幸运飞艇 > 运营 >

AI碾压金融成薪资最高行业35位数据科学家透露秘诀:做好PPT

2018-09-12 18:32

  职业招聘信息网站近日发布报告称,自2015年6月到2018年6月,与人工智能或机器学习有关的工作岗位数量增长了99.8%。

  而在同一时间段内,更多的求职者也在寻找与人工智能有关的职位。对AI或机器学习有关职位的搜索或查询次数更是增长了182%。

  从硅谷到华尔街,人工智能和机器学习对高技术工人的需求不断增加。但是,符合需求的人才数量极其有限,企业的求贤若渴让少数符合条件的薪水越来越高。

  过去三年中对人工智能和机器学习相关职业的搜索或查询量增长了182%。但更多的搜索次数并不代表有更多合格的申请人,实际上,企业很难找到具备足够熟练技能的求职者。

  Indeed.com分析了2015年6月至2018年6月期间在美国发布的数百万份公开招聘信息。其中20%以上的职位描述或工作地点及薪资待遇的相关信息中都包括“人工智能”或“机器学习”。

  人工智能和机器学习职位分布最集中的大城市排名。按城市计算,纽约市发布的AI相关职位数站比例最高,但硅谷地区的总职位仍占全国的五分之一。资料来源:/p>

  在2015年6月至2018年6月期间,美国大城市的职位列表的描述中,纽约市有11.6%的职位描述与AI或机器学习有关,比例最高。其次是旧金山(9.6%),圣何塞(9.2%),华盛顿特区(7.9%)和波士顿(6.1%)。

  据Glassdoor最近的一份报告,在过去四年中,美国薪酬最高的工作岗位都是技术部门。苹果、亚马逊、谷歌、Facebook、Uber等公司长期以来为具备机器学习技能的高技术求职者提供高薪待遇。

  据《彭博商业周刊》报道,这些名牌公司可以提供每年超过30万美元的工资和股票期权。现在,包括金融业和医疗保健业在内的其他行业也在努力寻找人才,提供的年薪达6位数。

  在2017年6月至2018年6月的十大职位列表中,10个常见的AI相关职位中有7个的平均年薪超过10万美元,如下图所示:

  与AI和机器学习相关的高薪职位排名。分析总监的平均薪资最高,年薪达到近14.4万美元。资料来源:/p>

  公开发布的主任科学家、机器学习工程师、计算机视觉工程师和数据科学家的薪水也极具竞争力,最低的平均工资水平也在年薪13万美元以上。如果工作地点位于纽约或硅谷,薪水还会额外提升3万美元。

  而且,Indeed.com发布的数字不包括员工奖金,股票期权等福利,这些都会使年薪大大提高。而且,在公共招聘平台上提供的优厚待遇,比起企业直接招募或通过猎头招募的更高级职位相比,有时可能更显得微不足道。

  在职位发布信息与AI或机器学习的相关性方面,机器学习工程师的招聘职位信息中有94.2%提到了“机器学习”和“人工智能”。排在第二位的是数据科学家,比例为75.1%,计算机视觉工程师以64.6%的比例位居第三。

  据市场研究机构Gartner预测,人工智能将让就业机会变得更多,而不是更少。到2020年,人工智能将创造220万个工作岗位,同时减少180万个工作岗位。

  现代数据科学在科技领域内的应用越来越广,可以优化Google搜索排名和LinkedIn建议,还能影响Buzzfeed上的头条新闻。而现在,数据科学有望改变所有行业,从零售业、电信业、农业到医疗,货运和刑罚制度。

  DataCamp的数据科学家Hugo Bowne-Anderson博士接触了35位一线数据科学家,描述了他们的日常工作内容。

  数据科学家是做什么的。我们现在至少在科技行业内,了解数据科学的运行方式。首先,数据科学家要奠定坚实的数据基础,以便执行可靠的分析。然后使用在线实验以及其他方法来实现可持续增长。最后,他们构建机器学习流程,打造个性化的数据产品,以更好地了解他们的业务和客户,并做出更好的决策。

  数据科学在科技之外的行业也在取得重大进展。我与Convoy的数据科学家Ben Skrainka谈到了该公司如何利用数据科学彻底改变北美卡车运输业的现状。 Flatiron Health的Sandy Griffith表示,数据科学已经开始助力对癌症的研究。 Drew Conway和我讨论了他的公司Alluvium“使用机器学习和人工智能将工业运营产生的大量数据流转化为观点。”

  现任Uber自驾车主管的MikeTamir讨论了与Takt合作,以促进世界500强企业利用数据科学,包括他在星巴克推荐系统方面的工作。目前,一场数据科学革命正跨越多个纵向行业而展开。

