作者isaacting (2312312)
看板Soft_Job
標題Re: [請益] 想從零開始轉行當AI軟體工程師
時間Thu Nov 11 09:33:31 2021
※ 引述《longlyeagle (長鷹)》之銘言:
: Hello 我勉強算是在一線外商做機器學習的
: 我覺得討論到這裡需要釐清一下所謂 "AI工程師" 的角色
: 在業界下圖打*號的都有可能會自稱是 "AI工程師"
: _________________________圖____________________________
: Domain Expert
: |
: *Data Analyst --- - Data Visualization ...
: | \ /
: *Data Scientist -+- Tools -+- Hadoop / Spark ...
: | / \
: *Data Engineer -- - Machine Learning
: | |
: Software Engineer *ML Research Scientist
: _______________________________________________________
: 不過左邊這三個跟右邊的研究員有本質的差異
: 應映現代的商業模式,人們為了加快業務的迭代速度與優化增長,
: 想要利用 Data 來自動做決策
: 所以左邊三個角色,雖然有的更貼近業務面,有的貼近工程面,
: 可是目標最後都是為了解決商業上的問題
: 而 Machine Learning 其實只是工具裡的其中一種
: 就像是廚師使用菜刀一樣
: 需要的是了解不同菜刀的特性並且根據菜單選擇不同的刀具
: 而不一定會需要打造菜刀
: 看得懂論文,能夠做實驗驗證不同手法在商業應用的效果就好
: 其他工序對食材的處理甚至會比選擇使用哪一把刀還要重要
: ML Research Scientist 則不同
: 這位是打刀人,不用管太多 Domain Knowhow
: 畢竟 ML 這個工具就是用數學打造出來的
: 所以需要更多數學相關的能力
: 撇開學術單位,純以業界而論
: 上圖左邊三個跟右邊一個的人力需求比超過 100:1
: 而且兩邊在技能需求上也有很大的差異
: 我覺得可以分開來看
: 架設我們今天目標是左邊偏重應用的
: 那除了機器學習之外在不同的產業有不同的專業需要學習
: 除了專業以外,其他相關的工具
: 比如資料視覺化,大數據工具,或一些清洗手法與流程也需要有所了解
: 這樣的職位看重的是即戰力
: 畢竟是找你來解決商業問題的
: 你在面試的時候要證明的就是自己的戰力
: 業界經驗,作品或是比賽會比較有用
: 如果要找的是右邊的研究員職位
: 這時候我們才更看重學問的紮實程度
: 又因為這個職位人數很少
: 就算有學歷如果沒有頂級論文基本也是沒有機會的
: 現在我們常說畢業生都做 AI 可是找不到 AI 工作的原因
: 就是因為左邊要找即戰力解決問題,右邊需求人數又少
: 所以最後還是走向 SDE 或是相關職缺
: 我是建議有想要走這一塊的不要把自己的路走窄了
: 想說自己就是只要找 AI 相關的工作結果一直找不到工作
: 除非確定自己就是要做很厲害的研究發很強的論文
: 不然我們平常看看跟自己做的應用相關的 AI 論文
: 保持自己對工具的熟悉度就好
: 不要排斥其他的軟工機會
: 至於原文的問題想要上課後找相關工作
: 這個就跟上面整理的一樣
: 光是做 AI 相關的畢業生就數不過來了
: 除非你能夠證明你的戰力
: 不然我比較推薦一般軟工的課,像是 Java 之類的可能比較好找工作
就目前我所知道的AI來說,絕大多數都是應用在"現有產品"的加值上面
怎麼說呢?
譬如說我就有聽過EDA的公司找應用DL來把EDA做最佳化的學生,
或像是趨勢想要把DL應用在惡意封包的偵測上,
或是本業是嵌入式系統的公司,想要做出更炫的產品應用等等,
但由於tensorflow 或是pytorch等,這些API已經算是很容易上手了,
所以很多公司往往會從"內部找工程師去受訓上課","內部找工程師去受訓上課"
來幫助自己的產品做加值。
這樣做會有幾個重要的好處:
1.公司內部不是每個產品都一定用到DL:
很多產品用非NN的演算法就可以解掉,或者是根本就沒有演算法的需求。像我就曾經做
過收到特定的TCP封包後,就讓我的MCU送出PWM的訊號,這哪裡演算法可言?! 但這種需
求多不多?目前這樣的需求還是"遠遠多過"會需要使用DL的項目。找內部工程師的好處
就是,當沒有要弄DL的項目時,工程師就可以回去弄原本既有專業。
2.這些東西真的是非常容易上手:
我其實就是被公司派去上課受訓的其中一員,半路出家的嵌入式工程師,跟我同時期去
受訓的也有兩個,上完課之後,要建"可以用的NN",根本就不是問題,而且重點是,
因為我們懂原本公司的產品,所以對於資料的前處理上根本就是得心應手,完全是無縫
接軌。又如同我前一篇文章所言,DSP前處完之後,丟到NN去之後正確率提高到90%,
客戶滿意跟爽才是重點,根本沒有人會去在乎演算法裡面是否只有NN。
所以前面有推文提到光學博士沒有全用NN,我個人覺得,那完全不是問題,
只要能滿足客戶的需求,有邏輯性,執行速度快,那就好東西!!!!!!!!!!!!
能夠能解決問題 ,根本94讚好嗎
總結以上的兩點,
所以就會回到一個很根本的問題:為何公司要特別請一個專門只做AI或是NN的人呢?
派工程師去受訓,了不起花個10幾萬就可以搞定的東西,何必再"每年"花個50~60萬以上
或是百萬以上請一個專門只會做AI的工程師呢?
換個角度來思考,如果你今天是公司的管理階層,你會怎麼做?
那如果真的要請一個人專門做AI,那請問一下,你會想請甚麼樣等級的人物,這個錢花下
去才會值得
所以再回到最原始的問題: 如果完全0基礎,去補習班學AI就可以找的到工作嗎?
恩....建議還是去學個前後端或是Java都比這個有用很多倍
真心不騙 ㄎㄎ
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 49.217.186.193 (臺灣)
※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1636594413.A.BDC.html
※ 編輯: isaacting (49.217.186.193 臺灣), 11/11/2021 09:34:31
1F:推 billchen123: 先從程式面做起來,有興趣再鑽研AI知識領域與程式 11/11 10:30
2F:推 Findagreen: 說得好 domain knowledge才是基本要求 11/11 10:45
3F:→ Findagreen: 除非是真的很頂尖的AI Engineer 11/11 10:46
4F:推 ryanlei: 好的AI工程師也應該要是好的軟體工程師 11/11 22:45
5F:推 viper9709: 有道理 11/12 15:46