“AI 是新型电力。它将改变和改善人类生活的所有领域。” --- Andrew Ng (吴恩达)

关注公众号

关注我们的微信公众号，获取更多AI前沿：

引言

AI 编程是新的读写能力

今天，我们认为许多人会读写是理所当然的。我希望有一天，人们知道如何编写代码，特别是 AI 代码，也能同样普遍。

几百年前，社会并不认为读写能力是必备技能。一小部分人学会了读写，其他人则让他们去做读写的工作。读写能力的普及用了几个世纪的时间，而如今社会因此变得丰富得多。

文字实现了深入的人与人之间的交流。代码则是人与机器之间最深层的交流形式。随着机器在日常生活中变得日益重要，这种交流也变得愈发重要。

传统的软件工程——编写明确告诉计算机执行一系列步骤的程序——一直是掌握代码读写能力的主要途径。许多入门编程课程以创建视频游戏或构建网站为例。但人工智能、机器学习和数据科学提供了一种新的范式，计算机从数据中提取知识。这项技术提供了一条通往编程的更好途径。

许多个星期天，我都会从我家附近的披萨店买一片披萨。柜台后的那位先生几乎没有理由去学习如何构建视频游戏或编写自己的网站软件（除了个人成长和掌握新技能的乐趣）。

但 AI 和数据科学即使对披萨制作者也大有裨益。一个线性回归模型可能帮助他更好地预测需求，从而优化餐厅的人员配置和供应链。他可以更好地预测夏威夷披萨的销量——我的最爱！——这样他就可以提前制作更多夏威夷披萨，减少顾客的等待时间。

在几乎任何产生数据的情况下，都可以找到 AI 和数据科学的用途。因此，相比传统软件工程，各种各样的职业会发现定制 AI 应用和数据洞察有更多的用武之地。这使得面向 AI 的编程读写能力比传统编程更有价值。它能让无数人利用数据让生活更丰富。

我希望构建基础 AI 应用的前景，甚至比构建基础传统软件的前景，能鼓励更多人学习编程。如果社会像接纳读写能力一样接纳这种新形式的读写能力，我们都将受益。

第 1 章：职业发展的三个步骤

AI 的迅速崛起导致了 AI 职位的激增，许多人正在这个领域打造激动人心的职业生涯。职业生涯是一场长达数十年的旅程，道路并非一帆风顺。多年来，我有幸目睹了数千名学生以及大大小小公司的工程师在 AI 职业生涯中前行。

以下是一个规划你自己路线的框架。

职业发展的三个关键步骤是：学习基础技能、从事项目（以深化技能、构建作品集并产生影响）、以及找工作。这些步骤是层层递进的：

学习 (LEARNING)

最初，你专注于学习基础技能。带有 封面的章节涉及学习基础技术技能的主题。

项目 (PROJECTS)

在获得基础技术技能之后，你将开始从事项目。在此期间，你也会持续学习。带有 标志的章节聚焦于项目。

工作 (JOB)

之后，你将着手找工作。在整个过程中，你会继续学习并从事有意义的项目。带有 标志的章节聚焦于求职。

这些阶段适用于广泛的职业，但 AI 涉及独特的元素。例如：

• 学习基础技能是一个贯穿职业生涯的过程： AI 仍处于早期阶段，许多技术仍在发展。虽然机器学习和深度学习的基础正在成熟——课程学习是掌握它们的有效途径——但在这些基础之外，跟上技术的变化在 AI 领域比在更成熟的领域更为重要。

• 从事项目通常意味着与缺乏 AI 专业知识的利益相关者合作： 这可能会给寻找合适的项目、估算项目时间表和投资回报率以及设定预期带来挑战。此外，AI 项目高度迭代的特性给项目管理带来了特殊的挑战：当你事先不知道需要多长时间才能达到目标精度时，如何制定构建系统的计划？即使在系统达到目标之后，可能还需要进一步的迭代来解决部署后的漂移问题。

