吴恩达在人工智能领域打造职业生涯堪称典范。他以卓越的学术背景和深厚的技术功底，率先在斯坦福大学开启人工智能课程，培养了大批优秀人才，为行业输送了源源不断的新鲜血液。他积极投身于科研，在深度学习等领域取得突破性成果，推动了人工智能技术的飞速发展。同时，他还与业界紧密合作，将理论成果转化为实际应用，助力企业提升竞争力。吴恩达凭借其敏锐的洞察力和创新精神，不仅在学术上成就斐然，更在行业中树立了标杆，为后来者指引了在人工智能领域发展的道路。

编码人工智能是新的读写能力

今天，我们认为很多人知道如何阅读和写作。我希望有一天，人们知道如何编写代码，特别是为人工智能编写代码，就像现在一样普遍。

几百年前，社会并不认为语言读写能力是一种必要技能。少数人学会了阅读和写作，其他人则让他们去阅读和写作。读写能力花了几个世纪才得以传播，现在社会也因此变得丰富得多。

语言能够实现人与人之间深入的交流，而代码是人与机器之间最深入的交流方式，随着机器在日常生活中变得越来越重要，这种交流也变得越来越重要。

传统软件工程——编写程序，明确告诉计算机执行的一系列步骤——一直是编码素养的主要途径。许多介绍性的编程课程都使用创建视频游戏或构建网站为例。但是，人工智能、机器学习和数据科学提供了计算机从数据中提取知识的新范式。这项技术为编码提供了更好的途径。

许多星期天，我从附近的比萨饼店买一块比萨饼。柜台后面的先生几乎没有理由去学习如何制作视频游戏或编写自己的网站软件（除了个人成长和获得新技能的乐趣）。

但人工智能和数据科学对披萨店老板也有很大价值。线性回归模型可以帮助他更好地估计需求，从而优化餐厅的人员配备和供应链。他可以更好地预测夏威夷披萨的销量——我的最爱！——从而提前制作更多的夏威夷披萨，减少顾客的等待时间。

人工智能和数据科学的用途几乎可以在任何产生数据的情况下找到。因此，与传统的软件工程相比，各种各样的职业会发现定制的人工智能应用程序和数据衍生的见解有更多的用途。这使得人工智能导向的编码的读写能力比传统的编码更有价值。它可以使无数个人利用数据使自己的生活更丰富。

我希望构建基本人工智能应用程序的承诺，甚至比构建基本传统软件的承诺更能鼓励人们学习如何编码。如果社会接受这种新的读写能力，我们将从中受益。

职业生涯发展的三个步骤

人工智能的迅速崛起导致人工智能工作迅速增加，许多人正在这一领域建立令人兴奋的事业。职业生涯是一段几十年的旅程，道路并不平坦。多年来，我很荣幸地看到成千上万的学生以及大大小小的公司的工程师在人工智能领域找到了职业方向。

职业发展的三个关键步骤是学习基础技能、从事项目工作（以加深你的技能、建立个人作品集和创造影响力），以及找到一份工作。这些步骤层层相叠：

这些阶段适用于各种职业，但人工智能涉及独特的元素。例如：

学习基础技能是一个贯穿职业生涯的过程：

人工智能还处于起步阶段，许多技术仍在不断发展。虽然机器学习和深度学习的基础正在成熟——而课程学习是掌握这些基础的高效方式——但在这些基础之外，在人工智能领域，跟上不断变化的技术比在更成熟领域更重要。

从事项目工作通常意味着与缺乏人工智能专业知识的利益相关者合作：

这可能会让寻找合适的项目、估计项目的完成时间以及投资回报并设定期望变得具有挑战性。此外，AI项目的高度迭代性给项目管理带来了特殊挑战：当您不知道需要多长时间才能达到目标准确度时，您如何制定构建系统的计划？即使系统达到了目标，也可能需要进一步的迭代来解决部署后的漂移问题。

对人工智能技能和职位角色的看法不一致：

虽然在人工智能领域找工作可能与其他领域找工作类似，但也有重要区别。许多公司仍在努力弄清楚他们需要哪些人工智能技能，以及如何雇佣拥有这些技能的人。你所从事的工作可能与面试官见过的任何东西都大不相同，你更有可能不得不让潜在雇主了解你工作的某些方面。

在你经历每个步骤时，你也应该建立一个支持性的社区。有朋友和盟友可以帮助你——以及你努力帮助的人——会使这条路更容易。无论你是刚刚起步还是已经走了很多年，这都是真的。

