【AI就業面面觀】如何選擇適合自己的舞臺? --寫給即將參加校招的學弟學妹們

導言

一年一度的校園招聘即將開始,各位學弟學妹們將面臨繼高考、讀研/博之後的又一次重大的人生選擇。第一份工作對於一個人職業生涯的一生都至關重要,如何選擇適合自己的團隊和崗位,做好自己的規劃以達到目標?在今天的文章中,SIGAI將對AI方向的校招選擇進行分析,供各位需要的同學參考。說明一下,在這裏我們僅僅只針對企業類的工作,對公務員、事業單位之類的工作不做分析。

首先聲明:對各個企業、團隊的描述只是文章作者的觀點,不代表SIGAI官方的立場和觀點。

去一個什麼樣的企業?

應屆生的第一份工作是形成工作習慣、思維方式的主要階段。要知道,良好的工作方式和做事習慣、思考和解決問題的方式,對於一個人後續的職業發展至關重要,在起跑線上一定要佔據優勢。如果拋開具體的方向不談,僅僅就公司的規模來進行考慮的話,應屆生剛開始最好去一個做事靠譜、規模不太小的公司。

我們可以將企業分爲初創型,小型,中型,大型這幾種類型。這一劃分既有規模上的考慮,也有成立時間的考量。

首先說初創型,一般指A輪融資之前或人數不超過50-100人左右的企業。這種公司蘊含着大的機會,一般處於高速發展期,但也面臨着大量的不確定因素,風險非常高,很多創業公司都會在初期的幾年內倒閉。因此對於職場新人來說,這種早期的公司一般是不合適的。另外,這樣的公司在管理、培養等方面往往還不完善,加入之後,在職業素養的養成,規範的做事方式等方面將不利於你的提高,而且一般來說缺乏有經驗的人來給你大量的指導,因爲大家都忙於產品的研發和迭代,無太多精力顧及這些方面。

再來說小型和中型企業。二者之間沒有明顯的界限,我們將C輪融資之前、人數不超過200-300人的企業都歸到這裏,當然這個標準也不是絕對的。這種類型的企業也處於高速發展期,而且已經到達一定的規模,日常管理、團隊建設、企業文化等方面開始逐步完善,並且對個人來說有比較好的發展空間。從這個規模開始的企業,是應屆生可以考慮的。

最後說大型企業。這裏指C輪及C輪融資之後的企業,已經IPO的企業當然也屬於此類。這類企業規模大,成熟穩定,管理、文化、人才培養機制已經成型。另外,研發和技術實力也比較強,可以讓你站在一個高的起點上。對於應屆生養成良好的工作習慣和基本素養來說,這是很合適的。但去這類企業也有一個明顯的問題,就是新人能施展的空間一般不大,上升的空間普遍有限。不過對於積累技術、經驗,是很好的。

最後來說怎樣衡量一個公司是否靠譜,其實主要看兩個方面:公司所做的事情,做事的方式。你選擇的公司,儘量是你從內心認可的,即你認同他們所做的事情和目標。另外,他們做事的方式也很重要。一般來說,應該去一個踏踏實實做產品、研究的公司。要知道,那種所謂的“PPT公司”、“忽悠公司”,管理和氛圍糟糕的公司和團隊也是不少的,你應該擦亮眼睛,避免踩坑。

選擇什麼方向?

人工智能目前的應用方向很多,如何選擇適合自己的?一般來說,畢業後從事的方向和你研究生時的方向是一致的,但也有換方向的可能。下面我們列舉一些典型的方向和公司供大家參考。

機器視覺

機器視覺是人工智能應用最廣的方向,這一波深學習的浪潮也起始於在機器視覺領域的突破,人的日常信息超過80%是通過視覺獲取的。同樣的,AI領域的公司中,機器視覺類的公司也是最多的。在現階段,機器視覺中被廣爲研究、產品化的典型方向有:

通用目標檢測

行人檢測

人臉檢測

人臉識別

通用圖像分類

光學字符識別(OCR)

各種圖像處理算法,如分割、增強等

目標跟蹤

3D視覺

醫學圖像分析

車牌識別

機器視覺領域的公司數量衆多,是這一波AI創業浪潮中公司最多的方向,下面我只列出一部分典型的公司和團隊:

語音識別與語音合成

語音識別和機器視覺同屬感知類問題。相對來說,語音識別是人工智能裏比較獨立的一個方向,這方面的職位和公司要少一些,典型的是科大訊飛,思必馳。如果你之前不是研究這個方向的,建議你還是慎重考慮這個方向。

自然語言處理

自然語言處理的目標是理解人類的語言,典型的問題有:中文分析,詞性標註,命名實體識別,文本分類,文本聚類,自動摘要,自動問答,機器翻譯等。當前,這些功能都已經被產品化。在2012年人工智能此輪復興之前,NLP就有大量的職位需求,不少互聯網公司,尤其是大型互聯網公司都有NLP的團隊。這個方向典型的公司有:

數據挖掘

數據挖掘也是人工智能中非常廣的一個方向,我們把數據分析、計算廣告、推薦系統、知識圖譜等都歸到此類。客觀來說,這是人工智能中離變現最近的方向,企業的需求量也很大。

搜索引擎、電商類的公司都需要做廣告點擊率預估,幾乎所有用戶量大的互聯網公司都需要做推薦系統,幾乎所有用戶量大的互聯網公司都要對用戶行爲等數據進行分析,因此現階段對這些方向的人才需求很旺盛。典型的公司有:

智能硬件

智能硬件、智能家居、物聯網等在這些年一直都比較火,也很貼近實際應用。當前應用最廣的是智能視頻分析,如監控,以及其他智能家居產品如智能溫控器。機器視覺、語音識別、控制與策略、數據分析等算法在這個領域都有應用。智能硬件方向典型的公司有:

智能芯片

智能芯片是將人工智能算法如深度神經網絡在芯片上實現並做優化,這是人工智能時代基礎性的組件,類似於CPU對於PC時代的地位。當前有不少公司在做這個事情,典型的有:

這些公司也需要大量的算法人才,以確保芯片上運行的算法的精度、速度。在這裏,需要對卷積神經網絡、循環神經網絡之類的算法和模型進行壓縮、剪枝、優化。

自動駕駛

自動駕駛是這一波人工智能浪潮中炙手可熱的方向,也是對人類未來的生活會產生深遠影響的方向。各個公司都投入大量的人力物力去研發,如Google無人車,百度阿波羅計劃。自動駕駛集成了人工智能裏的多項技術,包括感知與定位、機器視覺、控制與決策、路徑規劃等,因此單獨列出。典型的公司有:

機器人

機器人也是人工智能最重要、實際應用最廣泛的方向之一。與自動駕駛類似,它也集成了人工智能各個方向的技術,包括機器視覺、語音識別與合成、感知、規劃與控制等。這一領域的主要公司有:

去一個什麼樣的產品線和團隊?

一般來說,儘量去核心而非邊緣化的團隊和產品線,或者是新一些的產品線。對於規模較大的公司,一般都很多產品線,它們之間差異非常大,你儘量選擇去核心、重要的產品線,而不是邊緣化的產品線。顯然,重要的產品線公司會投入更多的資源,對你成長的機會也更好。新成立的產品線,一般也有比較大的發展空間,反之,那些成熟穩定、沒有太多有新的工作要做的的產品線,雖然輕鬆,但卻不利於你成長。

怎樣做好自己的第一份規劃?

你未來的職業規劃是怎樣的?如何達到這個目標?雖然聽起來像是面試問題,但這確實是每個剛進入職業生涯的同學需要思考的。都已經畢業了,你不能再稀裏糊塗的,而是對自己的未來要有清晰的規劃,目標明確。這對所有人都是非常重要的。是走純技術路線,還是技術+管理,或是管理?長期來看,要做什麼方向?確定目標之後,如何達到這個目標?這都是你自己需要考慮清楚的問題,沒有人能真正幫你來做。

科學的準備筆試和麪試

校園招聘對候選人的考察主要在下面幾個方面:

思維能力

包括學習能力,理解能力,分析和解決問題的能力。良好的學習能力,分析解決問題的能力,邏輯思維嚴密而靈活,思路清晰,這樣的人是所有企業都歡迎的。這既可以通過所謂的智力題來考察,也可以通過一些專業領域的問題來考察。這是體現一個人的硬實力的地方。不過我們也是可以做出準備的,首先,對於常見的一些面試智力題,可以上網搜索,分析答案,如果因爲這方面你沒有準備到而被刷,那就太冤枉了。有些公司可能會出一些創新的題目,但絕大部分,只要你坐下來冷靜分析思考,是可以給出正確答案的,至少你不應該放棄,要給面試官提供一個思路。對於專業領域裏的一些問題,你也要有思考,例如,讓你去優化一個算法的執行速度,你該怎麼去做?