• 对 AI 技能和职位角色的看法不一致： 虽然在 AI 领域找工作与其他行业找工作的过程可能相似，但也存在重要差异。许多公司仍在试图弄清楚他们需要哪些 AI 技能，以及如何招聘拥有这些技能的人。你做过的事情可能与面试官见过的任何东西都大不相同，你更有可能需要向潜在雇主解释你工作中的某些要素。

在你经历每一步时，你也应该建立一个支持性的社群。拥有能够帮助你——并且你也努力去帮助——的朋友和盟友会让道路更轻松。无论你是迈出第一步还是已经在这条路上走了多年，这一点都适用。

第 2 章：学习技术技能，打造有前景的 AI 职业生涯

在上一章中，我介绍了在 AI 领域打造职业生涯的三个关键步骤：学习基础技术技能、从事项目、以及找工作，所有这些都通过成为社群的一员得到支持。在本章中，我想更深入地探讨第一步：学习基础技能。

关于 AI 发表的研究论文比任何人一生能读的都要多。因此，在学习时，优先选择主题至关重要。我认为，对于机器学习技术职业生涯最重要的主题是：

基础机器学习技能：

例如，理解线性回归、逻辑回归、神经网络、决策树、聚类和异常检测等模型非常重要。除了特定模型，更重要的是理解机器学习如何以及为何有效的核心概念，例如偏差/方差、成本函数、正则化、优化算法和误差分析。

深度学习：

这已成为机器学习中如此大的一部分，以至于若对其缺乏一定的理解，很难在该领域出类拔萃！了解神经网络的基础知识、使其工作的实用技能（如超参数调优）、卷积网络、序列模型和 Transformer 模型都很有价值。

与机器学习相关的数学：

关键领域包括线性代数（向量、矩阵及其各种操作）以及概率与统计（包括离散和连续概率、标准概率分布、独立性、贝叶斯定理等基本规则以及假设检验）。此外，探索性数据分析（EDA）——使用可视化和其他方法系统地探索数据集——是一项被低估的技能。我发现 EDA 在以数据为中心的 AI 开发中特别有用，分析错误和获取洞察确实有助于推动进展！最后，对微积分的基本直观理解也有帮助。做好机器学习所需的数学一直在变化。例如，虽然某些任务需要微积分，但改进的自动微分软件使得发明和实现新的神经网络架构而无需做任何微积分成为可能。这在十年前几乎是不可能的。

软件开发：

虽然仅凭机器学习建模技能你就可以找到工作并做出巨大贡献，但如果你还能编写优秀的软件来实现复杂的 AI 系统，你的工作机会将会增加。这些技能包括编程基础、数据结构（特别是与机器学习相关的，如数据框）、算法（包括与数据库和数据操作相关的）、软件设计、熟悉 Python、熟悉关键库如 TensorFlow 或 PyTorch 以及 scikit-learn。

要学的东西很多！

即使你掌握了这个列表中的所有内容，我也希望你能继续学习并不断深化你的技术知识。我认识许多机器学习工程师，他们受益于在应用领域（如自然语言处理或计算机视觉）或技术领域（如概率图模型或构建可扩展软件系统）更深入的技能。

如何获得这些技能？ 互联网上有很多好的内容，理论上，阅读几十个网页可能有效。但当目标是深入理解时，阅读零散的网页效率低下，因为它们往往相互重复、使用不一致的术语（这会拖慢你）、质量参差不齐，并且存在空白。这就是为什么一门好课程——将材料组织成连贯且合乎逻辑的形式——通常是掌握有意义的庞大知识体系最省时的方法。当你吸收了课程中可用的知识后，就可以转向研究论文和其他资源。

最后，没有人能在周末甚至一个月内填鸭式地学会他们需要知道的一切。我所认识的每一位在机器学习方面很出色的人都是终身学习者。考虑到我们领域变化的速度如此之快，如果你想跟上步伐，除了持续学习之外几乎没有其他选择。

如何能多年保持稳定的学习节奏？如果你能培养每周学习一点的习惯，你就能以感觉更轻松的方式取得显著进步。

养成新习惯的最佳方式

我最喜欢的书之一是 BJ Fogg 的《微习惯：小改变带来大不同》(Tiny Habits: The Small Changes That Change Everything)。Fogg 解释说，养成新习惯的最佳方式是从小处着手并取得成功，而不是目标过大而失败。例如，与其试图每天锻炼 30 分钟，他建议只做一个俯卧撑，并持续去做。

