吳恩達：如何在人工智慧領域打造你的職業生涯？

【AI速讀】

這篇文章探討了如何在人工智慧領域建立職業生涯。文章涵蓋了從基礎技能學習到項目實踐，再到找到合適工作的各個方面，並提供了具體的建議和步驟。以下是文章的主要內容：

1.編碼人工智慧是新的讀寫能力

• 語言讀寫能力的演變：幾百年前，語言讀寫能力並不普及，但隨著時間的推移，它變得普遍並豐富了社會。
• 程式碼的重要性：程式碼是人與機器之間最深入的交流方式，隨著機器在日常生活中的重要性增加，程式設計能力變得越來越重要。
• 人工智慧和資料科學的應用：線性回歸模型可以幫助披薩店老闆最佳化需求預測和供應鏈管理。

2.職業生涯發展的三個步驟

• 學習基礎技能：包括機器學習、深度學習、數學和軟體開發。
• 從事項目工作：與缺乏AI專業知識的利益相關者合作，估計項目完成時間和投資回報。
• 找到一份工作：建立支援性社區，幫助你成長和找到工作。

3.學習有前途的人工智慧職業的技術技能

• 基礎機器學習技能：線性回歸、邏輯回歸、神經網路等。
• 深度學習：瞭解神經網路的基本知識和實際技能。
• 與機器學習相關的數學：線性代數、機率和統計、微積分。
• 軟體開發：程式設計基礎、資料結構、演算法、軟體設計、熟悉Python和相關庫。

4.你應該學習數學來獲得人工智慧的工作嗎？

• 數學的重要性：瞭解演算法背後的數學有助於偵錯和最佳化。
• 現實應用：根據具體工作需求，分清輕重緩急，掌握必要的數學知識。

5.成功AI項目的範圍

• 確定業務問題：找到領域專家，瞭解他們最希望改進的三件事。
• 頭腦風暴AI解決方案：提出多種潛在解決方案。
• 評估解決方案的可行性和價值：通過已發表的作品、競爭對手的行為或快速概念驗證進行評估。
• 確定里程碑：設定機器學習和業務指標。
• 預算資源：考慮資料、人員、時間和團隊支援。

6.尋找與您的職業目標互補的項目

• 從小處著手：利用早期項目學習和積累經驗。
• 項目想法的來源：加入現有項目、閱讀和交流、關注應用領域、發展副業。
• 項目選擇清單：技術挑戰性、團隊合作、項目的影響力和複雜性。

7.建立能夠展示技能進步的項目組合

• 項目組合的重要性：展示技能進步的項目組合有助於找工作。
• 溝通和領導力：解釋你的想法和項目成果，展示領導能力。

8.啟動人工智慧工作搜尋的簡單框架

• 求職步驟：選擇公司、準備面試、選擇職位和協商薪資。
• 角色和行業轉換：逐步轉換角色或行業，利用資訊面試瞭解新角色和行業。

9.找到適合你的AI工作

• 求職細節：研究角色和公司，安排資訊面試，直接申請或通過推薦獲得面試機會。
• 求職技巧：更新簡歷，準備面試，選擇合適的團隊和公司。

10.在人工智慧領域建立事業的關鍵

• 團隊合作：與他人合作、影響和被他人影響的能力。
• 網路：建立職業網路和社區。
• 找工作：避免對抗態度，逐步推進。
• 個人紀律：養成良好的學習和工作習慣。
• 利他主義：幫助他人，建立積極的職業形象。

11.克服冒名頂替綜合症

• 常見現象：70%的人在某個時候會經歷冒名頂替綜合症。
• 應對方法：找到支援你的導師或同行，認識到自己的優點，鼓勵他人。

12.最後的想法

• 珍惜每一天：思考每一天是否值得你生命的1/30,000。

友情提示：AI速讀無法替代您的深度閱讀。

吳恩達 加州斯坦福大學電腦科學系和電機工程系的客座教授
本文節選自：How To Build Your Career in AI

編碼人工智慧是新的讀寫能力

今天，我們認為很多人知道如何閱讀和寫作。我希望有一天，人們知道如何編寫程式碼，特別是為人工智慧編寫程式碼，就像現在一樣普遍。

幾百年前，社會並不認為語言讀寫能力是一種必要技能。少數人學會了閱讀和寫作，其他人則讓他們去閱讀和寫作。讀寫能力花了幾個世紀才得以傳播，現在社會也因此變得豐富得多。

語言能夠實現人與人之間深入的交流，而程式碼是人與機器之間最深入的交流方式，隨著機器在日常生活中變得越來越重要，這種交流也變得越來越重要。

傳統軟體工程——編寫程序，明確告訴電腦執行的一系列步驟——一直是編碼素養的主要途徑。許多介紹性的程式設計課程都使用建立視訊遊戲或建構網站為例。但是，人工智慧、機器學習和資料科學提供了電腦從資料中提取知識的新範式。這項技術為編碼提供了更好的途徑。

許多星期天，我從附近的比薩餅店買一塊比薩餅。櫃檯後面的先生幾乎沒有理由去學習如何製作視訊遊戲或編寫自己的網站軟體（除了個人成長和獲得新技能的樂趣）。

但人工智慧和資料科學對披薩店老闆也有很大價值。線性回歸模型可以幫助他更好地估計需求，從而最佳化餐廳的人員配備和供應鏈。他可以更好地預測夏威夷披薩的銷量——我的最愛！——從而提前製作更多的夏威夷披薩，減少顧客的等待時間。