学习有前途的人工智能职业的技术技能

在上一章中，我介绍了在人工智能领域建立职业生涯的三个关键步骤：学习基础技术技能，参与项目，以及找到一份工作，所有这些都是成为社区的一员所支持。在这一章中，我想更深入地探讨第一步：学习基础技能。

关于人工智能的研究论文数量多到一个人一辈子都读不完。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来说，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。除了特定模型之外，更重要的是理解机器学习如何以及为什么工作的核心概念，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：深度学习在机器学习领域所占的比重很大，如果不了解它，很难在该领域取得卓越的成就！了解神经网络的基本知识、使它们工作的实际技能（如超参数调整）、卷积网络、序列模型和变压器是非常有价值的。

与机器学习相关的数学：关键领域包括线性代数（向量、矩阵以及它们的各种操作）以及概率和统计（包括离散概率和连续概率、标准概率分布、独立性和贝叶斯规则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——是一种被低估的技能。我发现EDA在以数据为中心的AI开发中特别有用，在那里分析错误和获得见解真的可以帮助推动进展！最后，对微积分的基本直观的理解也将有所帮助。机器学习所需的数学一直在变化。例如，虽然一些任务需要微积分，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不进行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：虽然你只需要机器学习建模技能就可以找到一份工作并作出巨大贡献，但如果你还能编写好的软件来实施复杂的人工智能系统，那么你的就业机会就会增加。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数据帧）、算法（包括与数据库和数据操作相关的算法）、软件设计、熟悉Python、熟悉TensorFlow或PyTorch等关键库以及scikit-learn。

有很多东西要学习！即使你掌握了这份清单上的所有内容，我也希望你能继续学习，不断深化你的技术知识。我认识很多机器学习工程师，他们在自然语言处理或计算机视觉等应用领域或概率图模型或构建可扩展软件系统等技术领域掌握了更深层次的技能，从中受益匪浅。

你如何获得这些技能？互联网上有大量优质内容，从理论上讲，阅读数十个网页可能有效果。但是，如果目标是深入理解，那么阅读互不关联的网页效率低下，因为它们往往重复彼此的内容，使用不一致的术语（这会减慢你的阅读速度），质量参差不齐，而且留有空白。这就是为什么一个好的课程——将大量材料组织成连贯和合乎逻辑的形式——通常是掌握有意义的知识体的最佳方式。当你吸收了课程中提供的知识后，你可以转向研究论文和其他资源。

最后，没有人能在一个周末甚至一个月的时间里掌握他们需要知道的一切。我认识的所有擅长机器学习的人都是终身学习者。鉴于我们的领域变化如此之快，如果你想跟上步伐，除了不断学习，你几乎别无选择。

如何才能多年保持稳定的学习步伐？如果你能养成每周学习一点点的习惯，你就可以在不费吹灰之力的情况下取得重大进展。

我最喜欢的书之一是BJ福格写的《微习惯：小改变，大改变》，福格解释说，建立新习惯的最好方法是从小处着手并取得成功，而不是一开始就做太大，然后失败。例如，他建议不要试图每天锻炼30分钟，而要立志做一个俯卧撑，并坚持下去。

对于那些想要花更多时间学习的人来说，这种方法可能有所帮助。如果你从每天观看10秒的教育视频开始，并坚持下去，那么每天学习的习惯就会自然而然地养成。即使你在10秒内学不到任何东西，你也在建立每天学习一点的习惯。在某些日子里，你可能会学习一个小时或更长时间。

你应该学习数学来获得人工智能的工作吗？

要成为一名机器学习工程师，需要掌握多少数学？数学是人工智能的基础技能吗？了解更多的数学总是件好事！但是要学的东西太多了，所以现实地讲，有必要分清轻重缓急。以下是你可能用来加强数学背景的方法。

为了弄清楚哪些知识是重要的，我发现问自己需要知道什么才能作出你想做的工作的决定是有用的。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？”这个目标可能是建立一个机器学习模型，设计一个系统，或者通过工作面试。

了解你所使用的算法背后的数学往往很有帮助，因为它能使你调试它们。但是，有用的知识深度是随时间而变化的。随着机器学习技术的成熟和变得更加可靠和交钥匙，它们需要的调试越来越少，而对所涉及数学的较浅理解可能足以使它们工作。

