作為 AI 從業(yè)者，筆者經(jīng)常被問及關于入行或轉行 AI的問題，其中頗有一些高頻重復出現(xiàn)，今天總結出來幾個，供大家參考。

問題1：年齡偏大了，而且之前也不是計算機相關專業(yè)的，怎么才能轉行做 AI？

這個問題經(jīng)常被問到。有不少朋友，工作了幾年之后，想轉向 AI 技術崗位。但感覺自己年紀比較大了，或者有生活壓力，考全日制的研究生不太現(xiàn)實。

偏偏大多數(shù)公司招 AI 工程師的時候，要求應聘者有相關專業(yè)碩士學位等學術背書。作為轉行者，應該怎樣提高專業(yè)背景？

針對這種情況，筆者的建議是：從自己原來的專業(yè)領域入手。

比如，一位原本制造業(yè)的自動化工程師，肯定對各種工業(yè)生產(chǎn)設備比較熟悉，了解各種各樣的電機、傳感器，知道這些設備輸出信號的物理含義。

那么，當工業(yè)領域運用機器學習方法時，自動化工程師在特征工程方面就具備了相當?shù)膬?yōu)勢，這些領域知識，不是純粹搞機器學習的人能比的。

至少在現(xiàn)階段，機器學習、深度學習的實際落地都以數(shù)據(jù)為主——能夠把實際問題轉化成數(shù)值拿去運算，比把運算本身（算法）做得精巧要來的重要。

因此，轉行的人員如果能夠充分利用之前的專業(yè)背景，而不是拋棄它，以前的專業(yè)就會成為加分項。以此為突破轉向 AI，反而可能比去讀一個學位更容易。

另外，現(xiàn)在許多行業(yè)都在嘗試 AI+，把 AI 技術應用于傳統(tǒng)業(yè)務。這種大背景之下，如果想轉向 AI 崗位，不妨先在自己本行業(yè)內(nèi)尋找機會。

也許自己現(xiàn)在的單位就在做或者準備做 AI+的項目，那么可以先爭取加入進去。畢竟，在單位內(nèi)部謀求一份新的工作內(nèi)容，一般都比跳槽容易。

很多企業(yè)在嘗試 AI 轉型時，會聘用一些有 AI 背景的咨詢?nèi)藛T，為他們做規(guī)劃和解決方案。

外聘人員有機器學習方面的知識和技能，但是他們對業(yè)務領域不熟悉，需要本行業(yè)的人協(xié)助——在這個時候看看能不能成為他們的協(xié)助者，通過和專業(yè)人員合作來學習 AI 在實際領域的應用。

假設能夠有這種經(jīng)歷，或者至少對自己行業(yè)的數(shù)據(jù)有足夠深入的了解，對于業(yè)務應用有思考和嘗試，就擁有了XX行業(yè) AI 實踐經(jīng)驗。而不必非要通過讀書或者打比賽來提升背景。

問題2：我想入職人工智能行業(yè)，但發(fā)現(xiàn)要學的東西太多了，而且都那么難。是不是先多學兩年，然后再去找工作？

這個問題也是蠻典型的。

客觀的來講，一個人去報考一個人工智能相關專業(yè)的研究生，或者自己在家安安心心的學兩三年，之后再去求職，是不是的真的競爭能力就會提高？

雖然學術背景確實是加分項，但是筆者并不推薦“等兩年再入職”這種做法。

首先，當一個人有這個想法的時候，其實是畏難情緒的體現(xiàn)。說白了“等兩年”是一種逃避，而非計劃。

現(xiàn)在不動手，往往并不是真的去學習了，而是從此就放棄了。

另外，就算有些人沒有放棄，真的是去埋頭學了，也不要忘了，任何行業(yè)的高速上升都是有窗口期的。

目前，人工智能正處在這樣的一個窗口期。因為需求遠大于供給，因此給大量沒有學術背景的人提供了入行機會。

然而，這樣的窗口稍縱即逝。很可能短則一兩年，長則也不過三四年后就會關閉。等到那個時候，想入職AI，就不是光自學就可以，而是真的必須要有畢業(yè)證了。

想入行而不去搶時間點，趁著風口期趕緊進去，反而說要在那里等，那么大概率的結果是將機會錯過。

問題3：這是一個和問題 2 類似的問題——我想成為機器學習工程師，但是感覺難度太大。那我是不是先去嘗試一下門檻更低的職位，比如做數(shù)據(jù)標注？數(shù)據(jù)標注工作做得好，是不是也可以“升級”成算法工程師？