人工智慧和資料科學的用途幾乎可以在任何產生資料的情況下找到。因此，與傳統的軟體工程相比，各種各樣的職業會發現定製的人工智慧應用程式和資料衍生的見解有更多的用途。這使得人工智慧導向的編碼的讀寫能力比傳統的編碼更有價值。它可以使無數個人利用資料使自己的生活更豐富。

我希望建構基本人工智慧應用程式的承諾，甚至比建構基本傳統軟體的承諾更能鼓勵人們學習如何編碼。如果社會接受這種新的讀寫能力，我們將從中受益。

職業生涯發展的三個步驟

人工智慧的迅速崛起導致人工智慧工作迅速增加，許多人正在這一領域建立令人興奮的事業。職業生涯是一段幾十年的旅程，道路並不平坦。多年來，我很榮幸地看到成千上萬的學生以及大大小小的公司的工程師在人工智慧領域找到了職業方向。

職業發展的三個關鍵步驟是學習基礎技能、從事項目工作（以加深你的技能、建立個人作品集和創造影響力），以及找到一份工作。這些步驟層層相疊：

這些階段適用於各種職業，但人工智慧涉及獨特的元素。例如：

學習基礎技能是一個貫穿職業生涯的過程：

人工智慧還處於起步階段，許多技術仍在不斷發展。雖然機器學習和深度學習的基礎正在成熟——而課程學習是掌握這些基礎的高效方式——但在這些基礎之外，在人工智慧領域，跟上不斷變化的技術比在更成熟領域更重要。

從事項目工作通常意味著與缺乏人工智慧專業知識的利益相關者合作：

這可能會讓尋找合適的項目、估計項目的完成時間以及投資回報並設定期望變得具有挑戰性。此外，AI項目的高度迭代性給項目管理帶來了特殊挑戰：當您不知道需要多長時間才能達到目標準確度時，您如何制定建構系統的計畫？即使系統達到了目標，也可能需要進一步的迭代來解決部署後的漂移問題。

對人工智慧技能和職位角色的看法不一致：

雖然在人工智慧領域找工作可能與其他領域找工作類似，但也有重要區別。許多公司仍在努力弄清楚他們需要那些人工智慧技能，以及如何僱傭擁有這些技能的人。你所從事的工作可能與面試官見過的任何東西都大不相同，你更有可能不得不讓潛在僱主瞭解你工作的某些方面。

在你經歷每個步驟時，你也應該建立一個支援性的社區。有朋友和盟友可以幫助你——以及你努力幫助的人——會使這條路更容易。無論你是剛剛起步還是已經走了很多年，這都是真的。

學習有前途的人工智慧職業的技術技能

在上一章中，我介紹了在人工智慧領域建立職業生涯的三個關鍵步驟：學習基礎技術技能，參與項目，以及找到一份工作，所有這些都是成為社區的一員所支援。在這一章中，我想更深入地探討第一步：學習基礎技能。

關於人工智慧的研究論文數量多到一個人一輩子都讀不完。因此，在學習時，優先選擇主題至關重要。我認為，對於機器學習技術職業來說，最重要的主題是：

基礎機器學習技能：例如，理解線性回歸、邏輯回歸、神經網路、決策樹、聚類和異常檢測等模型非常重要。除了特定模型之外，更重要的是理解機器學習如何以及為什麼工作的核心概念，例如偏差/方差、成本函數、正則化、最佳化演算法和誤差分析。

深度學習：深度學習在機器學習領域所佔的比重很大，如果不瞭解它，很難在該領域取得卓越的成就！瞭解神經網路的基本知識、使它們工作的實際技能（如超參數調整）、摺積網路、序列模型和變壓器是非常有價值的。

與機器學習相關的數學：關鍵領域包括線性代數（向量、矩陣以及它們的各種操作）以及機率和統計（包括離散機率和連續機率、標準機率分佈、獨立性和貝葉斯規則等基本規則以及假設檢驗）。此外，探索性資料分析（EDA）——使用可視化和其他方法系統地探索資料集——是一種被低估的技能。我發現 EDA 在以資料為中心的 AI 開發中特別有用，在那裡分析錯誤和獲得見解真的可以幫助推動進展！最後，對微積分的基本直觀的理解也將有所幫助。機器學習所需的數學一直在變化。例如，雖然一些任務需要微積分，但改進的自動微分軟體使得發明和實現新的神經網路架構而不進行任何微積分成為可能。這在十年前幾乎是不可能的。

軟體開發：雖然你只需要機器學習建模技能就可以找到一份工作並做出巨大貢獻，但如果你還能編寫好的軟體來實施複雜的人工智慧系統，那麼你的就業機會就會增加。這些技能包括程式設計基礎、資料結構（特別是與機器學習相關的資料幀）、演算法（包括與資料庫和資料操作相關的演算法）、軟體設計、熟悉 Python、熟悉 TensorFlow 或 PyTorch 等關鍵庫以及 scikit-learn。