例如，在机器学习的早期，用于解决线性方程组（用于线性回归）的线性代数库还不成熟。我必须了解这些库的工作原理，以便我可以选择不同的库并避免数值舍入陷阱。但随着数值线性代数库的成熟，这变得不那么重要了。

深度学习仍然是一项新兴技术，因此，当您训练神经网络和优化算法难以收敛时，了解梯度下降、动量和亚当优化算法背后的数学知识将帮助您作出更好的决策。同样，如果您的神经网络做了一些奇怪的事情——例如，它在特定分辨率的图像上作出糟糕的预测，但在其他图像上没有——了解神经网络架构背后的数学知识将使您处于更有利的地位，以找出应该做什么。

当然，我也鼓励由好奇心驱动的学习。如果你对某事感兴趣，那就去学习吧，不管它最终可能会有多有用！也许这会引发创造性的火花或技术突破。

成功AI项目的范围

人工智能架构师最重要的技能之一就是能够识别出有价值的工作。接下来的几章将讨论如何寻找和处理项目，这样你就可以获得经验并建立自己的作品集。

多年来，我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，并从中获得了乐趣。如果一个人不是这些行业的专家，那么他如何在这些行业中找到有意义的项目呢？以下五个步骤将帮助您确定项目范围。

步骤1

确定业务问题（而不是人工智能问题）。我喜欢找到一个领域专家并问：“你最希望哪三件事情做得更好？为什么它们还没有起作用？”例如，如果你想将人工智能应用于气候变化，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力。

步骤2

头脑风暴AI解决方案。当我年轻的时候，我经常执行第一个让我兴奋的想法。有时这会奏效，但有时我会错过一个可能不需要更多努力就能构建的更好的想法。一旦你理解了一个问题，你就可以更有效地头脑风暴潜在的解决方案。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，使用卫星图像来估计风力涡轮机的高度和发电能力，或者使用天气数据来更好地预测云层覆盖和太阳辐照度。有时没有好的AI解决方案，这也没关系。

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作品、竞争对手的所作所为，或者构建一个快速的概念验证实施来确定一种方法是否在技术上可行。你可以通过咨询领域专家（例如，电网运营商，他们可以就上述潜在解决方案的实用性提供建议）来确定其价值。

步骤4

确定里程碑。一旦你认为一个项目具有足够的价值，下一步就是确定要瞄准的指标。这既包括机器学习指标（例如准确性），也包括业务指标（例如收入）。机器学习团队通常最熟悉学习算法可以优化的指标。但我们可能需要跳出我们的舒适区，提出业务指标，例如与用户参与度、收入等相关的那些指标。不幸的是，并不是每个业务问题都可以简化为优化测试集准确性！如果你无法确定合理的里程碑，那可能说明你需要更多地了解这个问题。一个快速的概念验证可以帮助提供缺失的视角。

步骤5

预算资源。仔细考虑完成项目所需的一切，包括数据、人员、时间以及可能需要的其他团队的支持和集成。例如，如果你需要资金购买卫星图像，确保预算中包含这笔费用。

在项目上工作是一个迭代的过程。如果在任何一步中，你发现当前的方向不可行，请回到上一个步骤，并继续按照你的新理解进行下去。有没有一个领域让你感到兴奋，而人工智能可以在其中发挥作用？我希望这些步骤将指导你通过项目工作来探索它——即使你还没有在该领域拥有深厚的专业知识。人工智能不会解决所有问题，但作为一个社区，让我们寻找方法，尽可能地产生积极影响。

寻找与您的职业目标互补的项目

不言而喻，我们只应该从事对人类负责任、合乎道德和有益的项目。但这些限制留下了大量可供选择的项目。在前一章中，我写了如何识别和确定人工智能项目的范围。本章和下一章的重点略有不同：挑选和执行着眼于职业发展的项目。

成功的职业生涯将包括许多项目，希望随着时间的推移，项目的范围、复杂性和影响力都会增加。因此，从小处着手是可取的。利用早期的项目来学习，随着技能的增长逐渐承担更大的项目。

当你初出茅庐时，不要指望别人会把伟大的想法或资源拱手送给你。很多人都是从利用业余时间做小项目开始的。当你取得初步的成功——即使只是小成功——时，你不断增长的技能会提高你提出更好想法的能力，而且更容易说服别人帮助你承担更大的项目。

