Re: [請益] 想從零開始轉行當AI軟體工程師

[clothg34569 (提拉米蘇冰淇淋)]

我也來雲一下，因為自己年資尚淺，有些錯誤地方可能請大家提一下

自己算是AI相關工作

首先，如果"興趣"是做個手寫辨識或者讀個書/看個報導就想去做這行的話

我自己是覺得...工作閒暇之餘當作課外作業讀一讀/做一做還不錯啦XD

畢竟多學一些東西總是好的


如果是認真想走，那我是覺得，這行真的算是易學難精
AI一學就能輕鬆做幾個Project(手寫、分類)，能獲得不少成就感
但往後要自己設計Model時就...
再來就，相關缺真的僧多粥少到蠻不推薦的


跟學C++/Web相比，入門有入門的工作，學一年有一年的工作，專精的有專精的工作

但搞AI的，如果AI只會入門，那大概就是需要大量其他專業知識

前面isaacting那篇我覺得就講得很好

學了一年，還是需要大量其他專業知識

直到AI專精為止，應該是都沒甚麼"純AI"的工作

而AI學習的ROADMAP 網路上不少，就隨便貼一篇可以參考看看
https://github.com/AMAI-GmbH/AI-Expert-Roadmap

台灣的話個人體感大概CV : NLP : 其他  是  6 : 3 : 1

而AI缺，不少都是公司比較核心的缺，所以相對的缺也不像其他那麼多
AI相關，一個人給他一個月Train不出來，不會因為多找10個人就能一個月Train出來
用數值比喻的話，假如其他缺你能力值10、30、50、100都有對應的職位
那可能AI相關缺最低也是要60起跳(當然還是有少數掛AI給新手練功的啦)

至於專業知識和AI比例的話，我自己是覺得，以CV舉例
可能能力值100分過門檻，那這100分你要AI10分+CV90分或者CV10分+AI90分都可以

前面isaacting提過主CV的情況

那主AI的情況就是，可能對於CV方法只是大概了解，但可以跟懂CV的人合作
或者雖然不懂CV的詳細演算與證明，但大概知道這方法有哪些優缺點
而主AI的人能夠和人合作來透過AI改善傳統的CV方法

簡單例子就，可能某個非AI演算法，其中某幾項參數是用經驗法則來估計
或者用籠統的統計來計算
這時候可以用AI對這個演算法量身訂做一個Model來改善這幾項參數

純AI的大概就是要精通數學，但這個遠超我能力範圍就不雲了


當然這個"能力值"越高越難成長啦，可能AI能力就算投過頂會/AI相關碩博畢業
也只敢說70分而已


但，回到開頭提的，這行嚴重的僧多粥少

因為現在頂大，以112為例
10個LAB大概4個喊AI，另外4個不喊但是畢業論文都AI，只有兩個跟AI無關
這八個LAB的畢業生出去大概九成都充滿雄心壯志的想去找AI缺
而就我所知，連頂大都不是能保證找到相關缺了，那半路出家就更為困難了

自己簡單排序AI相關能力好找工作程度的話

0. 頂大 + 頂會
1. 有頂會
2. 頂大 + Kaggle高排名紀錄
3. 頂大
4. 有Kaggle高排名紀錄
5. 其他

非一線會議的AI相關論文應該比Kaggle排名略有用一點

其中大概3之後都不是非常好找了(樣本不足可能有偏差)

至於自己做SideProject的，受限於資料問題，這種真的就鳳毛麟角了

結論，認真想轉AI的還是三思而後行吧
如果想轉軟體，認真推薦學好C++/JAVA/JS等等常用語言實際多了
走影像/訊號處理 比起AI，傳統的算法更為重要
最後，英文超重要，熟不熟大幅度影響選擇的多寡