这种方法可能对那些想花更多时间学习的人有所帮助。如果你从要求自己每天观看，比如说，10 秒的教育视频开始——并且你持续这样做——每天学习的习惯就会自然养成。即使在那 10 秒里你什么也没学到，你也是在建立每天学习一点的习惯。在某些日子，也许你最终会学习一个小时甚至更长时间。

第 3 章：为了在 AI 领域找工作，你需要学习数学吗？

要成为一名机器学习工程师，你需要知道多少数学？

数学是 AI 的基础技能吗？懂得更多数学总是好的！但是要学的东西太多，现实地说，必须有所取舍。以下是你如何加强数学背景的方法。

为了弄清楚哪些是重要的，我发现一个有用的方法是问：你需要知道什么才能为你想要做的工作做出所需的决策。在 DeepLearning.AI，我们经常问：“一个人需要知道什么才能实现他们的目标？” 目标可能是构建一个机器学习模型、设计一个系统架构，或者通过一次工作面试。

理解你所使用算法背后的数学通常是有帮助的，因为它能让你调试它们。但这种知识的深度会随时间而变化。随着机器学习技术的成熟并变得更加可靠和即用型，它们需要的调试更少，对涉及的数学有较浅的理解可能就足以让它们工作。

例如，在机器学习的早期阶段，用于解线性方程组（用于线性回归）的线性代数库还不成熟。我必须理解这些库的工作原理，以便在不同的库之间做出选择，并避免数值舍入的陷阱。但随着数值线性代数库的成熟，这一点变得不那么重要了。

深度学习仍然是一项新兴技术，所以当你训练一个神经网络而优化算法难以收敛时，理解梯度下降、动量和 Adam 优化算法背后的数学将帮助你做出更好的决策。同样，如果你的神经网络表现异常——例如，它对某个分辨率的图像预测不佳，但对其他分辨率没问题——理解神经网络架构背后的数学会让你处于更有利的位置来找出应对方法。

当然，我也鼓励由好奇心驱动的学习。如果某件事让你感兴趣，尽管去学，不管它最终可能有多大用处！也许这会导致创造性的火花或技术突破。

第 4 章：规划成功的AI 项目

规划成功的 AI 项目

AI 架构师最重要的技能之一是识别值得投入精力的想法的能力。接下来的几章将讨论如何寻找和从事项目，以便你能获得经验并构建你的作品集。

多年来，我愉快地将机器学习应用于制造业、医疗保健、气候变化、农业、电子商务、广告和其他行业。一个并非所有这些领域专家的人如何能在其中找到有意义的项目？以下是帮助你规划项目的五个步骤。

步骤 1

确定一个业务问题（而不是一个 AI 问题）。我喜欢找一位领域专家并问：“你最希望哪三件事能变得更好？为什么它们现在还没有变好？” 例如，如果你想将 AI 应用于气候变化，你可能会发现电网运营商无法准确预测风能和太阳能等间歇性能源未来可能产生的电量。

步骤 2

头脑风暴 AI 解决方案。当我年轻时，我常常执行我为之兴奋的第一个想法。有时这还行得通，但有时我最终错过了一个可能不需要更多努力就能构建的更好想法。一旦你理解了一个问题，你就能更有效地进行潜在解决方案的头脑风暴。例如，为了预测间歇性能源的发电量，我们可能会考虑使用卫星图像更准确地绘制风力涡轮机的位置，使用卫星图像估算风力涡轮机的高度和发电能力，或者使用天气数据更好地预测云层覆盖从而预测太阳辐照度。有时并没有一个好的 AI 解决方案，那也没关系。

步骤 3

评估潜在解决方案的可行性和价值。你可以通过查看已发表的工作、竞争对手的成果，或者构建一个快速的概念验证实现来确定一种方法在技术上是否可行。你可以通过与领域专家（例如，电网运营商，他们可以就上述潜在解决方案的效用提供建议）协商来确定其价值。

