問題,衡量一個人的價值必須是項目業務熟悉程度+工程架構分析等能力,然而這個評價體系同人工智慧毫無關係。
- 超級公司才能生存下來:天朝完整的數據監管總有一天會出現,BAT 等大公司的數據優勢會越來越明顯,尤其電商+貸款+廣告+信息流的混合四打。。小公司只能打特定領域小場景,不過很快也會被大公司吞掉。意味著要搞人工智慧,未來只有少數幾個公司值得去,職位需求大但是通道變窄,人工智慧領域成為沙漏結構,爛的一大批,好的一大批,中間水平待不住。
- 強項沒卵用:機器學習廣大分支的數學要求顯然過低(不是和碼農那種加減乘除數學比),只要智商正常,感覺是個數理出身的都能看懂基礎並瞎扯一通,學術界只看論文就能刷掉一批,而公司評價模式並不理會這些,是靠業務+出身+計算機各個領域基礎做評價,廣大偏數理的轉行人士唯一強項除了看論文,起不了太多作用。
- 留守國內一樣被吊打:人工智慧領域的熱度,在未來幾年內能夠集齊頂級名校+頂級學霸+頂級項目+頂級智商的卡片,相關牛人履歷完全是超賽狀態,中國互聯網的人口紅利以及政府的政策傾斜,對這些人的潛在吸引力非常巨大,預計未來幾年會有更多人才流回國內,不出國一樣被吊打。
- 從事智能+x 的交叉學科的前途不明朗:受限經費,國內冷門方向的派系割據戰爭十分可怕,子方向大佬未必認可交叉。而且科普不足,冷門學科大佬未必懂人工智慧到底能在自己領域能幹啥,可能一個 excel 表都能處理的數據都想搞搞神經網路。。或者又回到20年前各種統計學習的若干數學性質和神經網路的種種聯繫。。
- 當人工智慧網紅通道狹窄:比如兜售各種轉行經驗,寫水的不得了的科普,然後在 live 日賺幾千,被勃學家點名批評,這條路非常不正經,除非抱著拯救廣大勸退專業的孩子的目標,有點追求的人都不想 all in 這條路。
擺正心態,擁抱變化,打好計算機各個方向的基礎,努力學習新知識,然後等著被時代車輪各種輾軋是不是廣大轉行人士在人工智慧領域唯一可以做的。
題主的問題描述條理分明,可以當作知乎提問範本。書歸正傳,分享一點我的看法,僅供參考。
因為人工智慧這個領域真的很大,我將其狹義的限定在「使用機器學習和數據挖掘解決現實問題」上,比如做推薦系統、無人車等。因為大部分人不會走學術路線,所以我們將轉行限定於工業界而不是做學術當教授。加了這些限定以後,我認為轉行者最大的優勢反而還是原本的專業知識,以及跨領域知識。所以我認為不要放棄一切從頭來,而要先定位找准自己的市場,避免盲目而動。
其實我很早就關注了題主,也讀過她關於神經網路的一些分析,寫的非常贊。因此我猜測題主的目標依然是留在學術界或者進入DL的研究領域。如果是這樣,途徑和答案你都知道了,唯刷paper和套大牛爾,知乎平台可能很難提供更多見解。因此我這個答案寫的更接地氣,比較適合大部分像我一樣條件一般的朋友。
1. 轉行沒有學歷和論文怎麼辦?
做人工智慧產品對學歷的要求是「既松又緊」。比如要應聘一個電力工程師的崗位,那麼學歷要求一般都要求是電子工程本科或者計算機工程。而機器學習領域的職位,如演算法工程師、數據科學家的學歷專業要求其實比較「松」,願意接納不同學科的應聘者。如果你們多看幾個機器學習的招聘廣告,接收的學科一般包括:
- 計算機相關: 計算機科學、計算機工程
- 統計、數學、物理等
- 其他理工科學位(如電子工程、生物統計等)
這個現象是因為現階段沒有一個對於「AI對口專業」的嚴謹定義以及大量人才缺口,所以英雄不問出處,也是比較容易轉行的階段。而對於學歷要求的「緊」主要體現在本科生招的少,基本都是要求研究生及以上學歷。
至於論文這件事情,除了少量高端的研發工作如Research Scientist (研究科學家),大部分時候都是不硬性要求的。基礎類工作似乎很少要求有論文,甚至也不要求有任何研究經歷。如果你的目標只是數據工程師或者工程師,不必為此發愁。綜上,從硬體要求來看:有理工科碩士以上學歷是基本要求,其他的條件是錦上添花。
2. 如何發揮自己的強項?
