第 5 章：寻找与你职业目标相辅相成的项目
不言而喻，我们只应从事负责任的、合乎道德的、并对人们有益的项目。但这些限制仍然留下了大量的选择余地。在上一章中，我写了如何识别和规划 AI 项目。本章和下一章侧重点略有不同：着眼于职业发展来挑选和执行项目。
一个硕果累累的职业生涯将包含许多项目，希望这些项目的范围、复杂性和影响力能随时间增长。因此，从小处着手是可以的。利用早期项目来学习，随着技能的增长，逐步提升到更大的项目。
当你刚开始时，不要指望别人会把好主意或资源拱手奉上。许多人从利用业余时间做小项目开始。有了初步的成功——即使是小的成功——随着你技能的增长，你提出更好想法的能力也会增强，说服他人帮助你承担更大项目也会更容易。
如果你没有任何项目想法怎么办？ 这里有几种产生想法的方法：
✔ 加入现有项目。如果你发现别人有想法，请求加入他们的项目。 ✔ 持续阅读和与人交流。每当我花大量时间阅读、上课或与领域专家交谈时，都会产生新的想法。我相信你也会如此。 ✔ 专注于一个应用领域。许多研究人员正试图推动基础 AI 技术的发展——例如，发明下一代 Transformer 模型或进一步扩展语言模型——所以，虽然这是一个令人兴奋的方向，但也非常困难。但是，机器学习尚未应用的领域种类繁多！我很幸运能将神经网络应用于从自主直升机飞行到在线广告的方方面面，部分原因是我在相对较少的人研究这些应用时就投身其中。如果你的公司或学校关心某个特定应用，探索机器学习的可能性。这可以让你率先看到一个潜在的创造性应用——一个你可以做独特工作的地方——一个尚未有人涉足的领域。
寻找与你职业目标相辅相成的项目
✔ 发展一个副业。 即使你有一份全职工作，一个可能发展成更大事业也可能不会的有趣项目，可以激发创造力，并加强与合作者的联系。当我是一名全职教授时，从事在线教育并不是我“工作”（做研究和教课）的一部分。这是我出于对教育的热情，经常在课外投入的一项有趣的爱好。我在家录制视频的早期经验，后来帮助我以更实质性的方式参与在线教育工作。硅谷充满了从副业项目起步的初创公司的故事。只要不与你的雇主产生冲突，这些项目可以成为通往重要事业的垫脚石。
有了几个项目想法，你应该投身于哪一个？
这里有一个需要考虑因素的快速检查清单：
✔ 这个项目能帮助你在技术上成长吗？ 理想情况下，它应该具有足够的挑战性来拓展你的技能，但又不会太难以至于你几乎没有成功的可能。这将让你走上掌握日益复杂技术的道路。 ✔ 你有优秀的队友一起工作吗？ 如果没有，是否有人可以和你讨论事情？我们从周围的人身上学到很多，好的合作者将对你的成长产生巨大影响。 ✔ 它能成为垫脚石吗？ 如果项目成功，它的技术复杂性和/或业务影响力是否能使它成为通往更大项目的有意义垫脚石？如果这个项目比你之前做过的都大，那么它很有可能是这样的垫脚石。
最后，避免分析瘫痪 (analysis paralysis)。花一个月时间决定是否要做一个只需要一周就能完成的项目是没有意义的。在你的职业生涯中，你会参与多个项目，因此你将有充足的机会来完善你对什么是值得做的思考。鉴于可能的 AI 项目数量巨大，与其采用传统的“准备、瞄准、开火”(ready, aim, fire) 方法，你可以用“准备、开火、瞄准”(ready, fire, aim) 来加速你的进程。
准备、开火、瞄准 (Ready, Fire, Aim)
从事项目需要就构建什么以及如何构建做出艰难的选择。这里有两种截然不同的风格：
- 准备、瞄准、开火 (Ready, Aim, Fire)： 仔细规划并进行仔细验证。只有在对一个方向有高度信心时才承诺并执行。
- 准备、开火、瞄准 (Ready, Fire, Aim)： 投入开发并开始执行。这让你能够快速发现问题，并在必要时中途调整方向。
假设你为零售商构建了一个客户服务聊天机器人，你认为它也可以帮助餐厅。你应该在开始开发前花时间研究餐厅市场，行动缓慢但降低浪费时间和资源的风险？还是立即投入，行动迅速并接受更高的调整方向或失败的风险？
两种方法都有其支持者，最佳选择取决于具体情况。
当执行成本高昂且一项研究能揭示项目可能有多大用处或价值时，“准备、瞄准、开火”往往更优。例如，如果你能头脑风暴出几个其他用例（餐厅、航空公司、电信公司等）并评估这些用例以确定最有前景的一个，那么在确定方向前多花点时间可能是值得的。
如果你能以低成本执行，并且在此过程中能够确定方向是否可行并发现使其可行的调整方案，那么“准备、开火、瞄准”往往更好。例如，如果你能快速构建一个原型来弄清楚用户是否想要该产品，并且在少量工作后取消或调整方向是可以接受的，那么考虑快速投入是有意义的。当尝试的成本很低时，尝试多次也是有意义的。在这种情况下，过程实际上是“准备、开火、瞄准、开火、瞄准、开火、瞄准、开火”。
在商定项目方向后，当涉及到构建作为产品一部分的机器学习模型时，我倾向于“准备、开火、瞄准”。构建模型是一个迭代的过程。对于许多应用来说，训练和进行错误分析的成本并非高不可攀。此外，进行一项能阐明合适模型、数据和超参数的研究非常困难。因此，快速构建一个端到端系统并不断修改直到它运行良好是有意义的。
但是，当承诺一个方向意味着进行昂贵的投资或进入一个单向门（即难以逆转的决定）时，通常值得提前花更多时间来确保这确实是个好主意。