步骤 4

确定里程碑。一旦你认为一个项目有足够价值，下一步就是确定要达到的指标。这包括机器学习指标（如准确率）和业务指标（如收入）。机器学习团队通常对学习算法可以优化的指标最熟悉。但我们可能需要走出舒适区来提出业务指标，例如与用户参与度、收入等相关的指标。不幸的是，并非每个业务问题都能简化为优化测试集准确率！如果你无法确定合理的里程碑，这可能表明你需要更多地了解该问题。一个快速的概念验证可以帮助提供缺失的视角。

步骤 5

资源预算。仔细考虑完成项目所需的一切，包括数据、人员、时间以及你可能需要从其他团队获得的任何集成或支持。例如，如果你需要资金购买卫星图像，确保它包含在预算中。

从事项目是一个迭代的过程。如果在任何步骤中，你发现当前方向不可行，就返回到前面的步骤，并带着新的理解继续前进。是否有一个让你兴奋的领域，AI 可能在其中发挥作用？我希望这些步骤能引导你通过项目工作来探索它——即使你目前在该领域还没有深厚的专业知识。AI 不会解决所有问题，但作为一个社群，让我们寻找在力所能及之处产生积极影响的方法。

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。

第 6 章：构建展示技能进阶的项目组合

在职业生涯中，你很可能会连续从事项目，每个项目的范围和复杂性都在增长。例如：

1. 课程项目： 最初的项目可能是范围狭窄、有预定正确答案的作业。这些通常是很好的学习经历！

2. 个人项目 你可能会继续独自或与朋友一起从事小规模项目。例如，你可能重新实现一个已知算法，将机器学习应用于某个爱好（例如预测你最喜欢的运动队是否会赢），或者利用业余时间在工作中构建一个小而有用的系统（例如一个基于机器学习的脚本，帮助同事自动化他们的一部分工作）。参加像 Kaggle 组织的比赛也是获得经验的一种方式。

3. 创造价值 最终，你将获得足够的技能来构建项目，使他人看到更切实的价值。这为获得更多资源打开了大门。例如，从事机器学习系统开发可能不再只是你的业余活动，而成为你工作的一部分，你可能获得更多设备、计算时间、标注预算或人员编制。

4. 提升范围和复杂性 成功会相互促进，为更多的技术成长、更多资源和日益重要的项目机会打开大门。

每个项目只是漫长旅程中的一步，希望是能产生积极影响的一步。此外：

• 不要担心起点太低。 我最初的机器学习研究项目之一涉及训练一个神经网络，看它能多好地模拟 sin(x) 函数。它没什么实际用处，但是一次很好的学习经历，使我能够继续从事更大的项目。
• 沟通是关键。 如果你想让他人看到你工作的价值并信任你，让你能投资于更大项目的资源，你需要能够解释你的想法。要启动一个项目，清楚地传达你希望构建内容的价值，将有助于让同事、导师和经理参与进来——并帮助他们指出你推理中的缺陷。在你完成后，清晰地解释你取得的成就有助于说服他人为你打开通往更大项目的大门。
• 领导力不只是管理者的专利。 当你发展到需要团队合作的大型 AI 项目时，无论你是否处于正式的领导职位，你领导项目的能力都将变得更加重要。我的许多朋友成功地选择了技术而非管理的职业道路，他们运用深厚的技术洞察力来帮助引导项目的能力——例如，何时投资新的技术架构或收集更多某种类型的数据——使他们成长为领导者，也极大地帮助了项目的改进。

构建一个项目组合，尤其是展示随时间从简单任务到复杂任务进展的组合，在找工作时将大有裨益。

第 7 章：开启 AI 求职之旅的简单框架

找工作有几个可预测的步骤，包括选择你想申请的公司、准备面试，最后选择职位并协商薪资和福利。在本章中，我想关注一个对许多 AI 求职者有用的框架，特别是那些从不同领域进入 AI 领域的人。

如果你正在考虑下一份工作，问问自己：

✓ 你是否在转换职位角色？ 例如，如果你是一名软件工程师、大学生或物理学家，想成为一名机器学习工程师，那就是职位转换。 ✓ 你是否在转换行业？ 例如，如果你在医疗保健公司、金融服务公司或政府机构工作，想转到软件公司工作，那就是行业转换。