這個見仁見智,但我感覺不必完全拋棄自己的專業。舉個偏題的例子,我們團隊去年遇到了一個「奇葩」的應聘者,他剛剛拿到航空航天的博士學位。他對數據的知識理解有限,編程也僅停留在Matlab上,但陰差陽錯的我們還是留下了他。後來發現了他在我們開發中的重要作用...那就是做優化的部分,他可以很快的分析出為什麼我們的模型在某個特定情況不穩定,據說這是他曾經的研究方向之一。所以呢,轉行也不代表沒有優勢,還是得找到那個「痛點」,這個得依靠時間和自身經驗。
至於交叉學科不好做,非常同意。還是以工業界為例,我們一開始想跟會計師合作,讓他們給我們解釋審計流程並開發自動化產品。不僅遇到了他們的抵觸,而且互相之間也很難溝通。後來我們跟做PE的人合作做風險預測模型,結果他們時不時的讓我們幫助處理電腦問題,比如為什麼32位的Excel在打開大文件時會崩潰。跨領域很多人並不明白什麼是機器學習,也不明白機器學習能用來做什麼。所以如果想要把機器學習應用到別的領域,至少要滿足幾個基本條件:
- 獲得高層的支持,能夠協調團隊間的關係
- 把其他人當做「傻子」,用傻瓜式的方式描述問題,避免「行話」和「黑話」
- 不要一口吃成個胖子,步子一定要小,要利用登台階效應
所以從轉行者的角度來看,最好還是應聘和自己的本專業有些相關性的公司。在這種情況下,你的跨領域知識是長處,而不像在互聯網公司更希望你深入一個方向缺乏專精反而是劣勢。比如生物專業可以去基因公司做數據挖掘,做計量的還是去金融領域用機器學習做預測,做財務的可以去銀行風控做異常檢測,這樣成本低優勢大。
那如果我只想去互聯網公司呢?建議還是找有關聯的部門,比如你以前做遊戲方向的可以去遊戲部門,做財務的去互聯網金融部門。我覺得最需要避免的就是學金融的非要去設計遊戲AI,學化學的非要做底層演算法庫開發。
3. 大公司的數據壟斷
這個是百分之已經在發生的事情了,而且美國就是最好的前車之鑒。即使從政策層面來看,反壟斷法也無法很好的限制這件事情的發生。而且不僅是數據壟斷,更是人才壟斷,各位想必還記得前一陣子刷屏的「阿里巴巴達摩院」。我在前一陣子回答的問題:阿薩姆:如何評價《人民日報》於 10 月 5 日發表的《不能讓演算法決定內容》? 中也提到過,數據和人才都會最終彙集到巨頭手裡,而我們的生活也無可避免的受到影響。
但換個角度來看,數據時代的數據種類千千萬萬,即使Facebook有海量的社交數據,Google有海量的搜索和行為數據,但還有很多小領域還沒有走到數據化的階段,或者大公司不屑於涉足。現在成長起來的startup很多都是靠在大公司沒有開發的領域分一杯羹,比如做基因的23andme,即使最後有可能都被科技巨頭收購。
同時,互聯網公司的觸角還沒有完全伸到所有的領域,在很多傳統領域准入門檻較高。舉個例子,我們的客戶A是加拿大最大的Pension Fund之一,掌握著成百上千億的資產。但該公司幾乎所有的人都還在用Excel辦公,我們每次去拿數據是拿著移動硬碟到他們公司去拷貝數據,放在2017年簡直可以當笑話聽。互聯網企業還伸不到這種傳統行業,或者還有相當的傳統公司沒有進入數據化。
所以我覺得對於大公司的數據壟斷:
- 可以尋找大公司不屑於沒有經歷去開發的冷門領域。
- 可以進入傳統行業促進公司的數據化。很多傳統的領域的公司都在考慮和科技巨頭合作,但對開放數據是非常謹慎的。比如我們以前所有的雲服務和計算服務都是 Microsoft Azure,但現在在跟Google商量GCP的事情,而我們同時也是IBM Watson的用戶。即使這樣,公司規定不允許把客戶數據上傳到任何雲服務上,而且我們自己也在開發自己的數據湖。換句話說,傳統領域的公司們已經意識到數據的重要性,也在建立自己的護城河。
