从银行业务员转行AI工程师：我经历了什么

• 2020 年 1 月 5 日
• 資訊

两年前，我大学毕业。由于我的专业是经济学和金融学，因此我准备从事金融业。投资银行和全球市场——这些都是我梦寐以求的工作。在毕业前 9 个月，我在一家投资银行谋到了一个职位，我感到很自豪，因为那家银行非常难进，如果没有在那家银行实习过，通常是很难通过面试的。

工作几个月后，我学会了 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）。我意识到我更感兴趣的是学习这些工具和代码，而不是学习银行产品。银行产品曾一度因其复杂性而引起我的兴趣，现在却被视为银行从客户身上赚取利润的一种方式。

另外，银行业的工作环境和我的个人价值观差异很大，这对我来说是一个巨大的挑战。

在这个时候，我的一位同事带我看到了「机器学习」的世界。一个人可以「预测」到哪些投入会产生怎样的结果，这让我非常感兴趣。

但有一个问题：我对于编程了解的不是很多。在我的字典里，Python 是一种蛇，而 Pig 是……一头猪。

两年后的今天，我即将进入人工智能行业，成为一名 AI 工程师。这段经历并不容易，时间也不短。对我来说，向人工智能产业的转型仅仅是一个开始——对我来说，这是一个学习和成长的新起点。本文就是我的经历。

免责声明

每个人的数据科学之旅都是不同的。这篇文章不是关于「如何学会人工智能」的，不应该被看作是一个循序渐进的指南。这只是我个人的经历，我希望能激励人们去做他们想做的事，因为生命太短了，不能活得没有意义。

我的旅程

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。以下是我报名参加的课程清单：

Python BootCamp: Go from zero to hero in Python 3 [Udemy]

Python for Data Science and Machine Learning Bootcamp [Udemy]

Managing Big Data with MySQL [Coursera]

Java Tutorial for Beginners [Udemy]

The Web Developer Bootcamp [Udemy]

Machine Learning A-Z: Hands-On Python & R in Data Science [Udemy]

Deploy Machine Learning & NLP Models with Docker [Udemy]

但是，除了加粗的部分，大部分课程我都没有完成。由于获得知识太容易了，我陷入了恶性循环，我很自然而然地在一门课程没有学完的时候转到另一门课，并且兴趣转瞬即逝。

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。

为了让人印象深刻，一个教授传统机器学习（ML）方法的典型 MOOC 课程通常会略过诸如模型实际是做什么的这种基础知识。你会学到随机森林是决策树的集合，但不会学到决策树是如何决定在哪个分支（即熵的概念和数学原理）上选择哪些特征不被覆盖。支持向量机只是作为一种分类方法来教，但如何确定超平面将不包括在课程内。

「我知道的」和「我需要知道的」之间的这种差异在我学习人工智能的更高级领域（如深度学习）时得到了证明。教授深度学习的 MOOC 课程经常在 Tensorflow 中向 MNIST 这样一个好的数据集抛出一堆代码，并告诉你，你现在是一个深度学习专家了。这显然与现实相去甚远，因为论文通常包括复杂的体系结构，其中涉及到深度神经网络模型中特征提取的理解，以及其他更复杂的特征，如 transformer 和双向编码。理解最先进的模型相比其他模型的优势在哪里，这一点也很重要，同时迁移学习和元学习等概念也是很重要的。

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。

别误会我的意思，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。就在那时，我开始研究一种可以为我预订羽毛球场的机器人。这个项目主要包括使用 Selenium 与浏览器交互、浏览网页、最终下单并支付羽毛球场的费用。其动机是，新加坡的羽毛球场通常提前两周就预订满了，很多人每天都会在发售时间在预订网站扎营，而羽毛球场通常在一两秒钟内就被预定完了。

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。

我离我该去的地方很远。

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。

在这个时候，我手上有几个项目。它们不是成熟的项目，其数据集通常是从 Kaggle 获得的。深度学习模型在 Docker 上运行是为了保持一致性，但从来没有考虑到部署的任何方面。毕竟，他们是学校的项目。

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。

我继续面试，尽管大多数面试都不及格，但我积累了大量技术面试和非技术面试的经验。它们让我知道了自己的知识漏洞，我花时间学习了这些技能。更重要的是，它让我了解了不同类型的工作内容，不同的公司对同一个职位的要求是什么。

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。做你喜欢做的事，因为你将花费一生中很大一部分的时间工作。

如果你感到迷茫，记住 Elsa 所说的话：做下一件正确的事。