「养猪」还是「屠龙」，怎样才算入行 AI？
AI 时代，大家都对各种人工智能岗位充满好奇和憧憬，但普遍都不了解，各个岗位具体是做什么工作的。在这里给大家打个比喻，虽然不太恰当，但非常形象！
做算法是屠龙，仗剑江湖，天外飞仙；
做工程是狩猎，跃马奔腾，纵酒狂歌；
做数据是养猪，每天拌猪食清猪粪，一脸土一身泥。
AI 原本是一个专业领域，没什么特别的。作为码农一枚，笔者的工作内容正好在这个领域。
近年来，连续发生了多件事情，使得笔者不得不抬起原本一直低着敲代码的头，看看这个为 AI 狂欢的世界。
【Case1】 居然在一个月里碰到两位在相对传统行业创业的亲友，来打听将AI技术应用到他们所在行业上的问题，例如：是聊天机器人是否可以代替人工客服。
两位亲友居然都动了雇佣一位算法工程师的念头。其中一位真的已经开始物色了。颇费周折找到一位某非 985 院校专业对口的博士，友人有点动心想要聘用，奈何人家开口就要百万年薪。
创业企业虽然已经拿了两轮融资，还是不敢烧钱作死，故而多方打听“算法”这东西的用处。
【Case2】 笔者所在公司今年的校园招聘，本人照例作为 interviewer 参加，面试了几个来自不同 985 院校的学生（明年毕业）。顺便又和几位今年刚入职的应届生聊了聊。
结果发现，所有 interviewee（至少是我碰到的），全都是人工智能或机器学习方向的学生，所有交流过的新同事，在学校里做的也全部都是机器学习 or 深度学习算法。而且，每一个人对于入职后工作的期望都是做算法。
人工智能，已经跌入到两三年前大数据风口上，全民皆“数据科学家”的套路里了。
到底做什么，才算入行 AI？
工业界直接应用 AI 技术的人员，大致可以分为三个不同角色：算法、工程，和数据。
我们不说怎么能够成为XXX，我们先来看看成为XXX之后要做什么事情，而做这些事情，需要什么样的能力，在拥有了这些能力、做上了这件事情之后，又能向什么方向发展。
1. 做算法
日常工作
所有人都想做算法，那么，说到底，在工业界做算法倒是干什么？
真正的算法工程师（也有公司叫科学家），最基本的日常工作其实是：读论文&实现之——确认最新论文中的阐述是否真实可重现，进一步确认是否可应用于本企业的产品，进而将其应用到实践中提升产品质量。
必备能力
既然日常工作首先是读别人论文。那么，必不可少，作为算法工程师得具备快速、大量阅读英语论文的能力。
在计算机科学，尤其是人工智能、机器学习、深度学习这几个当今世界最热门的领域里，大家都在争分夺秒地抢占制高点，根本不能容忍耽搁时间。 之地。
如果要做算法，平均而言，大致要保持每周读一篇最新论文的频率。
也许这就是为什么，到目前为止，笔者所听闻和见过的算法工程师都是名校相关专业博士的原因。经过几年强化学术研究训练，这些博士们，就算英语综合水平不过 CET-4，也能读得进去一篇篇硬骨头似的英语论文！
理论联系实际，将学术论述与产品、业务结合的能力
一般来说，在大企业里做到真正的算法工程师/科学家，也就不需要自己去动手开发产品了。但做 demo/prototype 还是不能避免的。
算法工程师，可不是用别人写好的工具填几个参数去运行就可以的，需要负责实际业务问题到数学模型的抽象，并能够将他人最新成果应用到业务数据上去。
说得更通俗一点，就算是用别人写的工具或框架，做算法的，也得是 i）第一拨、最前沿那批试用者，或者 ii）工具最新玩法的发明者。
2. 做工程
日常工作
相对于算法的创新和尖端，做工程要平实得多。
这一角色比较有代表性的一种岗位就是：机器学习工程师（或戏称调参工程师）——他们使用别人开发的框架和工具，运行已有算法，训练业务数据，获得工作模型。
其间可能需要一些处理数据、选取特征或者调节参数的手段，不过一般都有据可循，并不需要自己去发明一个 XXXX。
做工程也得读论文，不过和做算法不同，做工程读论文的一般目的不是尝试最新方法，而是用已知有效的方法来解决实际问题。
TIP：很多 title 写的是“人工智能/机器学习/深度学习算法工程师”的招聘岗位，其实招的是做工程的人。不要执着于辞藻，看清楚具体职责和工作内容。
做工程，「机器学习」学到多深够用
当然，既然是有领域的程序员，在专业上达到一定深度也是必要的。
虽然做工程一般要使用现成技术框架，但并不是说，直接把算法当黑盒用就可以做一名合格的“调参”工程师了。
把算法当黑盒用的问题在于：黑盒能够解决问题的时候，使用方便，而一旦不能解决问题，或者对质量有所要求，就会感觉无所适从。
作为程序员、工程人员，想用机器学习算法解决实际问题，就得对算法有一定程度的掌握，此外对于数据处理和模型验证，也需具备相应知识。
3. 做数据
此处说得做数据并非数据的清洗和处理——大家可以看到做工程的岗位，有一部分工作内容就是 ETL 和处理数据。此处说的做数据是指数据标注。
标注数据的重要性
虽然机器学习中有无监督学习，但在实践领域被证明有直接作用的，基本上还都是有监督模型。
近年来，深度学习在很多应用上取得了巨大的成功，而深度学习的成功，无论是图像、语音、NLP、自动翻译还是 AlphaGo，恰恰依赖于海量的标注数据。
无论是做 ML 还是 DL 的工程师（算法&工程），后者有甚，都共同确认一个事实：现阶段而言，数据远比算法重要。
所以，虽然这是一件谁都能干的工作，但是恐怕没几个人想干。
认清形势，脚踏实地
近来一段时间，能明显感到，想入行 AI 的人越来越多，而且增幅越来越大。
为什么这么多人想入行AI呢？真的是对计算机科学研究或者扩展人类智能抱着无限的热忱吗？说白了，大多数人是为了高薪。
人们为了获得更高的回报而做出选择、努力工作，原本是非常正当的事情。关键在于，找对路径。
寻求入行的人虽多，能真的认清市场当前的需求，了解不同层次人才定位，并结合自己实际寻找一条可行之路的人太少，很多培训机构的存在也是为了这些。
但是培训机构也是良莠不齐的，我有个朋友问我刚刚培训出来面试什么工作合适，他是大专毕业学的计算机。培训出来干什么工作合适，我问他那个培训机构教了你那些实战项目。毕竟现在挂羊头卖狗肉的很多，具体可以看我这篇文章《求你们不要再去培训机构学假人工智能了，我给你们科普一下吧！》
所以说，眼睛放光一点，选择最合适自己的学习方式，才是最好的！
为了帮助大家让学习变得轻松、高效，给大家免费分享一大批资料，让AI越来越普及。在这里给大家推荐一个人工智能Python学习交流群：705673780欢迎大家进群交流讨论，学习交流，共同进步。
当真正开始学习的时候难免不知道从哪入手，导致效率低下影响继续学习的信心。
但最重要的是不知道哪些技术需要重点掌握，学习时频繁踩坑，最终浪费大量时间，所以拥有有效资源还是很有必要的。