未來的大公司壟斷無可避免,但估計是一超多強或者多極化,不至於過度擔心。
4. 人工智慧網紅變現
至於題主提到的「知識網紅變現」,我認為現階段是絕好的時機。很多人都想要湧入人工智慧領域分一杯羹,而我們的教育體系反應有滯後性,很多學校甚至都還沒有相關的專業。因為種種其他原因,回到學校繼續學習對於大部分人來講也不現實,所以各式各樣的在線培訓應運而生。
但這個熱潮能持續多久,還得存疑。只做知識培訓似乎不值得全身心投入(all-in),但我不反對這種模式。很多事情是不是智商稅取決於聽課者有無收穫,以及投入的金錢和時間有多少。學過統計的人都應該知道,評價這件事情需要有大量的樣本。所以我既不鼓吹高昂收費的在線人工智慧培訓,也不贊成勃學一棒子打死所有人。
單拿知乎上的觀察為例,機器學習和人工智慧領域的答主有很多,最後獲得了流量也不過寥寥數人,在相當長的一段時間裡面高贊的答案都是同樣的幾個人。如果你觀察他們,就會發現他們基本都是有真才實學的,而且大部分人玩知乎單純為了消遣,沒有誰是為了收智商稅而答題。
所以我對於全身心走人工智慧網紅變現這個途徑長期是持悲觀態度的,但不否認對於轉行者是一個很快聚攏人氣和盈利的方法,畢竟一個其他領域的博士學位+一些機器學習知識就足夠了。所以高學歷的轉行者的確可以試水「AI教育培訓」,但這個很難成為長久之計。當真正的領域大牛開始轉行做培訓時,那個效果是碾壓級別的,比如吳恩達大佬這種。所以留給人工智慧網紅的變現的時間窗口不長了,除非往精品上走。
5. 總結
我主觀的認為轉行做機器學習/數據挖掘,最好的途徑還是先找交叉領域的公司,在本專業的公司裡面推動數據化。當然,對於基礎學科的朋友們來說這不容易,所以互聯網公司的基礎演算法崗也是不錯的選項。但不要和領域大佬正面對抗,一上來就非要大公司的研發科學家。在積累足夠的經驗後,可以回到自己的領域,推動領域數據化成為大佬。
如何在新的領域保持競爭力?我有幾個不成熟的小建議:
- 思考本專業和數據挖掘如何結合。你自己才是真正的專業人士,你最清楚痛點在哪裡。
- 開始造輪子,get your hands dirty。比如你想到了一個和你專業相關的機器學習應用,可以著手實現並開源。說白了你需要為自己做一些口碑,而直接實現代碼和演算法就是最好的途徑,打消公司對於你開發能力的疑問。
- 如果你身處傳統公司,那麼可以像老闆進行數據分析的科普。並開始主動收集數據,促進你們行業的發展。
所以說白了,保持競爭力的秘訣也就是思考和推動,前者需要沉澱後者需要勇氣。從雞湯角度來看,任何可以照搬的方法都是平庸的。但重要的是,要思考你的強處到底是什麼?不管我們平庸與否,「去應聘演算法工程師」,「去做深度學習」,「去發論文」這種模板式的建議其實很難有太大幫助。我們都知道籌碼越多越好,但時間精力有限,不要放棄自己已有的專業知識,它不是沉沒成本。
我對於未來人工智慧領域的發展也有一些猜測:互聯網公司致力於整合掌握很多核心數據,但總會在部分傳統領域碰壁,同時也有很多新的還尚未被開發的領域使得創業公司有機會發展。行業會更加集中,壟斷型科技巨頭依然會存在,但競爭也總會存在,畢竟從政策層面政府並不會允許存在一家超級科技巨頭。
很抱歉這個回答寫的零零碎碎,博諸君一笑 ?????