如果你没有任何项目想法怎么办？以下是几个产生想法的方法：

• 加入现有项目。如果你发现其他人有一个想法，请加入他们的项目。

• 继续阅读和与人交谈。每当我花很多时间阅读、上课或与领域专家交谈时，我都会有新的想法。我相信你也会。

• 关注一个应用领域。许多研究人员正试图推进基础人工智能技术，比如发明下一代变压器或进一步扩展语言模型，因此，虽然这是一个令人兴奋的方向，但也非常困难。但是，机器学习尚未应用到的应用领域是多种多样的！我很幸运能够将神经网络应用于从自主直升机飞行到在线广告的各个领域，部分原因是我跳进这些应用领域时，研究这些应用的人还相对较少。如果你的公司或学校关心某个特定应用，那就探索一下机器学习的可能性。这可以让你先睹为快，了解一个具有潜在创造性的应用，一个你可以做别人没做过的独特工作的应用。

• 发展一个副业。即使你有全职工作，一个有趣的项目，可能会或可能不会发展成更大的东西，可以激发创造力，并加强与合作者的联系。当我还是一名全职教授时，从事在线教育不是我的“工作”（我的工作是研究和教授课程）的一部分。这是一个有趣的爱好，我经常出于对教育的热情而从事这项工作。我在家录制视频的早期经历，帮助我后来以更实质性的方式从事在线教育工作。硅谷充满了初创企业的故事，这些企业最初是作为副业开始的。只要它不会与你的雇主产生冲突，这些项目可以成为有意义的事情的垫脚石。

给定几个项目想法，你应该选择哪一个？以下是一个快速检查清单，考虑的因素：

• 这个项目会帮助你提高技术水平吗？理想情况下，它应该具有足够的挑战性，可以拓展你的技能，但又不会很难，让你几乎没有成功的机会。这将让你走上一条掌握越来越复杂的技术的道路。

• 你有好的队友一起工作吗？如果没有，有没有可以讨论事情的人？我们从周围的人身上学到了很多，好的合作伙伴会对你的成长产生巨大的影响。

• 它能成为一块垫脚石吗？如果项目成功，其技术复杂性和/或业务影响能否使其成为更大项目的有意义垫脚石？如果项目比您以前从事的项目更大，它很有可能成为这样的垫脚石。

• 最后，避免分析瘫痪。花一个月时间决定是否从事一个一周可以完成的项目是没有意义的。在你的职业生涯中，你会从事多个项目，所以你有大量机会来完善你对什么是有价值的想法。鉴于人工智能项目的巨大数量，与其采用传统的“准备，瞄准，开火”的方法，你可以采用“准备，开火，瞄准”的方法来加速你的进步。

从事项目工作需要就建造什么和如何建造作出艰难的选择。以下是两种截然不同的风格：

• 准备，瞄准，开火：仔细计划并认真验证。只有在对一个方向有高度信心时才作出承诺并执行。

• 准备、开火、瞄准：投入开发并开始执行。这可以让你快速发现问题，并在必要时进行调整。

假设您为零售商构建了一个客户服务聊天机器人，并认为它也有助于餐厅。您是否应该在开始开发之前花时间研究餐厅市场，慢慢来但降低浪费时间和资源的风险？或者立即开始，快速行动并接受转型或失败的风险？

这两种方法都有各自的支持者，最佳选择取决于具体情况。

“准备，瞄准，开火”在执行成本较高时往往更胜一筹，一项研究可以揭示一个项目可能有多有用或多宝贵。例如，如果你能想出几个其他用例（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，那么在确定方向之前花些时间可能是值得的。

“准备好，开火，瞄准”，如果你能以低成本执行，并确定方向是否可行，并找出使它奏效的微调，那么它就会更好。例如，如果你能快速构建一个原型来确定用户是否想要该产品，并且如果可以在少量工作后取消或转向是可以接受的，那么就有理由考虑快速进入。当开枪的成本很低时，也有理由开很多枪。在这种情况下，过程实际上是“准备好，开火，瞄准，开火，瞄准，开枪，瞄准，开枪”。

在就项目方向达成一致后，在构建产品中的机器学习模型时，我倾向于“准备好，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不高。此外，很难进行一项研究，以阐明适当的模型、数据和超参数。因此，快速构建端到端系统并修改它，直到它工作良好是有道理的。

但是，当朝着某个方向前进意味着作出代价高昂的投资或进入一扇单向门（意味着一个很难逆转的决定）时，提前花更多时间确保它真的是一个好主意往往是值得的。

建立能够展示技能进步的项目组合

在职业生涯中，你可能连续从事多个项目，每个项目的范围和复杂性都会增加。例如：

1. 班级项目：

The first few projects might be narrowly scoped homework assignments with predetermined right answers.These are often great learning experiences!

