如何在生成式人工智能时代脱颖而出并保障您的工作

在人工智能职业生涯中脱颖而出的秘诀。



图片由作者提供
一些剧本、路线图和职业轨迹吹嘘可以帮助您在 AI 领域找到第一份工作或过渡到该领域。然而，随着人工智能的进步而来的自动化也使许多工作面临风险。
那么，您如何在人工智能领域发展事业，尤其是在当今的生成时代？
首先，需要注意的是，仍然需要人工智能的基础知识来了解算法的工作原理，算法的假设是什么，如果预期行为偏离实际行为，如何调试它们，样本与总体之间的区别，收集样本的必要性是什么以及收集样本的不同方法， 进行假设检验等。
是时候采取行动了

太好了，所以有了对人工智能基础知识及其重要性的理解，即使在 GenAI 时代，让我们快速介绍一下学习 AI 的路线图。
从学习算法的基本支柱开始，即线性代数、微积分、统计和概率，您将具备理解概念的能力，例如导数的内容、原因和方式、它们在哪里使用，以及什么是向前和向后传递。它还将巩固您对数据分布和概率分布（如高斯、泊松等）的理解。
其中大部分知识都是免费提供的;推荐的首选资源包括：

• 3 棕色 1 蓝色YouTube频道
  
• 可汗统计与概率学院
  

图片由作者提供
现在，我们已准备好学习机器学习概念，这些概念将涵盖关键算法，包括线性回归、逻辑回归、决策树、聚类等。
在我们继续之前，重要的是要注意，由于教育的民主化，在当今时代学习人工智能变得更加容易。例如，本路线图中的所有建议读数都是免费提供的。
除了培养算法背后的直觉外，学习成本函数、正则化、优化算法和错误分析等概念也很重要。
这时，让我们也开始掌握软件编程。学习编码和实施解决方案使您能够无缝地动手操作。关于 Python 的 4 小时视频课程（如路线图图像所示）涵盖了帮助您从头开始的基础知识。现在，我们准备学习深度学习的诀窍，重点关注基本概念，包括层、节点、激活函数、反向传播、超参数调整等。
太好了，学到了足够多的东西，我们已经到了最后阶段，我通常称之为游乐场。这是你把你所有的知识都用到的地方。一个很好的方法是练习和参加 Kaggle 比赛。人们还可以找到成功的解决方案并开发一种方法来处理各种业务问题。
AI 工作流程

这是学习 AI 的典型途径，同时人们可以内化从数据探索开始的 AI 工作流程，即剖析数据以了解背后的模式。正是在这个阶段，数据科学家开始了解数据转换，以便为建模目的做好准备。



图片由作者提供
特征选择和工程设计是杰出数据科学家最强大的技能。如果操作得当，此步骤可以加速模型的学习过程。
现在是每个数据科学家都期待的时候，即构建模型并选择性能最佳的模型。“最佳表现”的定义是通过评估指标完成的，评估指标分为两种类型——精确度、召回率和均方误差等科学指标，另一种包括点击次数增加、转化次数或美元价值影响等业务指标。
在阅读文章时达到这个阶段看起来是一个简单的过程，但实际上，这是一个广泛的过程。
微分

到目前为止，我们已经讨论了传统路径，了解了每个人在做什么。但是，在GenAI时代，与众不同的差异化因素在哪里？
学习者的一个普遍观念是继续消费学习内容。虽然学习基础知识很重要，但开始练习和实验以建立对所学概念的直观理解也同样重要。
此外，构建 AI 解决方案的关键组成部分是了解 AI 是否合适，其中包括将业务问题映射到正确的技术解决方案的能力。如果开始步骤本身做错了，那么就不能指望实施的解决方案以有意义的方式满足业务目标。



图片由作者提供
此外，数据科学更多地被视为一种技术角色，但实际上，它的成功商数很大程度上取决于经常被低估的技能，即与利益相关者合作。确保将来自不同背景和专业知识的利益相关者纳入其中发挥着关键作用。
即使该模型显示出良好的结果，由于缺乏清晰度和将这些结果与业务结果联系起来的能力，该模型仍然可能无法被采用。这种差距可以通过有效的沟通技巧来解决。
最后，在 AI 方法中以数据为先。任何人工智能模型的成功都取决于数据。此外，找到相信 AI 功能和可能性的 AI 拥护者，同时了解相关风险。
有了这些技能，我祝愿你在人工智能领域有一个辉煌的职业生涯。
Vidhi Chugh 是一位人工智能战略家和数字化转型领导者，致力于产品、科学和工程的交叉领域，以构建可扩展的机器学习系统。她是一位屡获殊荣的创新领袖、作家和国际演讲者。她的使命是使机器学习民主化，并打破行话，让每个人都成为这一转型的一部分。


原文标题：How to Standout and Safeguard Your Job in the Generative AI Era
原文链接：https://www.kdnuggets.com/how-to-standout-and-safeguard-your-job-in-the-generative-ai-era
作者：Vidhi Chugh
编译：LCR