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.231.50.200 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1636556352.A.0D7.html
推 stmilk: 你的排序大概沒錯，但是頂會要在低一點。我還有另一個經
→ stmilk: 驗，之前我們team在招人，我基本上是面試官，有個美國算
→ stmilk: 普通世界排名比台大好一點的數學博士來面，我們有出考題
→ stmilk: ，他擺爛不寫，然後我們也有出回家的一些題目，只是準備
→ stmilk: 可以來討論的，他也沒準備。聊得過程中其實感覺什麼機器
→ stmilk: 學習都不太會，專長是做數值計算。然後我在這個數學博士
→ stmilk: 的經歷上，發現我們在同個時間面試過同一間公司的機器學
→ stmilk: 習缺，那個公司要他不要我哈哈哈，我在那間公司面的狀況
→ stmilk: 是技術考試沒問題，面試也ok，一面完當下直接約二面。然
→ stmilk: 後我被刷掉了他們要那個博士XD
推 libitum: 什麼叫做美國普通世界排名比台大好一點的學校？ 說出來聽
→ libitum: 聽？ 一個phd的養成 我到好奇你們team的組成 怎麼面他?
→ libitum: 老實說 美國一堆念非ML相關的phd 也直接去big tech當DS
→ libitum: or scientist researcher 完全不懂你在用這個衡量人家實
→ libitum: 幹嘛欸 一個學士一個數學phd 撇開budget 誰都知道要選誰
→ libitum: 你會的那些東西 一個math phd要讀這些東西根本不難
→ DrTech: 不討論找什麼工作，就在預設職缺需要的技能排名，當然各說
→ DrTech: 各話。
推 stmilk: 水牛城大學，然後怎麼面的不是寫在上面了。阿我沒說他的
→ stmilk: 實力怎樣啊我只說他機器學習不行啊。考試內容其中一題是
→ stmilk: 矩陣微分，他不是算矩陣微分就算了連一階導數也沒連鎖率
→ stmilk: ，啊如果你不知道這個能幹嘛我們沒交集就不跟你討論了~
推 j0958322080: 做數值計算不會矩陣微分我是覺得很扯，題目可分享？
推 libitum: U buffalo的math phd被你形容成這樣 也真妙XDDD
→ libitum: 一個math phd 坐first derivative不懂用chain rule?
推 stmilk: 你也可以當我嘴砲啊我不在乎XD 這好多年前的事了啦，然後
→ stmilk: 考的就是很基本的矩陣微分
→ libitum: 然後這種東西 知道不知道這能幹嘛XD
→ stmilk: 我怎麼知道他，總之是被我們刷掉了哈哈哈
→ stmilk: 所以我說我們沒交集啊~
推 j0958322080: 到底有多基本啊我真的很好奇
→ stmilk: 然後面試考試嘛大家都心知肚明不太重要，但是這個太誇張
→ stmilk: 啦
→ stmilk: 多基本，就證一下bp算法阿，不用矩陣也可以一個一個慢慢
→ stmilk: 微我們也沒意見，真的不想推也寫個大概怎麼跑。但....
→ mmonkeyboyy: 我不知道為什麼欺負做數值的  最近AI很多都是徵做
→ mmonkeyboyy: 數值的  做純數學的AI人  根本沒有很多
→ mmonkeyboyy: 100個中有一個就不錯了
→ caseypie: 證bp算法確實蠻無聊的，不想寫的數學phd應該不少
推 mmonkeyboyy: 都數學phd了  問這種問題根本是考他智商
推 stmilk: 為什麼考bp算法喔，因為那時其他組的同事設計cost funct
→ stmilk: ion放階梯函數啊，我們組內後來有一陣子很愛互嗆說“啊你
→ stmilk: 這個可微嗎？“，在沒認識那個組的人以前，我還不相信這
→ stmilk: 世界上有做機器學習的人不懂bp算法的呢
→ mmonkeyboyy: 我告訴你哦  我有一個朋友也是這樣的人
→ mmonkeyboyy: 懂一點  但你叫他推演他可能搞很久
→ mmonkeyboyy: 但他有10k+ citations 就是了
→ mmonkeyboyy: 然後他現在最新的工作叫大家不要用BP
→ mmonkeyboyy: 你考他BP 他大概就問你能不能付300k年薪先吧
→ lazarus1121: 你要考微分矩陣公司應該要找應屆畢業生
→ lazarus1121: 碩班以上做理論的時間會比算題目多
推 j0958322080: 那做博班畢業去應該要考啥
→ recorriendo: 考李代數、偏微分方程
推 viper9709: 推文好精采XD