ai

2019 秋招的 AI 岗位竞争激烈吗?

已邀请:

无言歌。

赞同来自:

前一阵子心血来潮去某研究机构面试,面的是不限方向的「机器学习研究员」。前半段聊得很顺利,主要介绍我开发过什么库写过什么论文,想要继续做什么。面试的中段面试官问:“那你的这个方向用深度学习怎么做?”我很老实,说这个方向暂时无法大规模应用深度学习,某些因素还不成熟。对方显得很失望,强调他们需要每个人都做深度学习研究,发深度学习相关的会议,因此这个机会自然也就泡汤了。
讲这个故事的目的是为了说明:AI领域的岗位正在朝精细化发展,而候选人的竞争力更多的是和岗位的「契合度」,而不是你本身有多好。这要求候选人的技能下沉,能在岗位上解决实际问题。
再早几年,这个行业的招聘是走粗放模式的,只要你会ABCDE,学历不错,那么欢迎你。但这几年随着热潮回归理性,以及企业变得越来越“精明”,它们已经逐渐明白了需要什么样的人,明白了AI相关的岗位本身就不是靠员工数量,而是靠质量取胜的。比如做手机上图片识别的,它的目标候选人就是明白如何把成熟的识别模型部署到手机上的人,而不需要一个自然语言处理的大牛,也不需要一个对机器学习理论研究很深的专家,更不需要一百个普通程序员。这不是说你不够好,而是说你不适合而大部分人的求职是公司导向的,知名公司一个不落下,使用“鸟枪法”。而不是技能导向,寻找和自己相关性高的雇主。所以在这个回答下你会看到两种截然相反的看法:
AI相关的工作很难找,为什么我条件这么好也被拒AI相关的工作遍地都是,我水平一般照样斩获很多录取抛开所谓的个例不谈,我猜测出现相反结论的原因可能是因为大家对于「契合度」的关注程度不同,就是你面试的岗位和你的经历与经历有多大的相关性,你是否可以很快为团队做出贡献。我猜测不少面试不顺利的人可能都属于有了广度,缺少深度,也就是“万金油”。比如某个候选人可能是:TF也会用一些,NLP的项目做过2个,刷过两个Kaggle,人脸检测学过教程,Cousera上的证书也拿过几个。这就属于缺乏特点,和所面试的岗位之间关联性不够强,竞争时自然后力不足。
对于明白自己喜欢和了解的领域是什么的人来说,只要朝契合度高的方向使劲就好了。而对于只有了知识广度,却还没有确定自己的发力方向的人来说,最重要的是明白:你的特点是什么,你有什么优势,你打算怎么利用这个特点脱颖而出。换句话说,「你和别人有什么不同」。从我自己面试别人的经历来看,最重要的是你有什么长处,而不是你的技能有多均衡。越是有经验的业内人士越是看候选人的长处,而忽视短板,与木桶原理相反。「什么都会一点」=「什么都不擅长」
随着行业进入进一步细分和专业化,靠刷刷题,调调包,做几个相关项目,上几门课程,就能进大厂和明星创业公司的机会只会越来越低。我们都需要开始思考发力点,就是你与别人有所区别的地方,争取成为一个「小领域的专家」。即使无法成为专家,找亮点也比追求全面开花要好,比如:
对A领域感兴趣,是否可以在A领域发一些有意义的论文对A领域感兴趣,是否有实现A领域缺失的经典算法,并封装以供他人使用并获得关注编程能力很强,尝试做偏向底层的设计,比如保证机器学习算法在移动设备上高效运行明白自己的擅长的技能在什么公司有用武之地,专注于这些雇主说到底,任何风口行业都有降落的时候,求职本身就是“小马过河”,your mileage may vary。同时随着行业逐渐成熟,中高端岗位的求职重点肯定会朝专业性和契合度上发展。所以重点不是你会多少武功可以表演,而是你有多少必杀技可以一招毙命

美人冢

赞同来自:

在我看来,我期望招到的候选人大致分两类:
第一类候选人是某个方向的专家。他们在某个方向(比如detection/parsing/3D)有很深的理解和实践经验,掌握该领域最好的几种方法,从算法原理(为什么work)到代码实践(如何work)都了然于胸,且能针对实际问题独立设计相应的算法方案。
这类人,非常紧缺。今年一个比较明显的体会就是有顶会paper的人比往年更多了。如果是往年,我们会期望他们有独挡一面的能力,然而今年感觉有点差距。具体体现在,有的候选人虽然有一两篇paper,但对自己做的事情却也理解不深,或实际动手能力比较欠缺。这点比较遗憾。

第二类候选人有非常强的动手能力。他们不一定要有独立设计算法方案的能力,但一定要有过硬的实践能力。比如能较好的复现一些paper;在嵌入式平台上优化过模型而不仅限于跑GPU;或者在自己做过的项目中做过一些比较扎实的改进(真知灼见)而不仅限于跑开源代码。
这类人,相对没那么紧缺。即使这样,由于太多人往AI领域转了,至少90%的候选人都达不到第二类要求,导致招聘筛人工作量剧增。

猫小喵

赞同来自:

最近又去实习,吃饭的时候听leader调侃:
刚才视频面了一个小时,我让他写个线性目标的sgd优化的伪代码,我把目标函数写给他,他在视频里写了个
import tensorflow as tf
...
loss = ...
optimizer = ...
TM的用tf的优化器我要你写啊……老子是让你推啊……

他稳定了下情绪:
刷了十几份简历,全是这样的,除了deep learning、tf/pytorch啥都不会。

我笑抽,道:
你得拿学校筛筛啊……

他:
笑个屁,都是你们学校的......


由此可见,竞争十分激烈啊……

parker

赞同来自:

说了这么多,啥叫AI岗位?
要是利用专业知识做产品,解决实际问题,对应当年叫R&D, 现在叫数据科学家或者算法工程师的岗位,怎么样也不会说真的合适的人找不到职位。
要是以发paper为主要业务的学校或者研究院职位才能算的话,那这种位置永远都是竞争激烈。
现在国内学术发展那么好,paper一年比一年井喷,那种写的一手四平八稳的文章就能阿里星的时候恐怕早就过去了。更不要提很多文章主要还都是导师的idea。

淺笑笑

赞同来自:

感觉是比较激烈,但是也没有想的那么惨烈~~
面过腾讯优图、阿里中台、腾讯AI lab,其实了解下来,大厂还是很缺人的!!!
像腾讯优图、AI lab, 阿里IDST,AI lab,这几个热门部门一直都在疯狂招人,只是很多候选的同学背景不match,而不是你实力不行(当然基础不扎实的同学请好好补课)~~
大厂很多时候招人,有一个很重要的背景就是希望校招的同学能够快速上手业务,帮助产出。如果你只是发发paper,了解些不痛不痒的模型,知道个大概的机器学习原理, 那面试官怎么可能对你感兴趣呢?最后招进来,也没办法跟老板交差的。
据我了解,对于一些部门大力投入的业务,有些都不设HC上限的,只是很多时候都招不到一个合适的候选人,因为大家动不动就说我用过各类深度学习或者机器学习的算法库,但是一问细节,都是浮在表面,这让面试官如何继续下去呢?
还有一部分同学,看起来paper很多,但是一问motivation,其实就是修修补补,这种paper对于产品落地没有太大的意义,面试官反而会去拷问一些基础知识了,而最后很多发paper的同学往往基础知识都不够扎实.....
但是投AI 的同学真的实在太多了(大家可以考虑下转型)。。。曾听mentor说投算法实习的有2000个候选人,最后一般录取3个左右。。。(想想这比例,大家还是好好练好基本功,再投AI 比较合适呀
补充: 所谓快速上手业务我觉得从三个角度来说比较合适:
1、【业务需求型】 假设你负责的算法是CV / NLP 或者推荐中的一种吧,那么leader交给你一个project的时候,不可能整套算法的输入和输出都是确定的,那么这个时候你要去明确输入是哪些? 输出又是哪些?(这些可能需要跟leader沟通,有些也可能需要跟开发或者PM沟通),明确之后,有哪些可以做baseline的算法?接着,针对你的这个业务场景你想用哪些算法尝试?作完对比以后,如何做badcase分析?在写周报时,如何描述你做了什么,有什么问题,后续你初步的解决方案又有哪些?这一连串的步骤连起来并且在有限的时间内完成,这就是快速上手业务;
2、【业务探索型】现在leader交给你一个预研性的project,组内没有人做过,那么你能否通过github, stackoverflow, reddit, 或者 paper 等各种渠道,尝试2到3种你认为可行的方案,而不是直接google一下,问下同事,看下论文,直接反馈说,不行,这个太难了;
3、【业务成熟型】 组内这快业务比较成熟,比如大厂在做推荐的任务时,都有成套的框架和组件,那么你能否及时用好(比如说,一个月到两个月的时间完成从数据接入到数据输出的整个流程,以及其中的难点,时间耗点和可改进点),在做月度汇报时,不是说我熟悉了什么,而是我发现了什么,我觉得有哪些可以改进的地方,你下一步尝试的时间和预期等等,这样也是所谓的快速上手业务。(这其中调参的目的是提升效果,但是你还得对数据有较高的敏感性,并要学会从leader的角度去考虑我该如何与其他部门对接,准备哪些材料,更好的用好现有的组件和算法