踏踏實實做,咱別剛從生物系轉到AI領域,就喊著要擁有競爭力。
PS,調包俠、調參俠和標註俠也是俠。
轉行成功的典範,譬如 cmu 的 Eric Xing 教授充分發揮了自身興趣的優勢。推薦看看他的經歷,結合自己去探索一下,相信會有收穫。
今年校招 演算法崗火爆至極
每個人情況、資源不一樣。我姑且從一個「轉專業到計算機專業的研究生」的角度回答一下我的見解。
1.沒有論文
對於一個學生來說,如果你想讓你和當下火熱的人工智慧發生聯繫,想以之為未來的職業的話,首先你要搞明白你是就業向的還是學術向的?
學術向的話,我認為最好的方式還是去讀一個人工智慧的博士。因為人工智慧、深度學習的學習是需要資源的,有一個優秀的老師當你的指路人的話一切都會順利很多。
而對於就業向的學生來講,論文就不一定是必要條件了。
2.沒有論文的情況下怎麼增加自己的實力?
我個人感覺,從就業的角度看,大廠找應屆生主要看幾個方面:
- 學校,專業,方向
- 論文
- 實習
- 競賽
- 程序語言、代碼能力
- 演算法基礎
學校和專業已經沒法改變了(如果不想再讀個博),方向不是人工智慧,論文發不出,那怎麼辦呢?我認為可以考慮提早出去實習,參加一些競賽(我自己就是這麼做的)。這樣可以讓你的履歷豐富一些,同時積攢一些經驗。有一些面試官對轉行的學生不是很友好,是因為他們認為這些學生底子較差,缺乏經驗。如果有實習和競賽,並且有著清晰的思路,可以給面試官留下較好的印象。
那問題來了,怎麼才能找到一個不錯的實習,或者在競賽中脫穎而出呢?
答案是學好一兩門程序設計語言(之前寫過一篇Python教程還挺多人給贊的,其實python對新手挺友好了。但是還是需要一門較大的語言,所以我目前也是在好好學習C++)並能較熟練的運用、熟悉數據結構演算法基礎、熟悉ML/DL那套理論。
具體可以參見知乎上一些相關問題。
3.轉專業者的強項是什麼?
我本科是儀器系的,另外還念了一個金融的雙學位,加上現在讀計算機專業的碩士,其實算是經歷了三個專業了。
有時候也會思考像我這種背景的人有什麼優勢(因為其實一路上都是劣勢...)?
最近的思考是:可能轉專業的人,比較不會太害怕學習新的東西吧。反正啥都不會,不就是從頭開始學唄,那就一點點來,會比較興奮而不是畏懼。
還有一個是:可以吸取之前學習的一些教訓。比如我大學的時候,來一門課就是學一門課,不知道為什麼學這門課,考完試也就忘了,最後關心的是分數怎麼樣。在轉到計算機這邊後,我自己比較注重建立自己的知識體系,比較多思考「我為什麼要學這個」,「學了這個可以做些什麼事情」,「之後還要學什麼」。
4.被大佬吊打怎麼辦...
答案是沒辦法。
我在北航、在實習的時候也碰到過一些大佬,也認識還在美帝留學日後要回國搶飯碗的大佬。他們有的清北出身、有得有頂會paper,有的有ACM,有的在大公司寫框架畢業拿四五十萬的offer...