前几个项目可能是范围狭窄的家庭作业任务，有预定的正确答案。这些往往是很好的学习经历！

2. 个人项目

你可能会继续从事小规模的项目，无论是单独还是与朋友合作。例如，你可以重新实现一个已知的算法，将机器学习应用于业余爱好（例如预测你最喜欢的运动队是否会获胜），或者在你的业余时间建立一个小型但实用的系统（例如一个基于机器学习的脚本，可以帮助同事自动化一些工作）。参加由Kaggle组织的竞赛也是获得经验的一种方式。

3. 范围和复杂性的增加

成功一个接一个，为更多的技术增长、更多的资源和越来越重要的项目机会打开了大门。

每个项目只是漫长旅程中的一步，希望这一步能产生积极的影响。此外：

不要担心项目太小。我的第一个机器学习研究项目之一是训练一个神经网络，看看它模仿sin（x）函数的效果如何。它不是很有用，但这是一个很好的学习经历，让我能够继续进行更大的项目。

沟通是关键。如果你想让其他人看到你的工作的价值，并相信你可以投资更大的项目，你需要能够解释你的想法。为了启动一个项目，沟通你希望建立的价值将有助于让同事、导师和管理者加入进来，并帮助他们指出你推理中的缺陷。在你完成工作后，清楚地解释你所完成的工作的能力将有助于说服其他人打开通向更大项目的大门。

领导力不只适用于管理者。当你开始参与需要团队合作的大型人工智能项目时，领导项目的能力就会变得更加重要，无论你是否处于正式的领导职位。我的很多朋友都成功地从事技术而非管理方面的职业，他们能够通过运用深刻的技术洞见来帮助指导项目，例如，在何时投资于新的技术架构或收集更多某种类型的数据，这让他们成长为领导者，并显著改善了项目。

建立一个项目组合，特别是一个随着时间的推移从简单到复杂的项目组合，在找工作时将大有帮助。

启动人工智能工作搜索的简单框架

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，最后选择一个职位并协商薪资和福利。在这一章中，我想重点介绍一个对许多AI求职者有用的框架，特别是那些从其他领域进入AI领域的求职者。

如果你在考虑你的下一份工作，问问自己：你在转换角色吗？例如，如果你是一名软件工程师、大学生或物理学家，你想成为一名机器学习工程师，这就是角色转换。你在转换行业吗？例如，如果你在一家医疗保健公司、金融服务公司或政府机构工作，你想为一家软件公司工作，这就是行业转换。

一家科技初创公司的产品经理在同一家公司（或另一家公司）成为数据科学家，这是角色转换。一家制造公司的营销人员在科技公司成为营销人员，这是行业转换。一家金融服务公司的分析师在科技公司成为机器学习工程师，这是角色和行业双转换。

如果你想找你的第一份人工智能工作，你可能发现转换角色或行业比同时转换两者更容易。假设你是一名在金融服务业工作的分析师：

如果你在金融服务领域找到一份数据科学或机器学习工作，你可以在获得AI知识和专业技能的同时继续使用你的特定领域知识。在这个职位上工作一段时间后，你就可以更好地转到一家科技公司（如果这是你的目标）。

或者，如果你成为科技公司的一名分析师，你可以继续使用你的分析技能，但将其应用于不同的行业。成为科技公司的一员也使你更容易从同事那里了解人工智能的实际挑战、在人工智能领域取得成功的关键技能等等。

如果你想转换角色，那么创业公司可能比大公司更容易实现。虽然也有例外，但创业公司通常没有足够的人手来完成所有想要的工作。如果你能帮助完成人工智能任务，即使这不是你正式的工作，你的工作也很可能会受到赏识。这为在不离开公司的情况下进行可能的角色转换奠定了基础。相比之下，在大公司，僵化的奖励制度更有可能奖励你做好本职工作（以及你的经理支持你做你应聘的工作），但不太可能奖励你工作范围外的贡献。

在你期望的职位和行业工作一段时间后（例如，在一家科技公司担任机器学习工程师），你对那个行业更高级别职位的要求就会有很好的了解。你还会在这个行业内建立关系网，帮助你发展。因此，未来的求职——如果你选择坚持这个职位和行业——可能会更容易。