瞬间美

赞同来自:

先扔答案,不激烈,符合企业期望的AI人才缺口极大。(为了再精确一点,我这里的“不激烈”是指对企业而言,远远没到必须从好多符合期望的人中间忍痛割爱这种“供大于求”的激烈程度)
假设你真正理解了现在公司需要的AI岗位具备的能力是什么,而且你能达到这个,你很容易拿offer拿到手软,坐地起价。我认识的很多朋友都让我给他们介绍AI/算法分析师或者团队负责人,包括BAT、金融投资、医疗、智能出行等等。只是大家现在都很冷静了,知道光会写paper的人也不一定有用(更加别说只会调包)。所以,如果你paper多,只要对方公司不是玩你,肯定会给你面试,因为公司真的是求贤若渴;但面试之后不给offer太正常,因为整个行业已经相对冷静了。公司愿意花钱,但是也越来越清楚自己想找的AI人才究竟是怎么样的。
如果大家不信我上面说的这些,我可以简单问一个问题。现在各个公司特别喜欢去学校挖教授,尤其是和企业经常合作的做AI的教授,不惜重金,即便你是兼职做个顾问也可以。这是为什么?一个发了n篇顶会的博士生,和他导师的本质区别是什么?
我的答案是,这些在校企合作中经过打磨历练的教授,才真正具备了公司企业需要的AI能力。这个能力不仅仅是算法设计,而且包括需求分析、产品设计、沟通等等等等。
你可能想反驳:“我就是想做AI算法,其他那些什么需求分析、产品设计、沟通不都是产品经理、项目经理干的事情么?” 但是很遗憾,现在是AI刚刚起步的阶段,大部分公司自己都不知道AI怎么能在内部起到作用。你让一个不懂AI的人怎么来设计产品?一个不懂AI的人怎么来管理项目进度,设计每阶段的目标?当然,我这里也不是说做AI的要去把产品经理、项目经理的职责全部揽过来,而是说必须要和这些人深度合作,才可能真正把AI在企业落地。这也是为什么“沟通”非常重要。现阶段,企业需要的会做AI的人,在我看来不仅仅是能写代码,会用TF的人,而是那些愿意深度了解企业业务,愿意思考怎样才能真正把AI技术帮助企业提升效率,创造价值,然后知道怎么和企业里面的其他人(即使不懂AI)合作把这件事真正找到一种可执行、落地的方案的人。
总结一下,现在真正的AI岗位缺人缺的厉害,而且溢价空间极大。但是需要的能力也是全方位的,是企业觉得能真正帮助落地AI的人。应届博士如果真能满足企业的这种条件,年薪大几十甚至百万不是什么很让人吃惊的事情,因为企业现在就算不知道AI究竟该怎么落地,但整体都觉得潜力巨大,所以愿意扔钱。这真的是很好的机遇。某种程度,现在公司愿意给AI岗位投大钱,我觉得有类似风险投资的感觉,因为AI岗位的收益和以前的纯研发不太一样。纯研发你多雇佣一个人,功能实现速度就能提升一些。但AI不是,可能同时进行5个方向的尝试,4个方向挂了(效果不明显,最后没有真正上线),剩下一个方向带来的收益远远超过了所有5个方向合在一起的所有的人力以及研发成本。
共勉。
P.S. 最后给一个杨强教授最近的采访,其中也讲了很多关于AI落地的东西,很值得学习。
机器之心专访杨强教授:联邦迁移学习与金融领域的AI落地

