作者saltlake (SaltLake)
看板PhD
標題Re: [心得] 博士之後
時間Thu Feb 6 19:41:35 2020
※ 引述《freeskyer (Dr.R)》之銘言：
: ....
: 一個吊詭的現象是，博士班除了邏輯思考、眼界的訓練外，
: 很大一部份也在訓練獨當一面的能力：常會以一個(或多個)博士生為首搭配幾個碩士生
: 或研究助理組成一個小型研究團隊進行專案或是某研究主題。
: 但進入業界後卻往往先考驗你是否能當一個優秀的螺絲釘(這個部份其實跟博班的訓練
^^^^^^^^
國內資訊業界?
: 沒有太大的關聯性)，然後才考慮讓你有獨當一面的機會(朕不給，你不能要)。
: 無關對錯，這無奈的現實導致許多無法學以致用的案例。
: 我求職的目標是以近期挺熱門的人工智慧相關職缺為主，偏好中小型公司
^^^^^^^^^^^
: 以求得更大的發揮空間，嚴格來說我的博士研究跟人工智慧沒有什麼太大的關聯性
: (電腦視覺相關但沒有使用機器學習或是深度學習技術)，
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
這樣的話，和人工智慧的專業關聯是? 畢竟人工智慧可以不用人工神經網路，
但是人工智慧能不和OO學習演算法掛勾?
: 但是身為一個飽經摧殘的阿土伯，我還是說服了許多公司願意相信我是這方面的專家。
: ....
: 進入公司後，不意外地還是被特別關注了(起碼我自己是這麼感覺)，
^^^^^^^^^^
公司裡面目前用了幾個博士? 人少又屬於高薪資員工，被特別關注滿正常。
: 上班第一天老闆就直接約談我，告知第一個任務的內容以及deadline，
: 在沒有準備的狀況下在會議中被叫起來發表看法(擋子彈)，
: 一個職稱比我低的紅人來監督我進度，cowork的時候被別team的小主管凹，
: 菜鳥PM直接對我下命令...等。
: 新到一個環境本來就需要適應的時間，如此的對待的確增加許多額外的壓力。
: - 每個博士學位的背後，都歷經了最深層的絕望以及不人道的精神虐待。
: 由於本身已經有一些工作經驗，因此在經歷一段熟悉、上手、思考的時間後，
: 決定採取先兵後禮的方式回應非直屬主管以外的所有其他人(對指導教授無法翻臉，
: 必須吞忍，對其他人根本沒有客氣的必要)，由於不在乎所以可以灑脫，公事公辦，
: 打臉不挑地點，打完之後好像什麼都沒發生過。
: 在主管的支持下(這點我還挺幸運)，現在也已經獨當一面，並進行招兵買馬的動作。
^^^^^^^^^^^^
這點在學界拿學位的時候大家就該有體會顯著差別了。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.44.197.243 (臺灣)
※ 文章網址: https://webptt.com/m.aspx?n=bbs/PhD/M.1580989297.A.A4D.html
1F：推 ddavid: 廣義的人工智慧確實不一定要掛勾學習演算法啦，上一世代的 02/09 01:31
2F：→ ddavid: 人工智慧有一個區塊其實是專家系統或單純的邏輯分析 02/09 01:33
倒也是，但是這部分的話很古老了。而且記得當年專家系統研究的瓶頸就是必須
先有人類專家總結出經驗，再透過這方面系統開發專家轉換成軟體。
現在以類神經網路為主要技術基底的發展重點就是可以讓系統自主從累積的數
據庫學習。
3F：→ ddavid: 另外，因為國內業界對於人工智慧的需求非常偏影像分析的部 02/09 01:34
4F：→ ddavid: 分，因此如果你原本是影像處理專門，加減補充一下ML技術應 02/09 01:35
5F：→ ddavid: 該還是很好用 02/09 01:35
倒也是。電腦視覺和影像處理本身就有不少業界應用可以玩。特別是業界求的是
解決問題而賺錢。業界問題一定要用機器學習法去解決，本益比不必然漂亮。
但是知道電腦視覺和影像處理的問題所在，很快學一下機器學習的理論和程式撰
寫，確是可以很快上手。
6F：推 morisontw: 現在ML當道時代 很訝異基礎研究還有博班畢業空間 02/11 11:44
機器學習與深度學習類也有其理論基礎。應用機器學習理論解各領域的問題是一類
研究方向，針對機器學習理論做研究則是另一類研究方向。
※ 編輯: saltlake (114.44.195.108 臺灣), 02/11/2020 13:25:50