人工智能火爆全球，脉脉用户在考虑跨行业转行AI

随着人工智能在全球火爆，让越来越多互联网企业看到了AI领域的发展潜力，而不少互联网大厂已经在布局深入发展人工智能。

对于经历了2022年互联网大厂“毕业潮”的打工人来说，人工智能领域的崛起，未尝不是一个机会。在国内知名职场社交平台脉脉上，不少用户已经在考虑跨行业转行AI领域。

有用户甚至给出了建议：如果是后端转AI，建议在转型初期学习的一些经典书籍的基础上，系统的学习了NLP相关的各种知识，推荐《自然语言处理综论》、《统计自然语言处理基础》、《基于深度学习的自然语言处理》。再看看论文。

也有朋友分享了他从银行业务员转行AI工程师的经历，他表示自己在银行工作几个月后，学会了 Excel VBA，并学会了如何使用 Tableau、Power BI 和 UiPath（一个机器人自动化软件）。于是他开始意识到自己更感兴趣的是学习这些工具和代码，而不是学习银行产品。

做好从银行转战AI行业的准备后，他进行了系统的学习，以下是他分享的学习经历。

加入 MOOC 课程学习

虽然有经济和金融背景，但我不知道如何编码。Excel VBA 和编码很接近，但也只是相似。作为一个优秀的人，为了进入数据科学的行业，我报名参加了 MOOC 上的一些大规模的在线开放课程。

对我来说，这是 MOOC 最大的缺点——内容的简洁性。或者，我最初的期望是 MOOC 可以推动我从事数据科学的职业，这可能太天真了。

在我看来，MOOC 课程常常给人一种错觉，即任何人都可以成为 ML 实践者。它可能会让初学者觉得，ML 只是涉及 .fit（）和 .predict（）的几行代码，这是因为 MOOC 为了让人们可以相对轻松地开始使用 ML（也许由于 ML 相关的大量宣传，将这些课程货币化及其有利可图）而以这些作为教学材料。

MOOC 课程很好，它为人们提供了一种快速而简单的方式来获取知识并开始某个话题。但是，它们会让你成为专家吗？显然不能。你在完成课程后做什么，将决定你是否成为专家。

学习更多技能

在完成了几次 MOOC 课程之后，我知道自己还是什么都不会。当然，我知道了 Python 中的一些基本技能，知道如何使用 sci kit 从.fit（）和.predict（）。

为了提高我的编程技能，我在 Hackerrank 上练习并完成了 SQL 和 Python 相关的题目。同时，我希望有一个真实的 Python 项目。

尽管我对用 Python 编写代码有信心，但我对代码效率一无所知。时间和空间复杂度对我来说完全是陌生的。面向对象编程在我的脑海中是一个从未有过的概念。

在 ML 方面，我是 Jupyter notebook 的专家。我可以将我的 Jupyter notebook 的主题改为「黑暗模式」，并熟练使用所有的快捷键。显然，我已经准备好担当数据科学家的角色。

然而，我在面试中惨败。在进入「数据科学」领域之前，涉及到代码的测试就已经将我拒之门外了。我申请了技术分析师的职位，但被推荐到另一个部门，因为他们觉得我更适合做业务分析师。

课堂学习远远不够

为了深入了解 ML 并磨练我在 Python 方面的技能，我决定在 Singapore Management University 攻读 AI 专业的 IT 商业硕士。

我学习了传统 ML 模型背后的数学知识，并在一个数据集上应用了最先进的深度学习架构。我学习了一些关于人工智能的重要概念，包括常用的搜索算法、Q-学习和深度 Q-学习。我了解了算法设计，包括图形算法、时间和空间复杂度、名称匹配算法以及更多的算法，它们刷新了我的认知。从本质上讲，这门课程为我提供了 MOOC 所缺乏的学术严谨性。

在我看来，硕士阶段的学习为人工智能专业人士提供了必要的学术严谨性，但缺乏实际应用方面的知识。硕士课程不会告诉你什么是获得数据科学工作的必要条件，你必须自己去弄清楚。软件工程和开发技能通常是数据科学家工作范围的一部分（尽管不全面）。代码的协作在大型组织中也很重要。因此，了解如何设置 Docker 环境、启动 AWS EC2 实例、在 Azure blob 存储上托管数据集、高效地组织代码以及使用 GitHub 或 GitLab 进行版本控制，是一些需要的关键技能，但课堂上没有讲授。

去尝试吧，即使你觉得自己不够好

两年后，我得到了一个 AI 工程师的职位。对我来说，这是一个很好的机会，我可以在一个我热爱的领域学习和成长。更重要的是，我的经历证明了任何人都可以完成他们打算做的事情，尽管有些人可能需要比其他人花更长的时间。

归根结底，职业生涯是一场马拉松，而不是短期冲刺。中途转行，特别是转入一个你完全不了解的领域，可能会花费你不少的时间，但只要方向对了，就不用担心没有收获。