有很多東西要學習！即使你掌握了這份清單上的所有內容，我也希望你能繼續學習，不斷深化你的技術知識。我認識很多機器學習工程師，他們在自然語言處理或電腦視覺等應用領域或機率圖模型或建構可擴展軟體系統等技術領域掌握了更深層次的技能，從中受益匪淺。

你如何獲得這些技能？網際網路上有大量優質內容，從理論上講，閱讀數十個網頁可能有效果。但是，如果目標是深入理解，那麼閱讀互不關聯的網頁效率低下，因為它們往往重複彼此的內容，使用不一致的術語（這會減慢你的閱讀速度），質量參差不齊，而且留有空白。這就是為什麼一個好的課程——將大量材料組織成連貫和合乎邏輯的形式——通常是掌握有意義的知識體的最佳方式。當你吸收了課程中提供的知識後，你可以轉向研究論文和其他資源。

最後，沒有人能在一個周末甚至一個月的時間裡掌握他們需要知道的一切。我認識的所有擅長機器學習的人都是終身學習者。鑑於我們的領域變化如此之快，如果你想跟上步伐，除了不斷學習，你幾乎別無選擇。

如何才能多年保持穩定的學習步伐？如果你能養成每周學習一點點的習慣，你就可以在不費吹灰之力的情況下取得重大進展。

我最喜歡的書之一是 BJ 福格寫的《微習慣：小改變，大改變》，福格解釋說，建立新習慣的最好方法是從小處著手並取得成功，而不是一開始就做太大，然後失敗。例如，他建議不要試圖每天鍛鍊 30 分鐘，而要立志做一個伏地挺身，並堅持下去。

對於那些想要花更多時間學習的人來說，這種方法可能有所幫助。如果你從每天觀看 10 秒的教育視訊開始，並堅持下去，那麼每天學習的習慣就會自然而然地養成。即使你在 10 秒內學不到任何東西，你也在建立每天學習一點的習慣。在某些日子裡，你可能會學習一個小時或更長時間。

你應該學習數學來獲得人工智慧的工作嗎？

要成為一名機器學習工程師，需要掌握多少數學數學是人工智慧的基礎技能嗎？瞭解更多的數學總是件好事！但是要學的東西太多了，所以現實地講，有必要分清輕重緩急。以下是你可能用來加強數學背景的方法。

為了弄清楚那些知識是重要的，我發現問自己需要知道什麼才能做出你想做的工作的決定是有用的。在 DeepLearning.AI，我們經常問，“一個人需要知道什麼才能實現他們的目標？”這個目標可能是建立一個機器學習模型，設計一個系統，或者通過工作面試。

瞭解你所使用的演算法背後的數學往往很有幫助，因為它能使你偵錯它們。但是，有用的知識深度是隨時間而變化的。隨著機器學習技術的成熟和變得更加可靠和交鑰匙，它們需要的偵錯越來越少，而對所涉及數學的較淺理解可能足以使它們工作。

例如，在機器學習的早期，用於解決線性方程組（用於線性回歸）的線性代數庫還不成熟。我必須瞭解這些庫的工作原理，以便我可以選擇不同的庫並避免數值舍入陷阱。但隨著數值線性代數庫的成熟，這變得不那麼重要了。

深度學習仍然是一項新興技術，因此，當您訓練神經網路和最佳化演算法難以收斂時，瞭解梯度下降、動量和亞當最佳化演算法背後的數學知識將幫助您做出更好的決策。同樣，如果您的神經網路做了一些奇怪的事情——例如，它在特定解析度的圖像上做出糟糕的預測，但在其他圖像上沒有——瞭解神經網路架構背後的數學知識將使您處於更有利的地位，以找出應該做什麼。

當然，我也鼓勵由好奇心驅動的學習。如果你對某事感興趣，那就去學習吧，不管它最終可能會有多有用！也許這會引發創造性的火花或技術突破。

成功 AI 項目的範圍

人工智慧架構師最重要的技能之一就是能夠識別出有價值的工作。接下來的幾章將討論如何尋找和處理項目，這樣你就可以獲得經驗並建立自己的作品集。

多年來，我將機器學習應用於製造業、醫療保健、氣候變化、農業、電子商務、廣告和其他行業，並從中獲得了樂趣。如果一個人不是這些行業的專家，那麼他如何在這些行業中找到有意義的項目呢？以下五個步驟將幫助您確定項目範圍。

步驟 1

確定業務問題（而不是人工智慧問題）。我喜歡找到一個領域專家並問：“你最希望那三件事情做得更好？為什麼它們還沒有起作用？”例如，如果你想將人工智慧應用於氣候變化，你可能會發現電網營運商無法精準預測風能和太陽能等間歇性能源未來可能產生的電力。

步驟 2

頭腦風暴 AI 解決方案。當我年輕的時候，我經常執行第一個讓我興奮的想法。有時這會奏效，但有時我會錯過一個可能不需要更多努力就能建構的更好的想法。一旦你理解了一個問題，你就可以更有效地頭腦風暴潛在的解決方案。例如，為了預測間歇性能源的發電量，我們可能會考慮使用衛星圖像更準確地繪製風力渦輪機的位置，使用衛星圖像來估計風力渦輪機的高度和發電能力，或者使用天氣資料來更好地預測雲層覆蓋和太陽輻照度。有時沒有好的 AI 解決方案，這也沒關係。