在换工作时，你是在向未知迈出一步，尤其是如果你要转换角色或行业时。为了更熟悉新的角色和/或行业，最未被充分利用的工具之一是信息面试。我将在下一章分享更多信息。

我非常感谢FourthBrain（DeepLearning.AI旗下公司）的首席执行官萨尔瓦·努尔·穆罕默德为本章提供的一些想法。

关于未来，我们有很多不知道的事情：我们什么时候能治愈阿尔茨海默氏症？谁会赢得下一次选举？或者，在商业背景下，我们明年会有多少客户？

随着世界发生如此多的变化，许多人对未来感到压力，尤其是在找工作的时候。我有一个习惯可以帮助我重新获得一种控制感。面对不确定性，我试着：

• 列出一些可能发生的情况，并承认我不知道哪一种情况会发生。

• 为每种情况制定行动计划。

• 随着未来的到来，定期回顾情景和计划。

• 开始执行看起来合理的行动。

例如，在2020年3月的COVID-19大流行期间，我做了这种情景规划练习。我设想了快速（三个月）、中速（一年）和慢速（两年）的COVID-19恢复情况，并制定了管理每种情况的计划。这些计划帮助我优先考虑我可以做的事情。

同样的方法也可以应用于个人生活。如果你不确定自己能否通过考试、获得工作机会或获得签证——所有这些都可能会让人倍感压力——你可以写出在每种可能的情况下你会怎么做。思考各种可能性并坚持执行计划可以帮助你有效地应对未来，无论它会带来什么。

额外收获：通过学习人工智能和统计学，你可以计算出每种情况的概率。我非常喜欢“超级预测”的方法，这种方法将许多专家的判断综合成概率估计。

使用信息面试找到合适的工作

如果您准备转换角色（例如，第一次担任机器学习工程师）或行业（例如，第一次在人工智能科技公司工作），那么您可能对目标工作有很多不了解的地方。信息面试是一种很好的学习方法。

信息面试包括找到你想要了解的公司或角色中的某个人，并非正式地就他们的工作进行面试。这些对话与找工作是分开的。事实上，在你准备开始找工作之前，面试那些职位与你兴趣相符的人会很有帮助。

信息性面试与人工智能的关系尤为密切，因为该领域正在不断发展，许多公司使用工作头衔的方式不一致。在一家公司，数据科学家可能主要被期望分析业务数据并在幻灯片上呈现结论。在另一家公司，他们可能会编写和维护生产代码。信息性面试可以帮助您弄清楚特定公司的人工智能人员实际上在做什么。

随着人工智能领域机会的迅速增加，许多人将第一次从事人工智能工作。在这种情况下，一次信息面试对于了解实际情况以及从事这项工作需要哪些技能是非常有价值的。例如，你可以了解一家公司使用哪些算法、部署流程和软件栈。如果你不熟悉以数据为中心的人工智能运动，你可能惊讶地发现，大多数机器学习工程师要花费大量时间迭代清理数据集。

通过提前研究面试者和公司，为信息面试做好准备，这样你就可以提出有针对性的问题。你可能会问：

你通常一周或一天的工作是什么？这个职位最重要的任务是什么？成功最重要的技能是什么？你的团队如何共同努力实现目标？招聘流程是什么？考虑到过去脱颖而出的候选人，是什么让他们脱颖而出？

找到愿意接受采访的人并不总是一件容易的事，但如今身居要职的很多人在刚入这一行时都曾得到过前辈的帮助，他们中的很多人也希望回报他人。如果你能联系到已经在你的社交圈中的人——比如在你之前转行的朋友，或者和你上过同一所学校的人——那就太棒了！Pie&AI这样的聚会也能帮助你建立社交圈。

最后，要礼貌和专业，感谢你面试的人。当你有机会时，也请把它传递下去，帮助在你之后的人。如果你收到来自DeepLearning.AI社区某人的非正式面试请求，我希望你能靠近他们，帮助他们更上一层楼！如果你想了解更多关于非正式面试的信息，我推荐加州大学伯克利分校职业中心的这篇文章。

我多次提到过你的人脉和社区的重要性。你遇到的人，除了提供有价值的信息外，还可以通过把你介绍给潜在雇主来发挥不可估量的作用。

找到适合你的AI工作

在本章中，我想讨论一些找工作的细节。

典型的求职过程遵循一条相当可预测的路径。

通过在线搜索或与朋友交谈，了解研究角色和公司。如果愿意，可以安排非正式的信息面试，与对你感兴趣的公司的人交谈。要么直接申请，要么（如果可以的话）从内部人士那里获得推荐。接受邀请公司的面试。收到一个或多个工作邀请，并选择一个。或者，如果你没有收到工作邀请，请向面试官、人力资源人员、在线讨论板或任何能帮助你规划下一步行动的人寻求反馈。