應該說，在行業(yè)內(nèi)部逆難度而上逐步達到職位升級的概率不是零，但是實際上可能性很小的。

對一個個人而言，以“做數(shù)據(jù)”的崗位入行，就已經(jīng)給自己打上了一個標簽，而別人也會以此來對 TA 進行歸類。

難度不同的崗位，原本門檻不同，人們自然會為它們劃定界限。要從做數(shù)據(jù)的崗位晉升到做工程，就要沖破一層天花板。

現(xiàn)實當中，真的能夠沖破天花板的人極少。更何況這種原本已經(jīng)很小的可能性，還受制于行業(yè)大勢的。

當行業(yè)的崗位缺口開得很大的時候，進去相對還容易一點。

如果是在幾年前，一個人從做數(shù)據(jù)標注工作入行，能接觸到很多算法專家、機器學習工程師，一邊借著做項目的過程拼命學習，一邊等待機會——像機器學習工程師這類崗位，在一個時期內(nèi)會非常急需人才——一旦遇到做工程的崗位空缺，就趕緊沖上去。

老板了解這是一個靠譜的人，愿意學習，有學習能力，又做過數(shù)據(jù)方面的工作，也許確實會給TA一個進階的機會。但隨著時間的推移，越往后，行業(yè)缺口越小，這種職位躍遷的可能性也就隨之加倍縮小。

所以，筆者建議：想做機器學習工程師，就應該以此為目標努力學習，不要猶豫，不要等待，更不要逃避，從現(xiàn)在開始趕緊去學！

問題4：很多同學都會說：”我想從事XXX領域的工作（這里的領域多種多樣，比如：股票預測，用 AI 治療疑難雜癥，計算機視覺，語音識別，強化學習等等），需要學習哪些知識？筆試面試怎么準備？”

大家首先要區(qū)分開研究和工程實踐這兩件事。

如果你是想去做研究——在高校、科研院所，或者大公司的研究院里做算法科學家，那么可以把重點放在某一項具體的技術上面，比如強化學習。

假設你就是想研究強化學習，那你可以去大學、研究所，還有一些這方面走在比較前沿的公司，諸如 Facebook，DeepMind 等等，到那里去求職，做算法研究。當然，一般走到這一步都至少要有個博士學位才行。

但是如果你想做的是工程，準備求職的是工程類技術崗位，就不是用某一種技術來做區(qū)分的了。

在工業(yè)界，領域的區(qū)分是產(chǎn)品導向的，對標的是一個個應用方向，比如人臉識別、語音識別等。

在應用方向之下，具體用什么樣的技術則要看當時的需求。并不是說要去做計算機視覺，就只會用 cnn 就行了。要解決實際問題，往往會將各種學術界的成果結合起來使用，并根據(jù)具體的限制與要求進行改進。

在這個過程中，會不會用到某一種技術，決定因素非常多樣，要看該技術能否支持需求解決；客觀的設備、人員、時間是否允許采用這種技術；你的老板是否有動力做這方面的嘗試等。

做工程的過程中要用到的工具有很多，而無論做工程還是做研究，都要具備最基礎的知識！

經(jīng)典的機器學習模型，常見的深度學習網(wǎng)絡，以及模型訓練和推斷（預測）的整個流程，都必須掌握。

如果你就是對某一種應用特別感興趣，比如就是想要預測股票，那你完全可以自己先試一試，畢竟股票數(shù)據(jù)到處都有。

雖然早就已經(jīng)有許多人才和機構嘗試用機器學習的辦法解決投資股票的問題，但直到現(xiàn)在，就長期的股票預測而言，機器還是完敗給人類的。

你要做互聯(lián)網(wǎng)金融，或者想去金融企業(yè)做機器學習，都還有對應崗位可找，但好像并沒有某一類工業(yè)界的職位是讓你一天到晚坐在那兒只預測股票價格的。

至于 AI 在醫(yī)療方面的落地，更多不是技術問題，而是體制壁壘和數(shù)據(jù)獲取的問題。

要做醫(yī)療 AI，首先得能和醫(yī)院對接上。就算有渠道做到這一步，大量的病例都是手寫的，而且大夫的那種手寫體，有什么辦法把它電子化，用計算機管理起來？

這獲取數(shù)據(jù)的第一步，就是目前 AI+ 醫(yī)療都還沒有解決的問題。連最基礎的數(shù)據(jù)管理和統(tǒng)計都沒有，還談什么數(shù)據(jù)分析，談什么AI？

說到筆試和面試，所有的筆試和面試一定會從基礎的知識問起。

比如，面試時面試官往往會選定一種經(jīng)典模型（早些年是線性回歸，前兩年是邏輯回歸，現(xiàn)在可能已經(jīng)到了 SVM了），問你它的模型函數(shù)是什么？目標函數(shù)是什么？最優(yōu)化算法有哪些？然后看你能否把函數(shù)公式寫清楚，能否把過程一步步說清楚。

大家不必太功利。有具體的職業(yè)目標是好的，但在這個目標之前，先要把基礎掌握好。

先學會那些最經(jīng)典的模型，例如：Linear Regression，Logistic Regression，Naive Bayes，Decision Tree， SVM，HMM，CRF，Clustering，GMM，PCA 等。

沉下心來把基礎打牢，到了面試的時候，自然就能對答如流了 。