步驟 3

評估潛在解決方案的可行性和價值。你可以通過查看已發表的作品、競爭對手的所作所為，或者建構一個快速的概念驗證實施來確定一種方法是否在技術上可行。你可以通過諮詢領域專家（例如，電網營運商，他們可以就上述潛在解決方案的實用性提供建議）來確定其價值。

步驟 4

確定里程碑。一旦你認為一個項目具有足夠的價值，下一步就是確定要瞄準的指標。這既包括機器學習指標（例如精準性），也包括業務指標（例如收入）。機器學習團隊通常最熟悉學習演算法可以最佳化的指標。但我們可能需要跳出我們的舒適區，提出業務指標，例如與使用者參與度、收入等相關的那些指標。不幸的是，並不是每個業務問題都可以簡化為最佳化測試集精準性！如果你無法確定合理的里程碑，那可能說明你需要更多地瞭解這個問題。一個快速的概念驗證可以幫助提供缺失的視角。

步驟 5

預算資源。仔細考慮完成項目所需的一切，包括資料、人員、時間以及可能需要的其他團隊的支援和整合。例如，如果你需要資金購買衛星圖像，確保預算中包含這筆費用。

在項目上工作是一個迭代的過程。如果在任何一步中，你發現當前的方向不可行，請回到上一個步驟，並繼續按照你的新理解進行下去。有沒有一個領域讓你感到興奮，而人工智慧可以在其中發揮作用？我希望這些步驟將指導你通過項目工作來探索它——即使你還沒有在該領域擁有深厚的專業知識。人工智慧不會解決所有問題，但作為一個社區，讓我們尋找方法，儘可能地產生積極影響。

尋找與您的職業目標互補的項目

不言而喻，我們只應該從事對人類負責任、合乎道德和有益的項目。但這些限制留下了大量可供選擇的項目。在前一章中，我寫了如何識別和確定人工智慧項目的範圍。本章和下一章的重點略有不同：挑選和執行著眼於職業發展的項目。

成功的職業生涯將包括許多項目，希望隨著時間的推移，項目的範圍、複雜性和影響力都會增加。因此，從小處著手是可取的。利用早期的項目來學習，隨著技能的增長逐漸承擔更大的項目。

當你初出茅廬時，不要指望別人會把偉大的想法或資源拱手送給你。很多人都是從利用業餘時間做小項目開始的。當你取得初步的成功——即使只是小成功——時，你不斷增長的技能會提高你提出更好想法的能力，而且更容易說服別人幫助你承擔更大的項目。

如果你沒有任何項目想法怎麼辦？以下是幾個產生想法的方法：

• 加入現有項目。如果你發現其他人有一個想法，請加入他們的項目。
• 繼續閱讀和與人交談。每當我花很多時間閱讀、上課或與領域專家交談時，我都會有新的想法。我相信你也會。
• 關注一個應用領域。許多研究人員正試圖推進基礎人工智慧技術，比如發明下一代變壓器或進一步擴展語言模型，因此，雖然這是一個令人興奮的方向，但也非常困難。但是，機器學習尚未應用到的應用領域是多種多樣的！我很幸運能夠將神經網路應用於從自主直升機飛行到線上廣告的各個領域，部分原因是我跳進這些應用領域時，研究這些應用的人還相對較少。如果你的公司或學校關心某個特定應用，那就探索一下機器學習的可能性。這可以讓你先睹為快，瞭解一個具有潛在創造性的應用，一個你可以做別人沒做過的獨特工作的應用。
• 發展一個副業。即使你有全職工作，一個有趣的項目，可能會或可能不會發展成更大的東西，可以激發創造力，並加強與合作者的聯絡。當我還是一名全職教授時，從事線上教育不是我的“工作”（我的工作是研究和教授課程）的一部分。這是一個有趣的愛好，我經常出於對教育的熱情而從事這項工作。我在家錄製視訊的早期經歷，幫助我後來以更實質性的方式從事線上教育工作。矽谷充滿了初創企業的故事，這些企業最初是作為副業開始的。只要它不會與你的僱主產生衝突，這些項目可以成為有意義的事情的墊腳石。
• 給定幾個項目想法，你應該選擇那一個？以下是一個快速檢查清單，考慮的因素：
• 這個項目會幫助你提高技術水平嗎？理想情況下，它應該具有足夠的挑戰性，可以拓展你的技能，但又不會很難，讓你幾乎沒有成功的機會。這將讓你走上一條掌握越來越複雜的技術的道路。
• 你有好的隊友一起工作嗎？如果沒有，有沒有可以討論事情的人？我們從周圍的人身上學到了很多，好的合作夥伴會對你的成長產生巨大的影響。
• 它能成為一塊墊腳石嗎？如果項目成功，其技術複雜性和/或業務影響能否使其成為更大項目的有意義墊腳石？如果項目比您以前從事的項目更大，它很有可能成為這樣的墊腳石。
• 最後，避免分析癱瘓。花一個月時間決定是否從事一個一周可以完成的項目是沒有意義的。在你的職業生涯中，你會從事多個項目，所以你有大量機會來完善你對什麼是有價值的想法。鑑於人工智慧項目的巨大數量，與其採用傳統的“準備，瞄準，開火”的方法，你可以採用“準備，開火，瞄準”的方法來加速你的進步。
• 從事項目工作需要就建造什麼和如何建造做出艱難的選擇。以下是兩種截然不同的風格：
• 準備，瞄準，開火：仔細計畫並認真驗證。只有在對一個方向有高度信心時才做出承諾並執行。
• 準備、開火、瞄準：投入開發並開始執行。這可以讓你快速發現問題，並在必要時進行調整。