  我说的不仅仅是自动驾驶汽车和人工通用智能。我接触过的许多人不仅对主流媒体对人工智能的迷恋持怀疑态度,他们对目前关于机器学习和深度学习的热议的态度也是如此。当然,机器学习和深度学习是已经产生重大应用的强大技术,但是,正如所有的热议话题一样,我们应该保持对这一话题的健康的怀疑。

  几乎所有人都明白,工作数据科学家通过数据收集和数据清理,来制作日常工作的原料,通过图表和报告、数据可视化、统计结论等方式将结果传达给主要利益相关方,并努力让决策者相信他们的结果。

  科学家所需的技能正在不断发展(具备深度学习的经验并不是最重要的)。在与西雅图地区的数据科学家Jonathan Nolis的对话中,我们提出了一个问题,“对于数据科学家来说,哪种技能更重要:是能够使用最复杂的深度学习模型,或还是制作更优秀的PPT幻灯片的能力?“他表示后者更重要,因为沟通结果仍然是数据科学工作的重要组成部分。

  另一个反复出现的主题是,如今必要的这些技能可能会在相对较短的时间内发生变化。随着数据科学工具的开源生态系统和商业化,数据科学工具实现了快速发展,许多数据科学中的辛苦工作的自动化程度越来越高,比如数据清理和数据准备。一个常见的比喻是,数据科学家80%的宝贵时间用于查找,清理和组织数据,只有20%用于实际执行分析。

  但这种情况不太可能继续下去了。如今,大量的机器学习和深度学习的自动化程度正在提升,这种快速变化的一个结果是,我的绝大多数交流对象表示,数据科学家的关键技能不是构建和使用深度学习基础架构的能力。

  今天的数据科学家有能力即时学习和沟通,回答业务方面的问题,向非技术利益相关者解释复杂的结果。那么,有抱负的数据科学家应该更少关注技术本身,而应该关注要解决的问题。新技术来来去去,但无论如何,我们仍然需要批判性思维和大量针对特定领域的技能。

  专业化变得越来越重要。虽然数据科学家没有明确的职业道路,对初级数据科学家的支持也很少,但我们已经开始看到某种形式的专业化。Emily Robinson描述了A型和B型数据科学家之间的区别:“A型是分析型的,有点像传统的统计学家;而B型是构建机器学习模型。”

  Jonathan Nolis将数据科学分为三个部分:(1)商业智能,主要是以仪表板、报告和电子邮件的形式“获取公司所拥有的数据并将其提供给合适的人员”;(2)决策科学,即“获取数据并利用它来帮助公司做出决定”;(3)机器学习,即“如何采用数据科学模型并将它们持续投入生产。”尽管许多数据科学家都是通才,他们同时从事所有三种工作,但我们看到了截然不同的职业道路,例如机器学习工程师的案例。

  道德是该领域面临的最大挑战之一。你可能会认为这个职业为其从业者提供了很大的不确定性。当我询问Hilary Mason,问她数据科学界是否还面临其他重大挑战,她说:“你认为不明确的道德规范、缺乏实践标准、缺乏一致的术语这些挑战,对我们来说还不够重大吗?”

  这三点都非常重要,尤其是前两点,这是几乎所有数据科学家最关心的问题。在这个时代,我们与世界的这么多互动都是由数据科学家开发的算法决定的,这其中伦理扮演了一个什么角色呢?正如GitHub高级机器学习数据科学家Omoju Miller在我们的采访中所说:

  “我们需要有伦理解释,我们需要接受培训,我们需要有类似于希波克拉底誓言的东西。我们需要有适当的许可证,这样如果你确实做了什么不道德的事情,也许你会受到一些处罚,或取消资格,或追索补偿。我们可以说这不是我们整个行业想这样,然后要找出方法来纠正哪些做错的人,因为他们没有经过培训,他们不知道。”

  一个经常出现的主题是数据科学可能产生严重、有害和不道德的结果,例如“在全美用于预测未来罪犯”的COMPAS再次犯罪风险评分系统,并且据ProPublica报道,该系统“对黑人有偏见”。

  我们正在接近一个共识,即道德标准需要来自数据科学本身,以及立法者、草根运动和其他利益相关者。这一运动部分涉及重新强调模型的可解释性,而不是黑箱模型。也就是说,我们需要建立可以解释为什么它们做出这一预测的模型。深度学习模型在许多方面都很出色,但它们不可解释。许多研究人员、开发人员和数据科学家正在这方面取得进展,例如Lime,这是一个旨在解释机器学习模型正在做什么的项目。

  整个行业和社会的数据科学革命才刚刚开始。数据科学家这一头衔是否会继续成为“21世纪最性感的工作”,是否会变得更加专业化,还是会成为大多数专业工作者需要具备的技能,目前尚不清楚。正如Hilary Mason所说:“10年后我们还会有数据科学吗?我记得我们有过没有数据科学的时代,如果告诉我说那时候数据科学家的头衔是’网站管理员’,我也不会惊讶。”