Luke

赞同来自:

顺便提一下,刚好刚才和 @卢策吾 一起吃饭讨论起这个事儿。
现在满世界收的简历都是要做AI科学家的,看的我头昏眼花的,我再贴一遍。
因为AI概念如此之火。
从各种BP和公司宣传看,老板们纷纷转型AI公司,从只缺一个程序员变成了只缺一个AI专家;
从不同职位收的简历来看,对于广大的同学们,最热门的职业理想从前几年的产品经理变成了AI专家,
那么关键的问题就来了,到底什么是AI专家?

从前我在大公司招聘的时候,最怕的是没有任何工作经验和相关背景的同学,上门就说做科学家,反问对方做了什么准备,小朋友理直气壮的说,我就是等着进来你们培养我的。觉得自己只差进入牛的AI公司(或者牛AI学校,研究院)有AI牛人给个机会手把手的教,是第一大幻觉。有些小朋友心气很高,就算让他进了谷歌FB,他也会觉得怎么谷歌的科学家都在做数据测试啊,去阿里腾讯解决业务问题一定更好;去了BAT会觉得怎么只会糙快猛,部门互相撕逼,重复造轮子,技术水平上不去啊,还是再读个博士吧;到了学校里发现怎么缺数据缺资源,都在研究茴字的24种写法……直到被不同地方虐一圈,才有个理性的认识。当然也有像王垠同学这样的,每个地方吐槽一遍,举世皆浊我独清的做了网红。作为各种牛棚里看着大牛们长大的人,我没有见到哪个计算机科学的牛人不是首先靠着自己极其的努力成长起来的。清华张钹院士的得意弟子朱军从本科开始发KDD和ICML,每天早上一早从清华骑车到MSRA坐到晚上12点回清华,除了去打两局台球,几乎不停歇的写代码,他的系统工程能力非常强,是微软学术搜索系统的核心成员,理论上也做了很深的研究,后来去CMU跟着Eric Xing做的也非常好,回清华做教授。我们这级的达哥,林达华教授(他写的MIT牛人说数学体系,隔几年都会被人翻出来转几次,对了,现在是商汤的联合创始人,刚刚帮汤老师出了人工智能的中学教材),大学几乎不上课,研究生和博士生的导师都非常牛,他们都感叹林达华这样的学生特别省心,是自己做系统,自己推着自己做研究,只需要大方向上点拨一下就可以了。师傅领进门,学艺靠个人,指望学校或者公司帮你成为专家不现实,谷歌10万人,BAT都好几万人,你能找来解决AI问题的有几个人?
还有些同学的幻觉是觉得AI专家做的事情,应该是研究算法,机器学习嘛,应该是跑模型调算法,只要负责研究优化目标就好了嘛。那这样算的话,只有去大学和研究院了。计算机科学的特点是,数据量和业务复杂程度会决定你问题的复杂程度,很多同学在学校里的project,大多是理想化状态下小数据集上的原型,离工业级别的应用,有着巨大的鸿沟,这需要真实世界里一路踩坑的血泪经验磨砺,哪个现在成功的大公司不是当初一路拉网线拼服务器,一点一点优化出来的。当世赫赫有名的计算机科学家谷歌的Jeff Dean,不就是负责system和infrastructure的么,现在他讲的Google Brain, Knowledge Graph也都是在强大的系统上来的。以前MSRA徐谷做了一个关于大规模图像去重的报告,我印象非常深刻的是always get your hands dirty。在互联网级别的数据上面,所谓的各种算法,都变成花拳绣腿,重要的是系统,系统,系统!对底层数据理解,对商业目标清楚。无论是MSR还是Google X, Yahoo Labs,里面厉害科学家的动手能力非常的强。Facebook招了很多牛PhD写PHP,外面有些尊贵的同学颇受不了。计算机首先是一门engineering的学科,这里的开发不分贵贱,重要的是你能够解决问题,革命成功靠的不是28个半布尔什维克。