假設您為零售商建構了一個客戶服務聊天機器人，並認為它也有助於餐廳。您是否應該在開始開發之前花時間研究餐廳市場，慢慢來但降低浪費時間和資源的風險？或者立即開始，快速行動並接受轉型或失敗的風險？

這兩種方法都有各自的支持者，最佳選擇取決於具體情況。

“準備，瞄準，開火”在執行成本較高時往往更勝一籌，一項研究可以揭示一個項目可能有多有用或多寶貴。例如，如果你能想出幾個其他用例（餐廳、航空公司、電信公司等），並評估這些用例以確定最有前景的一個，那麼在確定方向之前花些時間可能是值得的。

“準備好，開火，瞄準”，如果你能以低成本執行，並確定方向是否可行，並找出使它奏效的微調，那麼它就會更好。例如，如果你能快速建構一個原型來確定使用者是否想要該產品，並且如果可以在少量工作後取消或轉向是可以接受的，那麼就有理由考慮快速進入。當開槍的成本很低時，也有理由開很多槍。在這種情況下，過程實際上是“準備好，開火，瞄準，開火，瞄準，開槍，瞄準，開槍”。

在就項目方向達成一致後，在建構產品中的機器學習模型時，我傾向於“準備好，開火，瞄準”。建構模型是一個迭代的過程。對於許多應用來說，訓練和進行錯誤分析的成本並不高。此外，很難進行一項研究，以闡明適當的模型、資料和超參數。因此，快速建構端到端系統並修改它，直到它工作良好是有道理的。

但是，當朝著某個方向前進意味著做出代價高昂的投資或進入一扇單向門（意味著一個很難逆轉的決定）時，提前花更多時間確保它真的是一個好主意往往是值得的。

建立能夠展示技能進步的項目組合

在職業生涯中，你可能連續從事多個項目，每個項目的範圍和複雜性都會增加。例如：

1. 班級項目：

The first few projects might be narrowly scoped homework assignments with predetermined right answers. These are often great learning experiences!

前幾個項目可能是範圍狹窄的家庭作業任務，有預定的正確答案。這些往往是很好的學習經歷！

2. 個人項目

你可能會繼續從事小規模的項目，無論是單獨還是與朋友合作。例如，你可以重新實現一個已知的演算法，將機器學習應用於業餘愛好（例如預測你最喜歡的運動隊是否會獲勝），或者在你的業餘時間建立一個小型但實用的系統（例如一個基於機器學習的指令碼，可以幫助同事自動化一些工作）。參加由 Kaggle 組織的競賽也是獲得經驗的一種方式。

3. 範圍和複雜性的增加

成功一個接一個，為更多的技術增長、更多的資源和越來越重要的項目機會打開了大門。

每個項目只是漫長旅程中的一步，希望這一步能產生積極的影響。此外：

不要擔心項目太小。我的第一個機器學習研究項目之一是訓練一個神經網路，看看它模仿 sin（x） 函數的效果如何。它不是很有用，但這是一個很好的學習經歷，讓我能夠繼續進行更大的項目。

溝通是關鍵。如果你想讓其他人看到你的工作的價值，並相信你可以投資更大的項目，你需要能夠解釋你的想法。為了啟動一個項目，溝通你希望建立的價值將有助於讓同事、導師和管理者加入進來，並幫助他們指出你推理中的缺陷。在你完成工作後，清楚地解釋你所完成的工作的能力將有助於說服其他人打開通向更大項目的大門。

領導力不只適用於管理者。當你開始參與需要團隊合作的大型人工智慧項目時，領導項目的能力就會變得更加重要，無論你是否處於正式的領導職位。我的很多朋友都成功地從事技術而非管理方面的職業，他們能夠通過運用深刻的技術洞見來幫助指導項目，例如，在何時投資於新的技術架構或收集更多某種類型的資料，這讓他們成長為領導者，並顯著改善了項目。

建立一個項目組合，特別是一個隨著時間的推移從簡單到複雜的項目組合，在找工作時將大有幫助。

啟動人工智慧工作搜尋的簡單框架

找工作有幾個可預測的步驟，包括選擇你想申請的公司，準備面試，最後選擇一個職位並協商薪資和福利。在這一章中，我想重點介紹一個對許多 AI 求職者有用的框架，特別是那些從其他領域進入 AI 領域的求職者。

如果你在考慮你的下一份工作，問問自己: 你在轉換角色嗎？例如，如果你是一名軟體工程師、大學生或物理學家，你想成為一名機器學習工程師，這就是角色轉換。你在轉換行業嗎？例如，如果你在一家醫療保健公司、金融服務公司或政府機構工作，你想為一家軟體公司工作，這就是行業轉換。