求职

quadrantChart
    title Reach and engagement of campaigns
    x-axis "分析师" --> "机器学习工程师"
    y-axis "技术行业" --> "金融服务行业"
    quadrant-2 "分析师在金融服务行业"
    quadrant-4 "机器学习工程师在技术行业"
    "转换职位角色": [0.75, 0.75]
    "职位和行业都转换了": [0.75, 0.25]
    "转换行业": [0.25, 0.25]

一家科技初创公司的产品经理成为同一家公司（或另一家公司）的数据科学家，是职位转换。一家制造公司的营销人员成为一家科技公司的营销人员，是行业转换。一家金融服务公司的分析师成为一家科技公司的机器学习工程师，则是职位和行业都转换了。

如果你是第一次在 AI 领域找工作，你可能会发现转换职位或转换行业比同时进行两者更容易。假设你就是那位在金融服务行业工作的分析师：

✓ 如果你在金融服务行业找到一份数据科学或机器学习的工作，你就可以在获得 AI 知识和专业知识的同时，继续利用你特定领域的知识。在这个职位上工作一段时间后，你将更有条件转向科技公司（如果这仍然是你的目标）。 ✓ 或者，如果你成为一家科技公司的分析师，你可以继续运用你作为分析师的技能，但将其应用于不同的行业。成为科技公司的一员也让你更容易从同事那里了解 AI 的实际挑战、在 AI 领域取得成功的关键技能等。

如果你考虑转换职位，初创公司可能比大公司更容易做到这一点。虽然有例外，但初创公司通常没有足够的人手来完成所有期望的工作。如果你能帮助处理 AI 任务——即使这不是你的正式工作——你的工作很可能会受到赞赏。这为可能的职位转换奠定了基础，而无需离开公司。相比之下，在大公司，僵化的奖励体系更可能奖励你做好本职工作（以及你的经理支持你完成你被雇佣来做的工作），但不太可能奖励你职责范围之外的贡献。

在你期望的职位和行业（例如，科技公司的机器学习工程师）工作一段时间后，你会对该行业该职位更高级别的要求有很好的认识。你也会在该行业内拥有一个可以帮助你的人脉网络。因此，未来的求职——如果你选择坚持该职位和行业——可能会更容易。

换工作时，你正在踏入未知领域，特别是当你转换职位或行业时。熟悉新职位和/或行业最未被充分利用的工具之一是信息访谈。我将在下一章分享更多相关内容。

感谢 Salwa Nur Muhammad（DeepLearning.AI 附属机构 FourthBrain 的 CEO）提供了本章节的一些观点。

克服不确定性 (Overcoming Uncertainty)

关于未来，我们有很多不知道的事情：我们何时能治愈阿尔茨海默病？谁将赢得下次选举？或者，在商业背景下，明年我们会有多少客户？

世界上发生着如此多的变化，许多人对未来感到焦虑，尤其是在找工作时。我有一个帮助我重获掌控感的实践方法。面对不确定性时，我尝试：

1. 列出可能的场景， 承认我不知道哪一个会发生。
2. 为每个场景制定行动计划。
3. 开始执行看起来合理的行动。
4. 随着未来逐渐清晰，定期回顾场景和计划。

例如，在 2020 年 3 月的新冠肺炎 (Covid-19) 大流行期间，我做了这个情景规划练习。我设想了从 Covid-19 中快速（三个月）、中等（一年）和缓慢（两年）恢复的情景，并制定了管理每种情况的计划。这些计划帮助我确定了优先事项。

同样的方法也适用于个人生活。如果你不确定是否能通过考试、获得工作录用通知或被批准签证——所有这些都可能带来压力——你可以写下在每种可能情况下你会怎么做。思考各种可能性并执行计划可以帮助你无论未来带来什么都能有效地应对。

额外提示： 通过接受 AI 和统计学的培训，你可以为每个情景计算一个概率。我是“超级预测”(Superforecasting) 方法的粉丝，该方法综合了许多专家的判断来形成概率估计。