有時候也會想自己是多麼渺小,有些沮喪。但是轉念想,其實你身邊出現越來越多優秀的人其實是一個好事,可以學習他們學習的方式,做事情的套路。
轉行真的挺難的。
自己選的方向,那就好好去走,不要患得患失。
以上。
這年頭,不管讀什麼博士,博士期間學幾門計算機系的課,拿個電腦科學的cs master總是穩賺不賠,買不了吃虧買不了上當,也就是修幾門課稍微影響一下你奔向science和nature的腳步。
要是貴校商學院還比較好,那就順便再拿個mba?這提問姿勢水平很高,說的問題基本都存在而且都很有道理。不過也不是完全沒有辦法解決。
沒有學術認可:轉行意味著沒有相關領域的論文記錄和對應的學位,即便水了一篇,被學術界認可的概率很低。而且碼力有限,只要科班一直保持寫碼學習,寫碼速度感覺沒法趕得上對方。
先入machine learning / data mining,在轉AI。不可否認很多大牛手裡一把NIPS ICML CVPR,也不可否認現在AI的頂會越來越水,可能很多人手裡都有paper。不過如果志在工業界的話,沒有學術認可也不是完全不可以。首先要找准自己的定位,不要想不開去和大牛剛正面,和人家去搶research scientist等職位。很多公司招演算法工程師,數據挖掘工程師,也是AI的一個好起點。可能進去不會馬上接觸到AI,大多是一些傳統的方法。不過站穩腳跟之後完全可以慢慢往AI過渡,其實也是一個很自然的過程。考慮到是轉行人士,順帶還可以吧machine learning補一補,業務上也可以精進一些,那麼下一次跳槽的時候就更有勝算。至於碼力,很少有fresh graduates的碼力會很強的,到公司里練一練很快就上手了。
業務需求受限:公司搞業務,受限業務需求,沒法過多深入領域的未來,而且很多業務用不著人工智慧,或者說很多業務不是一個演算法問題而是系統架構問題,衡量一個人的價值必須是項目業務熟悉程度+工程架構分析等能力,然而這個評價體系同人工智慧毫無關係。
有前瞻性地選擇業務。很多人看到AI就想到CV,自動駕駛,Machine Translation。其實AI的應用場景遠不止這些。基本上有海量結構化數據的場景都能夠用上AI,只是這些領域還沒有完全開發起來而已,不過潛力是巨大的。幾年前的推薦系統還是一水的topic model和conventional ML,這幾年全部都變成DL了。同樣的道理,在未來幾(十)年搜索、交通、醫療、教育等方面都會需要AI來處理數據,需求量是相當大的。總而言之,坑還很多。
超級公司才能生存下來:天朝完整的數據監管總有一天會出現,BAT 等大公司的數據優勢會越來越明顯,尤其電商+貸款+廣告+信息流的混合四打。。小公司只能打特定領域小場景,不過很快也會被大公司吞掉。意味著要搞人工智慧,未來只有少數幾個公司值得去,職位需求大但是通道變窄,人工智慧領域成為沙漏結構,爛的一大批,好的一大批,中間水平待不住。
其實這一直都是互聯網行業的常態。這也是個很現實的問題。互聯網行業發展到今天,一直都是大公司吃肉小公司喝湯。不管是大數據還是移動互聯網的浪潮,都是大公司趕在前面。偶爾會有小公司掀起一點波瀾但是最後還是被大公司收購或者踩在腳下(至少在比較短的時間窗口內是這樣,久了可能像雅虎諾記不小心就崩了)。其實這個問題大可不必過於擔心。公司大,職位多,好事。另一方面大公司財務自由的那些人遲早會出來創業干點名堂出來的,大腿抱好即可。
強項沒卵用:機器學習廣大分支的數學要求顯然過低(不是和碼農那種加減乘除數學比),只要智商正常,感覺是個數理出身的都能看懂基礎並瞎扯一通,學術界只看論文就能刷掉一批,而公司評價模式並不理會這些,是靠業務+出身+計算機各個領域基礎做評價,廣大偏數理的轉行人士唯一強項除了看論文,起不了太多作用。
保持強項、彌補弱項。其實數學和看論文也是很重要的,即便實在公司,這一點就不再過多佐證了,可能有人會有異議吧。在我看來數理學生的弱項就是代碼,這也是理所應當的。轉行怎麼可能不用付出一點代價。首先做好死磕coding的覺悟,把編程能力練到科班水平。然後進到公司裡面你就會發現,你和人家一樣會coding,不過還有一手數學和看論文的本事,這就美滋滋。
留守國內一樣被吊打:人工智慧領域的熱度,在未來幾年內能夠集齊頂級名校+頂級學霸+頂級項目+頂級智商的卡片,相關牛人履歷完全是超賽狀態,中國互聯網的人口紅利以及政府的政策傾斜,對這些人的潛在吸引力非常巨大,預計未來幾年會有更多人才流回國內,不出國一樣被吊打。