一家科技初創公司的產品經理在同一家公司（或另一家公司）成為資料科學家，這是角色轉換。一家製造公司的行銷人員在科技公司成為行銷人員，這是行業轉換。一家金融服務公司的分析師在科技公司成為機器學習工程師，這是角色和行業雙轉換。

如果你想找你的第一份人工智慧工作，你可能發現轉換角色或行業比同時轉換兩者更容易。假設你是一名在金融服務業工作的分析師：

如果你在金融服務領域找到一份資料科學或機器學習工作，你可以在獲得 AI 知識和專業技能的同時繼續使用你的特定領域知識。在這個職位上工作一段時間後，你就可以更好地轉到一家科技公司（如果這是你的目標）。

或者，如果你成為科技公司的一名分析師，你可以繼續使用你的分析技能，但將其應用於不同的行業。成為科技公司的一員也使你更容易從同事那裡瞭解人工智慧的實際挑戰、在人工智慧領域取得成功的關鍵技能等等。

如果你想轉換角色，那麼創業公司可能比大公司更容易實現。雖然也有例外，但創業公司通常沒有足夠的人手來完成所有想要的工作。如果你能幫助完成人工智慧任務，即使這不是你正式的工作，你的工作也很可能會受到賞識。這為在不離開公司的情況下進行可能的角色轉換奠定了基礎。相比之下，在大公司，僵化的獎勵制度更有可能獎勵你做好本職工作（以及你的經理支援你做你應聘的工作），但不太可能獎勵你工作範圍外的貢獻。

在你期望的職位和行業工作一段時間後（例如，在一家科技公司擔任機器學習工程師），你對那個行業更高等級職位的要求就會有很好的瞭解。你還會在這個行業內建立關係網，幫助你發展。因此，未來的求職——如果你選擇堅持這個職位和行業——可能會更容易。

在換工作時，你是在向未知邁出一步，尤其是如果你要轉換角色或行業時。為了更熟悉新的角色和/或行業，最未被充分利用的工具之一是資訊面試。我將在下一章分享更多資訊。

我非常感謝 FourthBrain （DeepLearning.AI 旗下公司）的首席執行官薩爾瓦·努爾·穆罕默德為本章提供的一些想法。

關於未來，我們有很多不知道的事情：我們什麼時候能治癒阿爾茨海默氏症？誰會贏得下一次選舉？或者，在商業背景下，我們明年會有多少客戶？

隨著世界發生如此多的變化，許多人對未來感到壓力，尤其是在找工作的時候。我有一個習慣可以幫助我重新獲得一種控制感。面對不確定性，我試著：

• 列出一些可能發生的情況，並承認我不知道那一種情況會發生。
• 為每種情況制定行動計畫。
• 隨著未來的到來，定期回顧情景和計畫。
• 開始執行看起來合理的行動。

例如，在2020年3月的COVID-19大流行期間，我做了這種情景規劃練習。我設想了快速（三個月）、中速（一年）和慢速（兩年）的COVID-19恢復情況，並制定了管理每種情況的計畫。這些計畫幫助我優先考慮我可以做的事情。

同樣的方法也可以應用於個人生活。如果你不確定自己能否通過考試、獲得工作機會或獲得簽證——所有這些都可能會讓人倍感壓力——你可以寫出在每種可能的情況下你會怎麼做。思考各種可能性並堅持執行計畫可以幫助你有效地應對未來，無論它會帶來什麼。

額外收穫：通過學習人工智慧和統計學，你可以計算出每種情況的機率。我非常喜歡“超級預測”的方法，這種方法將許多專家的判斷綜合成機率估計。

使用資訊面試找到合適的工作

如果您準備轉換角色（例如，第一次擔任機器學習工程師）或行業（例如，第一次在人工智慧科技公司工作），那麼您可能對目標工作有很多不瞭解的地方。資訊面試是一種很好的學習方法。

資訊面試包括找到你想要瞭解的公司或角色中的某個人，並非正式地就他們的工作進行面試。這些對話與找工作是分開的。事實上，在你準備開始找工作之前，面試那些職位與你興趣相符的人會很有幫助。

資訊性面試與人工智慧的關係尤為密切，因為該領域正在不斷發展，許多公司使用工作頭銜的方式不一致。在一家公司，資料科學家可能主要被期望分析業務資料並在幻燈片上呈現結論。在另一家公司，他們可能會編寫和維護生產程式碼。資訊性面試可以幫助您弄清楚特定公司的人工智慧人員實際上在做什麼。

隨著人工智慧領域機會的迅速增加，許多人將第一次從事人工智慧工作。在這種情況下，一次資訊面試對於瞭解實際情況以及從事這項工作需要那些技能是非常有價值的。例如，你可以瞭解一家公司使用那些演算法、部署流程和軟體棧。如果你不熟悉以資料為中心的人工智慧運動，你可能驚訝地發現，大多數機器學習工程師要花費大量時間迭代清理資料集。

通過提前研究面試者和公司，為資訊面試做好準備，這樣你就可以提出有針對性的問題。你可能會問：

你通常一周或一天的工作是什麼？這個職位最重要的任務是什麼？成功最重要的技能是什麼？你的團隊如何共同努力實現目標？招聘流程是什麼？考慮到過去脫穎而出的候選人，是什麼讓他們脫穎而出？