虽然这个过程可能很熟悉，但每一次求职都是不同的。以下是一些提示，可以增加你找到一个支持你蓬勃发展的职业生涯并使你不断成长的机会。

注意基本要素。一份引人注目的简历、一系列技术项目以及出色的面试表现将为你打开大门。即使你获得了公司某人的推荐，简历和作品集仍是你与许多尚不认识你的人建立联系的第一步。更新你的简历，并确保它清晰地呈现了你与目标职位相关的教育和工作经历。针对每一家公司，调整你的沟通方式，解释你为何是合适人选。面试前，询问招聘人员对你的期望。花时间回顾并练习回答常见面试问题，复习关键技能，学习技术材料，确保它们在你脑中鲜活起来。之后，做笔记来帮助你记住说过的话。

要尊重和负责任。带着双赢的心态去面试和谈判。在社交媒体上，愤怒比理性传播得更快，所以一个关于雇主付薪过低的故事会被放大，而一个关于雇主公平对待员工的故事则不会。绝大多数雇主都是道德和公平的，所以不要让一小部分受虐待的员工的故事左右你的做法。如果你要离开一份工作，请优雅地退出。给你的雇主充足的时间，在最后的工作时间里全力以赴，尽你所能完成未完成的工作，以一种尊重你所承担的责任的方式离开。

选择与谁共事。由于你要参与的项目，你很容易选择一个职位。但是，与你共事的团队成员至少同等重要。我们周围的人会影响我们，因此你的同事将产生重大影响。例如，如果你的朋友吸烟，那么你也吸烟的可能性就会增加。我不知道有哪项研究显示了这一点，但我确信，如果你的大多数同事努力工作，不断学习，并建立造福所有人的人工智能，那么你很可能也会这样做。（顺便说一句，一些大公司不会告诉你你的团队成员是谁，直到你接受了工作邀请。在这种情况下，你要坚持不懈地努力，确定并与潜在团队成员交谈。严格的政策可能会让你无法适应，但在我看来，这增加了接受工作邀请的风险，因为它增加了你最终与不适合你的经理或团队成员共事的几率。）从你的社区获得帮助。在我们的职业生涯中，大多数人只进行过少数几次求职，因此我们很少有机会好好练习。然而，总体而言，你周围的人可能有很多经验。不要羞于向他们求助。朋友和同事可以提供建议，分享内部知识，并把你介绍给其他人，他们可能会有所帮助。当我申请第一个教职职位时，我得到了很多支持我的朋友和导师的帮助，他们给我的很多建议都非常有用。

我知道找工作的过程可能会让人望而却步。与其将其视为一次巨大的飞跃，不如考虑循序渐进的方式。首先确定可能的角色，并进行少量信息面试。如果这些谈话告诉你，在你准备好申请之前，还有更多的学习要做，那就太好了！至少你有一个清晰的前进道路。任何旅程中最重要的是迈出第一步，而这一步可以很小。

在人工智能领域建立事业的关键

在人工智能领域取得职业成功的道路比我在一本简短的电子书中所能涵盖的内容要复杂得多。

希望前面的章节能给你前进的动力。

在规划成功之路时，请考虑以下几点：

1.团队合作：

当我们处理大型项目时，通过团队工作比单独工作更成功。与他人合作、影响和被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，我以前是个很差的沟通者。）

2.网络：

我讨厌社交！作为一个内向的人，不得不去参加聚会，强颜欢笑，尽可能多地与人握手，这是一件可怕的事情。我宁愿呆在家里看书。尽管如此，我很幸运地在人工智能领域找到了许多真正的朋友；我愿意为他们挺身而出，他们也值得我信赖。没有人是一座孤岛，当你需要帮助或建议时，拥有一个强大的职业网络可以帮助你前进。除了社交，我发现考虑建立一个社区更有帮助。因此，与其试图建立我的个人网络，我转而专注于建立我所参与的社区。这附带的好处是帮助我认识更多的人，并结交朋友。

3.找工作

在建立职业生涯的所有步骤中，这一步往往最受关注。不幸的是，互联网上有很多关于这一步的坏建议。（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，但这只是职业生涯漫长旅程中的一小步。