第 8 章：利用信息访谈找到合适的工作

利用信息访谈找到合适的工作

如果你准备转换职位（例如，第一次担任机器学习工程师）或行业（例如，第一次在 AI 科技公司工作），关于你的目标职位，你可能有很多不了解的地方。一种称为“信息访谈”(informational interviewing) 的技术是学习的绝佳方式。

信息访谈包括找到一家公司或一个你想了解更多职位的某个人，非正式地采访他们关于他们的工作。这种对话与求职是分开的。事实上，在你准备好开始求职之前，就采访那些职位与你的兴趣相符的人是很有帮助的。

• ✓ 信息访谈在 AI 领域特别相关。 因为这个领域正在发展，许多公司对职位头衔的使用方式不一致。在一家公司，数据科学家可能主要负责分析业务数据并在幻灯片上呈现结论。在另一家公司，他们可能编写和维护生产代码。信息访谈可以帮助你理清特定公司中从事 AI 工作的人实际在做什么。
• ✓ 随着 AI 机会的迅速扩张， 许多人将第一次承担 AI 工作。在这种情况下，信息访谈对于了解工作内容和做好工作所需的技能是无价的。例如，你可以了解特定公司使用的算法、部署流程和软件栈。如果你还不熟悉以数据为中心的 AI 运动，你可能会惊讶地发现，大多数机器学习工程师花费大量时间迭代地清理数据集。

为信息访谈做准备，提前研究受访者和公司，这样你就能带着深思熟虑的问题去访谈。你可能会问：

• ✓ 你典型的一周或一天都做些什么？
• ✓ 这个职位最重要的任务是什么？
• ✓ 成功最重要的技能是什么？
• ✓ 你的团队如何协作以实现目标？
• ✓ 招聘流程是怎样的？
• ✓ 考虑到过去脱颖而出的候选人，是什么让他们表现出色？

找到访谈对象并不总是容易的，但许多今天处于高级职位的人在刚入行时都得到了先行者的帮助，并且许多人也渴望回馈。如果你能联系到你人脉网络中的人——也许是一个在你之前完成转型的朋友，或者一个和你就读同一所学校的人——那就太好了！像“Pie & AI”这样的聚会也可以帮助你建立人脉。

最后，要有礼貌和专业，感谢你采访过的人。当你有机会时，也请回馈并帮助后来者。如果你收到 DeepLearning.AI 社区某人的信息访谈请求，我希望你能倾力相助，助他们一臂之力！如果你想了解更多关于信息访谈的信息，我推荐加州大学伯克利分校职业中心的这篇文章。

我多次提到你的人脉和社群的重要性。你遇到的人，除了提供有价值的信息外，还可以在推荐你给潜在雇主方面发挥无价的作用。

第 9 章：为你找到合适的 AI 工作

在本章中，我想讨论找工作的一些细节。

典型的求职遵循一个相当可预测的路径。

✓ 在线或通过与朋友交谈来研究职位和公司。 ✓ （可选）安排与你心仪公司的人员进行非正式的信息访谈。 ✓ 直接申请，或者如果可能，获得内部人士的推荐。 ✓ 接受向你发出邀请的公司的面试。 ✓ 收到一个或多个录用通知，并选择一个。或者，如果你没有收到录用通知，向面试官、人力资源人员、在线讨论区或你人脉中任何能帮助你规划下一步的人寻求反馈。

尽管这个过程可能很熟悉，但每次求职都不同。以下是一些提示，以增加你找到一份支持你蓬勃发展的事业并让你持续成长的职位的几率。

• 关注基础要素。 一份引人注目的简历、技术项目作品集以及出色的面试表现将为你打开大门。即使你在公司有内部推荐，简历和作品集也将是你与许多还不了解你的人第一次接触。更新你的简历，确保它清晰地呈现与你目标职位相关的教育和经验。根据每家公司的具体情况定制你的沟通内容，解释你为什么适合。面试前，询问招聘人员可以期待什么。花时间复习和练习常见面试问题的答案，温习关键技能，学习技术材料以确保它们在你脑海中保持新鲜。面试后，做笔记帮助你记住谈话内容。
• 以尊重和负责任的态度行事。 以双赢的心态对待面试和录用谈判。在社交媒体上，愤怒比理性传播得更快，所以关于雇主克扣工资的故事会被放大，而关于雇主公平对待员工的故事则不会。绝大多数雇主是道德和公平的，所以不要让关于少数受委屈个体的故事影响你的方法。如果你要离职，优雅地离开。给你的雇主充分的通知期，在工作的最后一刻前都全力以赴，尽可能妥善交接未完成的事务，并以尊重你所承担的责任的方式离开。