找到願意接受採訪的人並不總是一件容易的事，但如今身居要職的很多人在剛入這一行時都曾得到過前輩的幫助，他們中的很多人也希望回報他人。如果你能聯絡到已經在你的社交圈中的人——比如在你之前轉行的朋友，或者和你上過同一所學校的人——那就太棒了！Pie & AI這樣的聚會也能幫助你建立社交圈。

最後，要禮貌和專業，感謝你面試的人。當你有機會時，也請把它傳遞下去，幫助在你之後的人。如果你收到來自 DeepLearning.AI 社區某人的非正式面試請求，我希望你能靠近他們，幫助他們更上一層樓！如果你想瞭解更多關於非正式面試的資訊，我推薦加州大學伯克利分校職業中心的這篇文章。

我多次提到過你的人脈和社區的重要性。你遇到的人，除了提供有價值的資訊外，還可以通過把你介紹給潛在僱主來發揮不可估量的作用。

找到適合你的AI工作

在本章中，我想討論一些找工作的細節。

典型的求職過程遵循一條相當可預測的路徑。

通過線上搜尋或與朋友交談，瞭解研究角色和公司。如果願意，可以安排非正式的資訊面試，與對你感興趣的公司的人交談。要麼直接申請，要麼（如果可以的話）從內部人士那裡獲得推薦。接受邀請公司的面試。收到一個或多個工作邀請，並選擇一個。或者，如果你沒有收到工作邀請，請向面試官、人力資源人員、線上討論板或任何能幫助你規劃下一步行動的人尋求反饋。

雖然這個過程可能很熟悉，但每一次求職都是不同的。以下是一些提示，可以增加你找到一個支援你蓬勃發展的職業生涯並使你不斷成長的機會。

注意基本要素。一份引人注目的簡歷、一系列技術項目以及出色的面試表現將為你打開大門。即使你獲得了公司某人的推薦，簡歷和作品集仍是你與許多尚不認識你的人建立聯絡的第一步。更新你的簡歷，並確保它清晰地呈現了你與目標職位相關的教育和工作經歷。針對每一家公司，調整你的溝通方式，解釋你為何是合適人選。面試前，詢問招聘人員對你的期望。花時間回顧並練習回答常見面試問題，複習關鍵技能，學習技術材料，確保它們在你腦中鮮活起來。之後，做筆記來幫助你記住說過的話。

要尊重和負責任。帶著雙贏的心態去面試和談判。在社交媒體上，憤怒比理性傳播得更快，所以一個關於僱主付薪過低的故事會被放大，而一個關於僱主公平對待員工的故事則不會。絕大多數僱主都是道德和公平的，所以不要讓一小部分受虐待的員工的故事左右你的做法。如果你要離開一份工作，請優雅地退出。給你的僱主充足的時間，在最後的工作時間裡全力以赴，盡你所能完成未完成的工作，以一種尊重你所承擔的責任的方式離開。

選擇與誰共事。由於你要參與的項目，你很容易選擇一個職位。但是，與你共事的團隊成員至少同等重要。我們周圍的人會影響我們，因此你的同事將產生重大影響。例如，如果你的朋友吸菸，那麼你也吸菸的可能性就會增加。我不知道有那項研究顯示了這一點，但我確信，如果你的大多數同事努力工作，不斷學習，並建立造福所有人的人工智慧，那麼你很可能也會這樣做。（順便說一句，一些大公司不會告訴你你的團隊成員是誰，直到你接受了工作邀請。在這種情況下，你要堅持不懈地努力，確定並與潛在團隊成員交談。嚴格的政策可能會讓你無法適應，但在我看來，這增加了接受工作邀請的風險，因為它增加了你最終與不適合你的經理或團隊成員共事的機率。）從你的社區獲得幫助。在我們的職業生涯中，大多數人只進行過少數幾次求職，因此我們很少有機會好好練習。然而，總體而言，你周圍的人可能有很多經驗。不要羞於向他們求助。朋友和同事可以提供建議，分享內部知識，並把你介紹給其他人，他們可能會有所幫助。當我申請第一個教職職位時，我得到了很多支援我的朋友和導師的幫助，他們給我的很多建議都非常有用。

我知道找工作的過程可能會讓人望而卻步。與其將其視為一次巨大的飛躍，不如考慮循序漸進的方式。首先確定可能的角色，並進行少量資訊面試。如果這些談話告訴你，在你準備好申請之前，還有更多的學習要做，那就太好了！至少你有一個清晰的前進道路。任何旅程中最重要的是邁出第一步，而這一步可以很小。

在人工智慧領域建立事業的關鍵

在人工智慧領域取得職業成功的道路比我在一本簡短的電子書中所能涵蓋的內容要複雜得多。

希望前面的章節能給你前進的動力。

在規劃成功之路時，請考慮以下幾點：

1.團隊合作：

當我們處理大型項目時，通過團隊工作比單獨工作更成功。與他人合作、影響和被他人影響的能力至關重要。因此，人際交往和溝通技巧真的很重要。（順便說一句，我以前是個很差的溝通者。）