同第一點,不要和大牛去競爭,要學會跟在後面撿機會。作為一個轉行人事一定要有覺悟,不要覺得學了一點東西就感覺很牛逼,也不要覺得大牛太多就很沮喪,要認清楚自己的定位。頂級履歷的人畢竟是少數。有更多的人才回國,他們肯定也是aim high,也不會跟你搶飯碗,說不定還會創業創造更多就業機會。另外還要多留心有沒有自己的熟人校友,讓人家抬你一手。
最後兩點不懂不做評價。
從一個法律人轉行為法律人工智慧公司運營的角度來回答下這個問題。
這些年有一個詞被提的特別響亮,這就是【跨界】。當然跨界的幅度也會因人而異。誠如,如同題主所說的,人工智慧領域對技術要求較高、而且這條路屬於新路,前景如何也是不夠明朗。我們這類轉行人員如何在這個新型領域獲得競爭力呢?我認為可以從兩個方面考慮:
1.我們需要進入的是人工智慧+細分領域。按照迅雷創始人程浩老師的說法:人工智慧可以分為底層的基礎架構、中間層的通用技術和頂層的人工智慧+細分領域,底層和中間層屬於技術層面,對技術、學術能力要求較高,而頂層人工智慧+細分領域,是人工智慧技術在細分領域的應用和部署,強調的跨界綜合能力,這個才是轉行人士發揮作用的領地,也是我從一個律師轉行法律人工智慧運營的原因所在;
2.學習能力。跨界養成的關鍵在於找到兩個領域的結合點和實現路徑。人工智慧和法律服務相去甚遠,想要實現人工智慧在法律行業的部署和應用就需要找到兩者的結合點,這種結合點也是未來法律人工智慧公司需要開拓的領域。按照 @曹建峰Jeff Cao 的文章《法律人工智慧十大趨勢》中,法律人工智慧可以從十大領域做切入:
想要掌握這十大領域,不斷的學習精進是不可避免的,也只有在學習、實踐中我們才能培養自己的核心競爭力;
根據自己的優勢,選擇特定的細分領域,然後一直做一下去,經過時間的積累,一定會有收穫。就像剛開始互聯網一樣,剛開始都是平台,當平台戰略已經被強大的對手佔據之後,細分領域的王者的機會會逐漸到來。
我覺得吧,兩點,一點很多提到了,保持原領域優勢,第二點,寫代碼,多練習。
感謝樓主的提問,讓我們也可以在這裡學到一些東西。
工業界很簡單,懂業務,出貨。給老闆賺到錢。技術難度什麼的都不重要。
聽說hinton原來是認知科學專業的?
關於 「從事智能+x 的交叉學科的前途不明朗」
首先,對感興趣的業務方向有必要的了解,了解人工智慧(以及其他任何 「高新技術」,下同)在其中的發力點,了解從發力點到價值輸出之間的關鍵環節,各關鍵環節如何與人工智慧技術銜接。
其次,以此為基礎,向大佬指出現有非人工智慧技術架構的痛點,讓大佬明白人工智慧技術能夠如何解決這些問題、轉向人工智慧技術需要做哪些工作。
最後,就只能看你發現的痛點是否足夠痛、工作是否足夠到位、大佬是否足夠明智有遠見了。
別無他法。
由於女票找工作,最近關注這方面的招聘比較多(新加坡)。基本沒看到有什麼職位宣稱要找做AI的,更多的是做data engineer/analyst/scientist(不同公司稱呼不同)。AI這個概念要具體到實際公司業務中啊,想必除了deepmind沒公司招你去喂Alpha狗吧。。。
另外,上述招聘基本都偏愛數學 統計 計算機等專業有定量分析與建模背景的,所以偏數理的相對有優勢,而工科的則相對劣勢。但繼續把招聘要求讀下去,就會看到對編程能力的一些要求,這方面可能工作如ECE等相比純數理又有優勢。
就招聘來看,似乎沒有要求什麼專門針對AI的專業,實際目前也不存在這個專業,所以數理、計算機都不算轉行。寫代碼多的EE等稍有點轉行。真正轉行的應該是知乎上一直馬勸退的偽化生材料了,以及機械、微電子等偏硬體的專業。
上述觀察基本限於machine learning / data scientist等職位。專門針對deep learning的很少,可能以互聯網公司為主,而新加坡的互聯網沒啥大公司。
對另外的大方向如無人駕駛等沒怎麼關注,但個人感覺這個應該更喜歡有工科背景的吧,如機械/電氣自動化,同時能擼代碼搞演算法的。
總結下就是,如果不是去互聯網公司,基本轉行沒上面說的那麼困難重重。當然互聯網公司一般收入最多。但是互聯網不能代表AI的全部,只是這個行業喜歡吆喝得厲害。傳統行業這麼多,一旦AI開始涉足了,將是很大的市場,比如京東的無人倉庫和正在炒的物聯網、工業4.0等等。
這是個好問題
提問的水平很高啊!