第三个幻觉是,从头造锤子才是有挑战性的人工智能。这是我深恶痛绝的,公司不是研究院,AI不是空中楼阁,你修炼的也不是屠龙术。现在各种开源项目和系统都非常成熟了,你在一个烧着投资人钱的商业公司里从头写一套OpenCV,重新发明一遍SVM,觉得这样才有意思,对不起,请回到30年前的学校里去。你必须有产品sense,而产品的本质是解决问题。
以前沈向洋老师经常说的三好学生招人标准,数学好,编程好,态度好。
对现在有志于投身AI时代的同学们来说,最重要的是看待人工智能的态度,纸上得来终觉浅,找到一个可以解决问题的地方,和专家们一起,靠自己挽起袖子去躬行。要么系统能力特别强,要么能理解商业,最终AI专家的价值,取决于他能够解决问题的大小。Ender:关于AI科学家的幻觉关于职业发展,不要随波逐流,不然就是做炮灰,何况本来大多数人只是叶公好龙,十几年前我们都不好意思说自己做AI。
十几年以前大公司校园招聘,程序员都投开发工程师,不愿意投测试工程师,做测试的平均水平低得多,导致同样水平招进去以后做测试升的快得多。

Sarah

赞同来自:

作为土博加入2019秋招AI大军,如临大敌,可以说是非常非常非常激烈了。

从3月开始,持续不断地博士招聘线下交流会、线上交流微信群、LinkedIn私信、内推......
简历改了一版又一版,中文英文各一份;跟一起找工作的小伙伴在Google Doc分享校招各种信息;Google scholar、LinkedIn也尽可能的完善;LeetCode、kickstart、牛客网各种刷题;剑指offer、cracking the code interview也是一直在手边......

来势汹汹,希望CV圈各位大佬能留个坑给我,感激不尽。

万箭穿心

赞同来自:

僧多是问题,但是粥少也是问题啊。
AI在大公司更多是个数据工程的问题,模型真不是瓶颈,要这么多调参师也没用。。。
所以不要怪公司考coding,coding才是硬功夫啊,多多刷题吧,233

crazy

赞同来自:

招十来个人的岗位,进笔试就有2000人,想想投简历的人有多少人吧。。。

英超go

赞同来自:

激烈,前两年简历上有几个xgboost、libsvm或者用某种框架cnn、rnn做的项目,就挺不错了,现在已经遍地都是了。准备这个方向的真正竞争力又回到了优秀的代码能力上。当然ml的理论深度够的话也可以。

龙生九子

赞同来自:

先回答:激烈不激烈看人
由于我(NLP方向的)2020年才毕业,今年还没打算找工作,所以今年去ACL没有主动接触各个公司,而是一直在摸鱼瞎逛,看到这个问题的我瑟瑟发抖。。。
但是根据我的观察,感觉并不激烈。为什么这么说呢,因为我感觉各个公司的人都是挺热情的,拉到个人恨不得让你马上投简历面试。
至于wuyu老师说的非常非常激烈,大佬就是是谦虚谦虚,大家看看就好。
所以我觉得,
不激烈在于,假如你有几个ACL EMNLP 什么的,莫慌,我觉得找工作还是没那么激烈的。
激烈在于,看了几下Ng的机器学习视频就觉得可以面AI岗位,那我觉得就比较激烈了。


接下来是劝退时间:
退学大法好,早退早平安。

一年不嫌早,二年也还好。
三年有点晚,四年就完了。

orange

赞同来自:

非常非常激烈。我做自然语言处理,6*CCF A会议一作,coauthor都算上10+,大概在今年求职市场的地位是能给我个面试机会,且面试不水,上来就coding。两年前毕业的人告诉我,我只要准备和大佬们畅谈人生就好,结果发现聊的不是人生,是二叉树。

国外的大哥们不了解,国内和我同级别简历(A+B会议期刊五个左右)的博士硕士我认识的加一起得有10个。而且国内的博士一般不找教职,都去企业了。由于竞争激烈,估计知乎很多小硕士绝大部分人简历就跪了。

tips
1 中国归根到底还是靠朋友圈找工作,你投的部门大佬赏识你最重要。
2 博士的代码面还算正常,不会有特别特别难的。
3 AI是个赢家通吃的领域,需要的人少,大家谨慎入坑。
4 北京岗的竞争尤其激烈,由于户口和部门的核心性最后大家都跑一起去了
5 有人问阿里星,据传要求是NLP只看ACL和EMNLP,四五篇。AAAI和IJCAI不看
6 其实我很反对数paper发offer,ACL一定比AAAI好这个命题 基本等于 清华的一定比浙大的好 。

天下无双

赞同来自:

知乎真是个有毒的地方
各大领域,各个阶级都在贩卖焦虑
生化环材土木都被你们劝退劝烂了
最热门的AI博士们又都开始无病呻吟了
难道每个人一毕业都年薪百万、各大互联网公司都抢着要你们才算竞争不激烈吗
数量不等同于质量啊,就算5亿人都申请AI算法岗,对于专业学这个的算法工程师能构成威胁吗?本来很多人就是打酱油的嘛,各位大佬们,请受小女子一拜。


求你们赶快去搞区块链吧!
讲真你们这样一点都不可爱!
口亨!

芭娜娜

赞同来自:

AI竞争激烈,可能是因为没有内推哦。有内推事半功倍~2019年腾讯校招/社招内推喽~
校招社招都可以内推~有兴趣的同学请把简历发到我的邮箱 318648051@qq.com
校招:希望你是985/211硕士以上学生,或海外学校硕士以上学生,2019年毕业,不一定需要是CS,计算机/软件/智能科学最好,信息系统/电子/通信/仪器/电气/自动化/统计/数学/物理均有机会。有过算法实习经历也是加分项哦~除了AI,云存储、大数据、安全、网络等领域的岗位也可以内推
社招:希望有你过实际工作经验,学历专业要求比校招更宽松一些(非985/211也可能有机会),不止是算法岗,数据挖掘,大数据,安全,网络等岗位也均可以内推哦。
内推不收费,简历优秀我可以内推你去面special offer。
校招岗位信息:
技术研究-自然语言处理方向 | Tencent 校园招聘
技术研究-语音处理方向 | Tencent 校园招聘
技术研究-计算机视觉方向 | Tencent 校园招聘
技术研究-机器学习方向 | Tencent 校园招聘
技术研究-其他方向 | Tencent 校园招聘
社会招聘岗位信息:
社会招聘 | Tencent 腾讯招聘
看了这么多,还不快到碗里来?

打豆豆

赞同来自:

我觉得现在很多小公司都在使劲往人工智能上面靠,不管做啥的现在都要跟人工智能沾上边。然后就是疯狂招人,现在市面上真正有能力的AI人才真少啊。我们公司就一次性招了15个应届硕士生,干啥啥不会,每天在工位上看书学习,工资还挺高的。羡慕死我了。
我觉得吧,如果编程能力还可以,那么竞争力也会更强。

发如雪

赞同来自:

挺激烈的,比如博士毕业,目标找一个国内100名开外的搓互联网公司的机器学习应用岗位,工资要求不要超过年薪15万(税后)。平时狂刷西瓜书,花书,数据结构,leetcode,TensorFlow,看论文,github找代码复现一下,cuda会写一点,hadoop spark倒腾一下,深度学习基本模型都了解,原理清楚,能够调包。
这是目前行情的最低要求,就这样。一堆伪生化物博士拼了老命都找不到(我告诉他们转行要会的基本东西,我觉得他们过关了,但是还是被刷了)。
唉,容我我先去自保,暂时救不动人了。。。。