4.个人纪律

很少有人会知道你周末是学习还是看电视，但他们会注意到随着时间的推移而产生的变化。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都养成了良好的习惯。这些习惯帮助他们前进，同时保持健康。

5.利他主义

我发现，那些在个人旅程的每一步都立志帮助他人的人，往往能为自己取得更好的结果。我们如何在为自己创造激动人心的职业生涯的同时帮助他人？

克服冒名顶替综合症

在我们深入探讨这本书的最后一章之前，我想谈谈一个严肃的问题，即新进入人工智能领域的人有时会经历冒名顶替综合征，即无论他们在该领域取得多大成功，都会怀疑自己是否是个骗子，是否真的属于人工智能社区。我想确保这不会阻止你或其他任何人在人工智能领域成长。

让我说清楚：如果你想成为人工智能社区的一员，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%的人在某个时候会经历某种形式的冒名综合征。许多有才华的人公开谈论过这种经历，包括Facebook前首席运营官谢丽尔·桑德伯格、美国第一夫人米歇尔·奥巴马、演员汤姆·汉克斯和Atlassian联席首席执行官迈克·卡农-布鲁克斯。即使在我们的社区中，甚至在有成就的人中间，这种情况也会发生。如果你自己从未经历过这种情况，那太好了！我希望你能加入我的行列，鼓励并欢迎所有想加入我们社区的人。

人工智能在技术上很复杂，它拥有相当数量聪明且能力超群的人才。但人们很容易忘记，要想精通任何事情，第一步都是要先不擅长它。如果你已经成功做到了不擅长人工智能——恭喜你，你走上了正轨！

我曾经很难理解线性回归背后的数学原理。当逻辑回归在我的数据上表现异常时，我感到很困惑，我花了好几天时间才找到我实现的基本神经网络中的一个错误。今天，我仍然发现许多研究论文很难阅读，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，一位工程师发现了这个问题并纠正了它）。

所以，如果你也觉得人工智能有挑战性，没关系。我们都经历过。我敢保证，每个发表过有影响力的人工智能论文的人，都在某个时候为类似的技术挑战而苦苦挣扎过。

以下是一些有帮助的事情。

你有支持你的导师或同行吗？如果没有，那就参加Pie&AI或其他活动，使用讨论板，努力找到一些。如果你的导师或经理不支持你的成长，那就找一些支持你的人。我也在努力如何建立一个支持性的AI社区，希望让每个人都能更容易地找到并给予支持。

没有人是样样精通的专家。认识到自己擅长什么。如果你擅长的是向朋友解释《十滴水》中的十篇文章中的其中一篇，那么你已经成功了！让我们努力让你理解其中的二十篇文章。

我三岁的女儿（连数到12都费劲）经常试图教我一岁的儿子东西。无论你的水平有多高——如果你至少像三岁孩子一样见多识广——你都可以鼓励和提升你身后的人。这样做也会对你有所帮助，因为你身后的人会认可你的专业知识，并鼓励你继续发展。当你邀请他人加入人工智能社区时（我希望你能这么做），也会减少对你已经是社区一员的疑虑。

人工智能是我们世界的重要组成部分，我希望每个想成为其中一员的人都能感到宾至如归，成为我们社区的一员。让我们共同努力，实现这一目标。

最后的想法

让每一天都有意义。每年我的生日，我都会思考过去的日子和可能到来的日子。

也许你擅长数学；我相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。

典型的人类寿命是几天？

2万天？10万天？100万天？500万天？

当我问朋友时，很多人选择了一个数十万计的数字。（其他很多人忍不住要算出答案，这让我很恼火！）当我还是个研究生的时候，我记得把我的统计数据输入一个死亡计算器，算出我的预期寿命。计算器说我可以活27，649天。这个数字让我震惊。我用大号字体打印出来，贴在我的办公室墙上，作为每天的提醒。

这是我们与所爱之人共度时光、学习、为未来打拼、帮助他人的全部时间。无论你今天在做什么，是否值得你生命的1/30000？

本文节选自：How To Build Your Career in AI 

作者简介：吴恩达（Andrew Yan-Tak Ng）是斯坦福大学计算机科学系和电机工程系的客座教授，曾任斯坦福人工智能实验室主任。他与达芙妮·科勒一起创建了线上教育平台Coursera。2024年4月，吴恩达加入亚马逊公司董事会。