某首席AI官告诉你:如何2~3年实现薪资翻倍

某首席AI官告诉你:如何2~3年实现薪资翻倍

起这个标题,有点标题党的嫌疑。但这次邀请到的的确是某公司首席人工智能官,平时他在群里也比较活跃,今天也整理了一些他是如何实现几年做到首席AI官,实现薪资翻了好几倍的。

王大牛最早的时候北邮毕业出来做了几年数据分析,那时候都是比较简单重复的工作,因为在国字背景的公司,待遇各方面也不算太高。后面的经历就是我要说的,王大牛一路开挂,短时间从2~3年就从普通数据分析师成长为算法专家、首席AI官。

这次主要整理了下王大牛这几年的经验和分享。

成为首席AI官,薪资快速翻倍的四个关键因素:

  • 编程基础:例如 R 语言和 Python 语言,这两种语言是数据从业者最常使用的数据建模、数据清理和数据管理语言。
  • 机器学习核心算法:例如回归、朴素贝叶斯、支持向量机 SVM(Support Vector Machine)、随机森林、深度学习等,大部分面试官都希望面试者们能了解这些最基本的机器学习算法。
  • 非技术方面能力:对于数据专家而言,除了必要的编程写代码的能力外,还需要会沟通、数据直觉和团队管理能力。如何将一个人的能力发展成为一个牛逼团队的能力,甚至是一家牛逼的公司。
  • 能讲述一个激动人心的故事:这将有助于你说服别人,业务方或者客户来最终采纳你的意见。

下面围绕这几点展开阐述。

01 编程语言

与精通一门或者一系列编程语言相比,首席AI官应该更关注编程的灵活性。即他们需要具备迁移学习的能力,将一种语言的编程技巧轻松迁移到当前项目需要的语言中,目标是找到解决问题的最佳方案。遇到某个技术问题时,如何通过技术的手段来解决问题,设计合理的数据架构。

为此,对新手来说最好的办法是先学习一些应用广泛的基础性语言。例如专注于统计计算的 R 语言,以及更具通用性的 Python 语言。特别是像现在python的应用范围很广,pandas/numpy/sklearn等库必须非常清晰,一旦你熟悉了这两种语言,那么学习其他新语言就会容易得多,因为它们之间一定存在一些通用的特性和语法细节。

除非python编程语言之外,也要精通统计学习方面的理论和方法。

统计和计算机科学前几十年互相平行着,互相造出了对方造出的一系列工具,算法。但是直到最近人们开始注意到,计算机科学家所谓的机器学习其实就是统计里面的 prediction 而已。因此这两个学科又开始重新融合。

为什么统计学习很重要?

因为,纯粹的机器学习讲究算法预测能力和实现,但是统计一直就强调“可解释性”。比如说,针对今天微博股票发行就上升 20%,你把你的两个预测股票上涨还是下跌的 model 套在新浪的例子上,然后给你的上司看。

Model-1 有 99%的预测能力,也就是 99%的情况下它预测对,但是 Model-2 有 95%,不过它有例外的一个附加属性——可以告诉你为什么这个股票上涨或者下跌。试问,你的上司会先哪个?问问你自己会选哪个?

显然是后者。因为前者虽然有很强的预测力(机器学习),但是没有解释能力(统计解释)。

而作为一个首席AI官,80%的时间你是需要跟客户,团队或者上司解释为什么 A 可行 B 不可行。如果你告诉他们,“我现在的神经网络就是能有那么好的预测力可是我根本就没法解释上来”,那么,没有人会愿意相信你。

总之,作为一名首席AI官,编程语言只是一种工具,你并不需要成为编程领域的专家。但你必须熟悉它们,以便于利用这些工具解决一些现实的数据研究问题。另外还要懂的通过统计学的语言来解决问题,推动整个公司的业务。

02 机器学习算法

这里首先需要强调的是,在机器学习算法中我们仍然应该专注于基础知识,避免盲目追求最新技术。

这是因为没有了基础的支持,最新的技术成果也将变得毫无意义。一个数据科学家应该关注于技术核心,例如评估机器学习分类算法的优劣,了解客户更关心哪些分类错误等。毕竟,真实成本分析比准确率更有价值。

同样,懂得各种机器学习算法之间的差异,能够为模型选择最恰当的参数也非常重要。一般基础的机器学习分类器包括逻辑和线性回归、朴素贝叶斯、随机森林和 K 均值聚类等。这里需要强调的是:机器学习是一个不断发展变化的学科,不要试图一蹴而就。也就是说,作为数据科学初学者,你不应该把太多的精力放在机器学习和人工智能上,而应该多考虑一些非技术的要素。

03 非技术性要素

认为技术要素是促成最终成功的最大驱动力,是一个非常常见的错误,对于首席AI官而言,我认为沟通技巧和解决问题的能力也许更加重要。因为这些能力将有助于你取得诸多具有影响力的成果:包括增加公司收入、创新产品甚至改变整个行业的走向。最终你将从一名普通的 SQL 程序猿成长为一个值得信赖的商业伙伴。下面列出我认为最重要的三点非技术要素。

1、我认为最关键的一个非技术要素就是“数据直觉”(data intuition),即结合领域内的专业知识和商业敏感性,提出最深刻的见解,并能够快速决策的能力。数据直觉可以让从业者以多种不同的方式理解数据,找出数据中的异常值,以及最不容易发觉的变化趋势。

通常情况下我都会把处理数据问题视为一个柠檬,即随着时间的推移,通过不断努力,我究竟能从这颗柠檬里榨出多少有价值的果汁。而这也是数据直觉的含义:为了找到最优的解决方案,你已经尝试了所有可能的方法,从数据中发掘了所有有价值的信息。

当然,培养自己的数据直觉需要时间,也需要实践的积累。实际上,一个最有效的培养方法就是参与一些与自己的工作和生活息息相关的项目,例如买房子、或者买一辆新的山地自行车。另一个方法是处理与自己的爱好相关的数据。这种方法的优势是:你对自己喜欢的行业已经有了一定的前期了解,另外你对该问题的结论也具有天然的热情。最终,在这些项目中总结和积累的“直觉”将被应用于其他的数据分析场景。

2、我认为第二点非常关键的非技术因素是解决问题的能力,也就是将客户的需求转化为具体的问题,并将其分解成一系列可以切实执行的解决方案的能力。以下是我在这方面的一些经验总结,仅供参考:

深刻认识问题的内容和意义,只有充分认识了问题,才能解决问题;
找到可用数据,如果数据的格式有问题,找出解决办法;
分析数据,并发掘其中决定性的变化趋势,找到最能说明问题的变量或特征;
研究哪种分析算法和模型最高效,并预测、解释结果;
将你的分析结果分享给利益相关者,并向他们征求意见。

3、还有非技术要素:认识到你的工作不仅仅是数据分析,它也包括向非技术人员提供大数据意见指导。因为大多数普通用户并不会谈论数据,他们只关心营收、销售、推广和产品。将专业技术转化为业务支持,同时如何带领整个数据团队解决核心的技术问题,推动整个公司的业务发展,这才是作为首席AI官的工作核心。

4、最后一个比较好的习惯就是读读读!看别人分享的技术,读别人写的paper,有助于你在自己熟知的其他领域有新的认知,拓宽自己的见解,结交到更厉害的牛人。

总结下上面说到的几点,除了需要扎实的编程能力和理论基础之外,一些非技术的要素也是非常重要的,决定你能不能在职场有质的提升的关键。

—END—

加入知识星球1v1提问解答(BAT众多大牛交流 解答)

编辑于 2019-03-06

文章被以下专栏收录