要有钱

赞同来自:

谢邀,这个问题肯定有很多在校的学生在暗中观察,作为过来人来跟在校学生说一些(虽然我目前也还在校),但同时也坦白说这些建议也只适合在校学生。
月初受主办方邀请,参加了一个国内的会议,其中最为特出的一点印象就是在CV的会场里不要说坐,我吃了个早餐去迟了就连站的地方都没有了,都得踮起脚来站,反观其他会场则是门可罗雀。
之前我在知乎的其他问题说过,我认为AI暂时不会饱和,然后我发现我错了,因为我说的AI和大家在这里讨论的AI似乎不是同一个概念。
不信?我们来测试一下。
NLP我自己不了解,那就拿我相对熟悉CV来开刷,除了分类,人脸识别,目标检测,语义分割,请说出10条和CV间接或直接相关的方向。
3
2
1
我来说一下:
1.视频理解/分割
2.图片语义上的QA
3.行人重识别
4.自然语言转图片/图片描述
5.image2image/attribute2attribute
6.零样本/单样本/实例学习(主要是医疗视觉那方面)
7.对抗样本/对抗重编程
8.3D重建和渲染
9.图片上深度信息的理解
10.模型压缩和剪裁/移动端的神经网络
11.防止数据偏见
……

为什么说这些,因为大部分人对AI的了解也就是我刚开始排除掉那些,其实这些内容就是公众号最喜欢转发的,换言之就是大部分人对AI的理解都局限于公众号。媒体转发热点无可厚非,但作为从业者和应聘者,眼光未免太过狭隘。而说回这些领域,不要说工业界的人才已经是红海,学术界也已经是红海了,摆个何恺明在那里,试问又有多少人的工作能接近那个程度。
所以针对那些怕以后找不到的工作在校学生,提出下面的建议:
1.谨慎投身上面提及的红海,但投入蓝海同样意味着另一个事情,就是参考研究会比较少,啥都要自己开撸,自己对两方面进行取舍。
2.假如我现在的研究没什么人做,会不会以后毕业了也没人要?
想追风口,又不想承担风险,哪有这么嗨皮的事?
但可以给一些减少风险的方法,先看学术界,这几年生成模型的成绩一年比一年好,再看工业界,像美图,Adobe等内部完全没相关利用生成模型做图片特效的想法我是不信的,但一直没有大规模的应用,但部分成果逐渐放出(比如前不久有公司放出了自动上妆和自动去妆的技术,但去妆技术以前就有了,是不是利用图像翻译,不敢肯定),那基本可以判定这以后会是一个关键技术。
我自己所在的团队今年投了关于社交网络隐私保护的一篇论文去NIPS,虽然因为第一次没经验,实验效果不足,让人给拒了,但idea也得到了认可,那就是说明学界对这个课题还是比较接受,只是我的水平实在太差,带都带不动。再留意一下业界一些传统的安全部门,除了网络安全外也增加AI安全,数据安全等设置。那基本可以确定,对抗样本,数据偏见这种也会是一个关键技术。
还有比如医疗AI,因为领域的特殊性,基本上没法大样本训练,所以上面提及的一些迁移学习的方法,也必然需要。
3.对于计算机出身,算法能力不是特别出色,但工程能力还可以的,可以考虑分布式的训练平台,移动端的神经网络部署,优化框架等这些方向,公司也有相应的岗位。但坦言这些领域都不好做,不过随便跑个demo就是AI工程师的时代已经过去了,大家都不容易。
4.对于现在没有任何积累,就想转AI的,我的建议是慎重。如果真的是看重AI这行业的价值(主要指做技术的,投资人不是这个策略),建议先学,做好技术积累,不要马上培训几个月就去做“AI”,因为此刻你对公司的价值可能还比不上人家在平台上用图形界面搭的积木。
关于行业现状的思考和建议,大概就说这么多,欢迎理性探讨。
文章最后……






球球大家快去做区块链吧。

浅笑痕。

赞同来自:

很激烈,而且无论对毕业生还是对用人单位,竞争都很激烈,就连Hulu这样的美国小公司2019秋招的大部分人头都押在AI上了,大家都想获得最好的,竞争当然激烈。
另外,想做AI又不想累成狗, 想要工作生活平衡的,简历可以发给我内推 morgan.cheng@hulu.com

rose

赞同来自:

从一些迹象看,在去年AI火热后,今年各公司的重点是要把AI在业务落地,所以对动手能力和工程化能力应该是今年会很看重的。
说直白点就是像去年很多部门那样跟你空口谈算法或者看你“研究”的会更少,会引入更多后端实际架构设计开发的内容,还有就是coding实操。毕竟,美国那边面试对于机器学习开发工程师(ml engineer)和传统后端开发的差别也就是在system design这一环节上上前者要求谈ml system/platform design,后者谈传统的后端架构设计,其它coding刷题都一样~~
对今年的毕业生,特别是博士生,如果想进入工业界而不是发paper,趁现在还有时间,多看看实际的系统设计、机器学习平台实现(例如Facebook的FBLearner,uber的米开朗琪罗,这些都有公开介绍,可以起码了解下流程,或者类似的架构pipeline),又或者具体serving的实现(tf serving是开源的)。然后,刷刷leetcode,别以为发几篇paper就各种大包裹来了,今年还这么玩的公司就太不靠谱。
各公司去年是在抢人布局,从无到有,让团队里起码有几个懂机器学习的,做些原型或prototype,经过一年的折腾,要么死掉,要么就要开始为实际产品化做准备,那么今年招人也就是为这些目的。
以后的趋势应该是越来越和湾区靠拢,系统区分data/ml scientist/engineer,以实际业务需求为主-----不会再都是什么xx Lab这种貌似高大上的部门,更多会是各种具体业务部门业务小组自身对机器学习人员的需求,那就更需要coding能力和system design。
*****************************************
还是用实例来说吧:
放浪者:面试官如何判断面试者的机器学习水平? ----这是去年我使用的面试方式,可以看到,去年我还是很针对机器学习细节和实际实现(比如手写BP实现),因为去年要做到从0到1,我不要求很fancy的paper,换句话说我要能从无到有,要得是具有一定工程能力的machine learning engineer,能在小范围内实现机器学习应用的产品化和工程化,能在demo基础上再迈进一步就可以了------具体说呢,就是你用keras训练个模型出来,能自己负责提供web接口并跟mq/db等后端系统对接起来,对流量不大情况下能用,那就可以了。这基本上就达到了从0到1的目标。
那么今年的目标则是从1到10,是要进入产品级的考虑,说直白点,要开始为产品化后的大数据系统、高并发、分布式训练和serving都要做好准备,为此目的去招人,那显而易见,算法和fancy paper就更不重要(对校招而言),对ML有了解最好,更重要的是对机器学习的工程化和整体实践架构有经验的人------很遗憾的是,据我了解,整个中国的高校,对于machine learning system/distributed ml system/etc.之类的研究人员并没几个,所以这个有待观察,看到底最后招什么样的人。
那么算法方面的资深人员难道不看重吗?真的只需要纯马工吗?当然不是,真的需要对ML/DL的算法结合业务做出针对性调整和优化,结合最新研究成果看看能否有所提升,这些工作也很重要,但是这些工作可以交给去年入职已经对业务有所了解的phd同事。一个组如果去年已经完成了AI人才的基本储备,那么今年一方面是继续扩大团队以便AI落地,另一方面如果在有余力的时候,就可以让去年入职的进行针对性的算法研究改进;再者,真要找人对业务难题进行算法方向上的指引,最好是社招(当然这个难度就更大,现在积累了几年业务经验的ML研究人员应该都是各公司的宝贝----除非所负责业务太过边缘)。
***********************************************
目测此贴要火,打个广告,本人团队主打针对游戏的end to end AI system,重点在CV/RL相关领域,当然如上所说,今年其实更偏backend architect, distributed system for ML training/serving, 有兴趣觉得聊得来的可以私信联系。

要回复问题请先登录注册