为你找到合适的 AI 工作

• 选择与谁共事。 仅仅因为你会参与的项目而接受一个职位是很诱人的。但与你共事的队友至少同样重要。我们会受到周围人的影响，所以你的同事会产生很大影响。例如，如果你的朋友吸烟，你吸烟的几率也会增加。我不知道是否有研究证明这一点，但我相当确定，如果你的大多数同事努力工作、持续学习并构建有益于所有人的 AI，你也很可能会这样做。（顺便说一句，一些大公司在接受录用通知之前不会告诉你你的队友是谁。在这种情况下，要坚持不懈，不断努力去识别并与潜在的队友交谈。严格的政策可能使你无法如愿，但在我看来，这增加了接受该职位的风险，因为它增加了你最终遇到不合适的经理或队友的几率。）

寻求社群的帮助。

我们大多数人在职业生涯中只找过几次工作，所以很少有人在这方面得到很多练习。然而，你直接社群中的人可能拥有丰富的经验。不要羞于向他们求助。朋友和伙伴可以提供建议，分享内部知识，并将你推荐给其他可能帮助的人。当我申请我的第一份教职时，我从支持我的朋友和导师那里得到了很多帮助，他们给我的许多建议都非常有用。

我知道求职过程可能令人望而生畏。与其将其视为一次巨大的飞跃，不如考虑采用渐进式的方法。首先确定可能的职位角色并进行少量信息访谈。如果这些对话告诉你，在准备好申请之前你还有更多东西要学，那太好了！至少你有一条清晰的前进道路。任何旅程最重要的部分是迈出第一步，而这第一步可以很小。

第 10 章：在 AI 领域打造职业生涯的关键要素

在 AI 领域取得职业成功的道路比我在这本简短电子书中能涵盖的要复杂得多。希望前面的章节能给你前进的动力。在你规划成功之路时，以下是一些额外需要考虑的事情：

1. 团队合作： 当我们处理大型项目时，团队协作比单打独斗更容易成功。与他人协作、影响他人以及受他人影响的能力至关重要。因此，人际交往和沟通技巧真的很重要。（顺便说一句，我以前是个相当糟糕的沟通者。）

2. 人脉网络： 我讨厌社交！作为一个内向的人，不得不去参加聚会尽可能多地微笑和握手，这种活动近乎恐怖。我宁愿呆在家里看书。尽管如此，我很幸运在 AI 领域结交了许多真诚的朋友；我愿意为他们挺身而出的人，也是我信赖的人。没有人是一座孤岛，拥有强大的专业人脉网络可以在你需要帮助或建议时推动你前进。作为“社交”(networking) 的替代，我发现思考如何建设社群更有帮助。所以，与其试图建立我个人的关系网，我更专注于建设我所属的社群。这也有助于我认识更多人并结交朋友。

3. 求职

   在打造职业生涯的所有步骤中，这个往往受到最多的关注。不幸的是，互联网上对此有很多糟糕的建议。（例如，许多文章敦促对潜在雇主采取对抗态度，我认为这没有帮助。）虽然找工作似乎是最终目标，但它只是漫长职业生涯旅程中的一小步。

4. 自律

   很少有人会知道你是把周末花在学习上，还是狂刷剧上——但随着时间的推移，他们会注意到区别。许多成功人士在饮食、锻炼、睡眠、人际关系、工作、学习和自我保健方面养成了良好的习惯。这些习惯有助于他们在保持健康的同时不断前进。