2. 網路：

我討厭社交！作為一個內向的人，不得不去參加聚會，強顏歡笑，儘可能多地與人握手，這是一件可怕的事情。我寧願呆在家裡看書。儘管如此，我很幸運地在人工智慧領域找到了許多真正的朋友；我願意為他們挺身而出，他們也值得我信賴。沒有人是一座孤島，當你需要幫助或建議時，擁有一個強大的職業網路可以幫助你前進。除了社交，我發現考慮建立一個社區更有幫助。因此，與其試圖建立我的個人網路，我轉而專注於建立我所參與的社區。這附帶的好處是幫助我認識更多的人，並結交朋友。

3. 找工作

在建立職業生涯的所有步驟中，這一步往往最受關注。不幸的是，網際網路上有很多關於這一步的壞建議。（例如，許多文章敦促對潛在僱主採取對抗態度，我認為這沒有幫助。）雖然找工作似乎是最終目標，但這只是職業生涯漫長旅程中的一小步。

4. 個人紀律

很少有人會知道你周末是學習還是看電視，但他們會注意到隨著時間的推移而產生的變化。許多成功人士在飲食、鍛鍊、睡眠、人際關係、工作、學習和自我保健方面都養成了良好的習慣。這些習慣幫助他們前進，同時保持健康。

5.利他主義

我發現，那些在個人旅程的每一步都立志幫助他人的人，往往能為自己取得更好的結果。我們如何在為自己創造激動人心的職業生涯的同時幫助他人？

克服冒名頂替綜合症

在我們深入探討這本書的最後一章之前，我想談談一個嚴肅的問題，即新進入人工智慧領域的人有時會經歷冒名頂替綜合徵，即無論他們在該領域取得多大成功，都會懷疑自己是否是個騙子，是否真的屬於人工智慧社區。我想確保這不會阻止你或其他任何人在人工智慧領域成長。

讓我說清楚：如果你想成為人工智慧社區的一員，那麼我張開雙臂歡迎你。如果你想加入我們，你完全屬於我們！

據估計，70%的人在某個時候會經歷某種形式的冒名綜合徵。許多有才華的人公開談論過這種經歷，包括Facebook前首席營運官謝麗爾·桑德伯格、美國第一夫人米歇爾·歐巴馬、演員湯姆·漢克斯和Atlassian聯席首席執行官邁克·卡農-布魯克斯。即使在我們的社區中，甚至在有成就的人中間，這種情況也會發生。如果你自己從未經歷過這種情況，那太好了！我希望你能加入我的行列，鼓勵並歡迎所有想加入我們社區的人。

人工智慧在技術上很複雜，它擁有相當數量聰明且能力超群的人才。但人們很容易忘記，要想精通任何事情，第一步都是要先不擅長它。如果你已經成功做到了不擅長人工智慧——恭喜你，你走上了正軌！

我曾經很難理解線性回歸背後的數學原理。當邏輯回歸在我的資料上表現異常時，我感到很困惑，我花了好幾天時間才找到我實現的基本神經網路中的一個錯誤。今天，我仍然發現許多研究論文很難閱讀，我最近在調整神經網路超參數時犯了一個明顯的錯誤（幸運的是，一位工程師發現了這個問題並糾正了它）。

所以，如果你也覺得人工智慧有挑戰性，沒關係。我們都經歷過。我敢保證，每個發表過有影響力的人工智慧論文的人，都在某個時候為類似的技術挑戰而苦苦掙扎過。

以下是一些有幫助的事情。

你有支援你的導師或同行嗎？如果沒有，那就參加Pie & AI或其他活動，使用討論板，努力找到一些。如果你的導師或經理不支援你的成長，那就找一些支援你的人。我也在努力如何建立一個支援性的AI社區，希望讓每個人都能更容易地找到並給予支援。

沒有人是樣樣精通的專家。認識到自己擅長什麼。如果你擅長的是向朋友解釋《十滴水》中的十篇文章中的其中一篇，那麼你已經成功了！讓我們努力讓你理解其中的二十篇文章。

我三歲的女兒（連數到 12 都費勁）經常試圖教我一歲的兒子東西。無論你的水平有多高——如果你至少像三歲孩子一樣見多識廣——你都可以鼓勵和提升你身後的人。這樣做也會對你有所幫助，因為你身後的人會認可你的專業知識，並鼓勵你繼續發展。當你邀請他人加入人工智慧社區時（我希望你能這麼做），也會減少對你已經是社區一員的疑慮。

人工智慧是我們世界的重要組成部分，我希望每個想成為其中一員的人都能感到賓至如歸，成為我們社區的一員。讓我們共同努力，實現這一目標。

最後的想法

讓每一天都有意義。每年我的生日，我都會思考過去的日子和可能到來的日子。

也許你擅長數學；我相信你能通過快速計算回答以下問題。但讓我問你一個問題，請憑直覺回答，不要計算。

典型的人類壽命是幾天？

2萬天？10萬天？100萬天？500萬天？

當我問朋友時，很多人選擇了一個數十萬計的數字。（其他很多人忍不住要算出答案，這讓我很惱火！）當我還是個研究生的時候，我記得把我的統計資料輸入一個死亡計算器，算出我的預期壽命。計算器說我可以活 27,649 天。這個數字讓我震驚。我用大號字型列印出來，貼在我的辦公室牆上，作為每天的提醒。

這是我們與所愛之人共度時光、學習、為未來打拚、幫助他人的全部時間。無論你今天在做什麼，是否值得你生命的1/30000？ (騰訊研究院)