裡邊也有不少我的疑惑,期待大牛來分享下經驗,自己學習下
另外我也有個問題:
就是現在各行各業都在轉機器學習,深度學習,人工智慧這方面,我實驗室的老師也經常給我們畫餅,我現在也比較好奇市場真的有這麼大的需求么?看到第六條哭了,我正想通過人工智慧應用在湍流流動,旋轉機械故障診斷這行業水個PHD呢
針對第5條留守國內一樣被吊打,題主的問題中默認應該是美國的競爭會更大。其實換個角度思考的話,這個不一定是劣勢,反而可以成為優勢。比如單純考慮競爭的話,選擇一些競爭壓力相對較低的國家是個不錯的選擇。
就像題主說的,未來的人工智慧市場上,頂級名校+頂級學霸+頂級項目+頂級智商這樣的一流人才會越來越多,但對於這些人才,他們無非在美國、中國中做二選一,其他國家應該都不會被考慮。這也給了很多競爭力比較弱的人一些在其他國家發展的機會。比如說日本。
我本科在國內讀化工,現在在日本讀機器學習的碩士,可以看到我也是實打實地轉專業,不過因為轉專業,目前還沒有發paper。今年找工作也結束了,拿到了一家大手公司的offer,在研究開發部門做NLP相關的東西。
因為我只考慮人工智慧領域的職種,所以就職季的時候接觸了大量相關的公司。一個很明顯的感覺就是日本在這方面的人才需求很大,但一是日本國民數量少,二是人才競爭比中美兩國實在差太多,所以這方面的人才流入真得是杯水車薪。目前日本的人工智慧就業市場,基本只有兩類公司,一類是大手公司,配有研究開發部門,而且這樣的部門都是近幾年新成立的,門檻雖然有,但比起國內很美國應該算很低了。另一個是創業公司,很多新成立的小公司主打人工智慧的旗號佔領日本國內的市場。之前我實習過的一家小公司就是賣硬體給客戶,然後配套提供數據分析服務,本身沒什麼難的東西,擔架不住人家會包裝啊,最近好像又拿到了7.4億日元(摺合4300萬RMB)的融資,不要太風光好嘛。
正因為這樣,作為一個非一流人才(如果用頂級名校+頂級學霸+頂級項目+頂級智商作為一流人才的定義,按這個要求,我真得是不入流人才……),我都能找到一份相關的工作,我相信凡是有點底子的,都能比我拿到更好的機會。所以從我的角度來說,題主提到的這一點劣勢,反而能成為劍走偏鋒的優勢。
推薦閱讀:
※如何看待最強大腦第三場人機大戰有人提前爆料出的水哥王昱珩「被輸」給小度事件?
※iPhone X 是現在還是未來?
※如果 2台 alphago 不斷對戰,是否會不斷的強大?
※如何看待人工智慧系統 Libratus 戰勝四位德州撲克頂級選手,獲得最終勝利?
※如何評價 DeepMind 於2016年9月12日公開的 AlphaGo 自戰棋譜及3月人機大戰解說?
TAG:人工智慧 | 機器學習 | 大數據 | 深度學習DeepLearning |