5. 利他主义

   我发现，那些在自身旅程的每一步都旨在提升他人的人，往往也能为自己取得更好的成果。在为自己打造激动人心的职业生涯的同时，我们如何帮助他人？

第 11 章 克服冒名顶替综合征

克服冒名顶替综合征

在我们深入本书最后一章之前，我想谈谈一个严肃的问题：AI 领域的新手有时会经历冒名顶替综合征 (imposter syndrome)，即某人——无论他们在该领域多么成功——怀疑自己是个骗子，是否真的属于 AI 社群。我要确保这不会阻碍你或任何其他人在 AI 领域成长。

让我明确一点：如果你想成为 AI 社群的一员，那么我张开双臂欢迎你。

如果你想加入我们，你完全属于我们！

据估计，70% 的人在某些时候经历过某种形式的冒名顶替综合征。许多才华横溢的人都公开谈论过这种经历，包括 Facebook 前 COO 雪莉·桑德伯格 (Sheryl Sandberg)、美国第一夫人米歇尔·奥巴马 (Michelle Obama)、演员汤姆·汉克斯 (Tom Hanks) 和 Atlassian 联席 CEO 迈克·坎农-布鲁克斯 (Mike Cannon-Brookes)。这种现象在我们的社群中甚至发生在有成就的人身上。如果你自己从未经历过这种情况，那太好了！我希望你能和我一起鼓励并欢迎所有想加入我们社群的人。

AI 在技术上是复杂的，它不乏聪明且能力出众的人。但很容易忘记，要擅长任何事，第一步就是把它搞砸。如果你成功地在 AI 上搞砸了——恭喜你，你已经在路上了！

我曾经努力理解线性回归背后的数学。当逻辑回归在我的数据上表现异常时，我感到困惑不解，花了好几天才在我实现的基础神经网络中找到一个错误。今天，我仍然发现许多研究论文很难读懂，而且我最近在调整神经网络超参数时犯了一个明显的错误（幸运的是被一位工程师同事发现并修复了）。

所以，如果你也觉得 AI 的某些部分具有挑战性，没关系。我们都经历过。我保证，每一位发表过开创性 AI 论文的人，在某个时刻都曾为类似的技术挑战而挣扎。

以下是一些可能有帮助的事情。

✔ 你有支持你的导师或同伴吗？ 如果还没有，参加“Pie & AI”或其他活动，使用讨论区，努力寻找一些。如果你的导师或经理不支持你的成长，寻找支持你的人。我也在研究如何发展一个支持性的 AI 社群，希望让每个人更容易找到和给予支持。 ✔ 没有人是万事通。 认识到你擅长什么。如果你擅长的是理解并向你的朋友解释《The Batch》中十分之一的文章，那么你已经在路上了！让我们努力让你能理解十分之二的文章。

我三岁的女儿（几乎数不到 12）经常试图教我一岁的儿子东西。无论你进展到哪一步——如果你至少和三岁小孩一样有知识——你都可以鼓励和提升你身后的人。这样做也会帮助你自己，因为你身后的人会认可你的专业知识，并鼓励你继续发展。当你邀请他人加入 AI 社群时——我希望你会这样做——也会减少你对自己是否已是其中一员的疑虑。

AI 是我们世界如此重要的一部分，我希望所有想参与其中的人都能像社群成员一样感到自在。让我们一起努力实现它。

结语：珍惜每一天 (Make Every Day Count)

每年生日那天，我都会思考过去的岁月和未来的日子。

也许你擅长数学；我确信你能通过快速计算回答以下问题。但让我问你一个问题，请凭直觉回答，不要计算。

一个普通人一生的寿命是多少天？

A. 2万 天 B. 10万 天 C. 100 万天 D. 500 万天

当我问朋友时，许多人选择几十万的数字。（还有许多人忍不住去计算答案，这让我很烦！）

当我还是研究生时，我记得把我的统计数据输入到一个死亡率计算器中来计算我的预期寿命。计算器说我预计能活总共 27,649 天。这个数字之小让我震惊。我把它用大字体打印出来贴在办公室墙上，作为每日提醒。

这就是我们所有能与亲人共度、学习、为未来建设、帮助他人的日子。无论你今天在做什么，它值得你生命的 1/30,000 吗？