關於入行AI的幾個常見問題
這個問題經常被問其。有不少朋友，工作了幾年之後，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實。
偏偏大多數公司招AI工程師的時候，要求應聘者有相關專業碩士學位等學術背書。作為轉行者，應該怎樣提高專業背景？
針對這種情況，筆者的建議是： 從自己原來的專業領域入手 。
比如，壹位原本制造業的自動化工程師，肯定對各種工業生產設備比較熟悉，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。
那麽，當工業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的優勢，這些領域知識，不是純粹搞機器學習的人能比的。
至少在現階段，機器學習、深度學習的實際落地都以數據為主——能夠把實際問題轉化成數值拿去運算，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背景，而不是拋棄它，以前的專業就會成為加分項。以此為突破轉向AI，反而可能比去讀壹個學位更容易。
另外，現在許多行業都在嘗試AI+，把AI技術應用於傳統業務。這種大背景之下，如果想 轉向AI崗位，不妨先在自己本行業內尋找機會 。
也許自己現在的單位就在做或者準備做AI+的項目，那麽可以先爭取加入進去。畢竟，在單位內部謀求壹份新的工作內容，壹般都比跳槽容易。
很多企業在嘗試AI轉型時，會聘用壹些有AI背景的咨詢人員，為他們做規劃和解決方案。
外聘人員有機器學習方面的知識和技能，但是他們對業務領域不熟悉，需要本行業的人協助——在這個時候看看能不能成為他們的協助者，通過和專業人員合作來學習AI在實際領域的應用。
假設能夠有這種經歷，或者至少對自己行業的數據有足夠深入的了解，對於業務應用有思考和嘗試，就擁有了XX行業AI實踐經驗。而不必非要通過讀書或者打比賽來提升背景。
這個問題也是蠻典型的。
客觀的來講，壹個人去報考壹個人工智能相關專業的研究生，或者自己在家安安心心的學兩三年，之後再去求職，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，但是筆者並不推薦“等兩年再入職”這種做法。
首先，當壹個人有這個想法的時候，其實是畏難情緒的體現。說白了“等兩年”是壹種逃避，而非計劃。
現在不動手，往往並不是真的去學習了，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， 任何行業的高速上升都是有窗口期的 。
目前，人工智能正處在這樣的壹個窗口期。因為需求遠大於供給，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。很可能短則壹兩年，長則也不過三四年後就會關閉。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證了。
想入行而不去搶時間點，趁著窗口期趕緊進去，反而說要在那裏等，那麽大概率的結果是將機會錯過。
應該說，在行業內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。
對壹個個人而言，以“做數據”的崗位入行，就已經給自己打上了壹個標簽，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。要從做數據的崗位晉升到做工程，就要沖破壹層天花板。
現實當中，真的能夠沖破天花板的人極少。更何況這種原本已經很小的可能性，還受制於行業大勢的。
當行業的崗位缺口開得很大的時候，進去相對還容易壹點。
如果是在幾年前，壹個人從做數據標註工作入行，能接觸到很多算法專家、機器學習工程師，壹邊借著做項目的過程拼命學習，壹邊等待機會——像機器學習工程師這類崗位，在壹個時期內會非常急需人才——壹旦遇到做工程的崗位空缺，就趕緊沖上去。
老板了解這是壹個靠譜的人，願意學習，有學習能力，又做過數據方面的工作，也許確實會給TA壹個進階的機會。
但隨著時間的推移，越往後，行業缺口越小，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，從現在開始趕緊去學！
大家首先要區分開研究和工程實踐這兩件事。
如果妳是想去做研究——在高校、科研院所，或者大公司的研究院裏做算法科學家，那麽可以把重點放在某壹項具體的技術上面，比如強化學習。
假設妳就是想研究強化學習，那妳可以去大學、研究所，還有壹些這方面走在比較前沿的公司，諸如Facebook，DeepMind等等，到那裏去求職，做算法研究。當然，壹般走到這壹步都至少要有個博士學位才行。
但是如果妳想做的是工程，準備求職的是工程類技術崗位，就不是用某壹種技術來做區分的了。
在工業界，領域的區分是產品導向的，對標的是壹個個應用方向，比如人臉識別、語音識別等。
在應用方向之下，具體用什麽樣的技術則要看當時的需求。並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，並根據具體的限制與要求進行改進。
在這個過程中，會不會用到某壹種技術，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；妳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！
經典的機器學習模型，常見的深度學習網絡，以及模型訓練和推斷（預測）的整個流程，都必須掌握。
如果妳就是對某壹種應用特別感興趣，比如就是想要預測股票，那妳完全可以自己先試壹試，畢竟股票數據到處都有。
雖然早就已經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，但直到現在，就長期的股票預測而言，機器還是完敗給人類的。
妳要做互聯網金融，或者想去金融企業做機器學習，都還有對應崗位可找，但好像並沒有某壹類工業界的職位是讓妳壹天到晚坐在那兒只預測股票價格的。
至於AI在醫療方面的落地，更多不是技術問題，而是體制壁壘和數據獲取的問題。
要做醫療AI，首先得能和醫院對接上。就算有渠道做到這壹步，大量的病例都是手寫的，而且大夫的那種手寫體，有什麽辦法把它電子化，用計算機管理起來？
這獲取數據的第壹步，就是目前AI+醫療都還沒有解決的問題。連最基礎的數據管理和統計都沒有，還談什麽數據分析，談什麽AI？
說到筆試和面試，所有的筆試和面試壹定會從基礎的知識問起。
比如，面試時面試官往往會選定壹種經典模型（早些年是線性回歸，前兩年是邏輯回歸，現在可能已經到了SVM了），問妳它的模型函數是什麽？目標函數是什麽？最優化算法有哪些？然後看妳能否把函數公式寫清楚，能否把過程壹步步說清楚。
大家不必太功利。有具體的職業目標是好的，但在這個目標之前， 先要把基礎掌握好 。
先學會那些最經典的模型，例如：Linear Regression，Logistic Regression，Naive Bayes，Decision Tree， SVM，HMM，CRF，Clustering，GMM，PCA等。
沈下心來把基礎打牢，到了面試的時候，自然就能對答如流了 。