專業領域的基礎知識

如數學、機器學習、深度學習的知識。這需要你對這些知識有紮實的掌握和理解。經得起拷問。數學是機器學習、深度學習的基礎,雖然筆試和麪試時不會大量的考察數學題,但微積分、線性代數、概率論、最優化方法中常用的知識點還是要掌握。機器學習和深度學習中的任意一個概念、方法都有可能會在面試時被問到,因此你對這兩門課要要充分的準備。

計算機的基礎知識

大的互聯網類公司非常喜歡考這種題目。包括c/c++/python等編程語言,數據結構,算法。對於編程語言,基礎的常用的知識一定要掌握,畢竟你以後是要靠它們吃飯的,而不僅僅只是爲了通過面試。很多編程語言類的題目都出自一些經典的書籍,如《c++ primer》,《effective c++》等。對於算法,最經典的是《算法導論》,如果你沒有時間和信心看完這本書,起碼要看一本簡易版的數據結構和算法教材。常見的編程語言、算法題在網上都有題庫,費點時間去刷一下,研究一下答案,對你來說是一條捷徑,爲什麼不走?

學術與項目經驗。

一般來說,按照你所投的崗位,會問你本崗位所需要的一些專業知識。例如,如果你投的是NLP的職位,那NLP的主要問題難免會被問到。這些需要你平時話時間去掌握,並思考。對於一些深層次的問題,只有你真的思考過了,或者遇到過了,纔會給出合適的答案。

工程能力

這一般通過編程題,或者上機編程來考察。計算機是偏實踐和工程的學科,而實際編程,是考驗一個人的編程能力的試金石。因此,你一定不能紙上談兵,只懂理論而不會編程實現。編程能力的提升需要一個過程,主要在於平時的練習和積累。如果你之前代碼寫的少,那必須要花時間突擊一下,把欠缺的補上來。

溝通、團隊協作能力

這是專業能力之外的能力,但對一個人來說也非重要。至少你在面試時應該能順暢的和面試官溝通,聽清楚他的各種問題,思考之後給出答案,並有分寸的和面試官溝通。這方面的能力,是在平時養成的。

愉快的開始自己的第一份工作

如果你通過了某些公司的面試,順利的拿到了offer,那麼恭喜你!你將開始人生的新階段,正式踏入社會。

以積極、正面的心態投入到第一份工作中是非常重要的。在工作中,你難免會遇到各種困難,技術上的,溝通合作上的,還有其他方面的。此時的你,已經不再是一個學生,而是有自己的判斷力和處事能力的成年人。

對於遇到的問題,要以積極正面的心態去面對,無論哪個團隊、上級 ,都不會喜歡一個負能量的人。對於技術和研發中的問題,可以自己思考,也可以多和同時溝通,一起解決。對於管理、人際關係方面的問題,要以成熟的心智去處理,無論在哪裏,有人的地方就有江湖,有江湖的地方就有人際關係問題。正確的做法是以平常心去看待這些問題,保持自己的道德和爲人底線,做好自己的事情。

▲向上滑動查看更多推薦文章

科普類

【‍獲取碼】SIGAI0413

機器學習——波瀾壯闊四十年

【獲取碼】SIGAI0620

理解計算:從√2到AlphaGo ——第1季 從√2談起

【獲取碼】SIGAI0704

理解計算:從√2到AlphaGo ——第2季 神經計算的歷史背景

【獲取碼】SIGAI0713

理解計算:從√2到AlphaGo ——第3季 神經計算的數學模型

【獲取碼】SIGAI0815

理解計算:從√2到AlphaGo ——第4季 凜冬將至

【獲取碼】SIGAI0802

機器學習和深度學習中值得弄清楚的一些問題

數學類

【獲取碼】SIGAI0417

學好機器學習需要哪些數學知識

【獲取碼】SIGAI0511

理解梯度下降法

【獲取碼】SIGAI0518

理解凸優化

【獲取碼】SIGAI0531

理解牛頓法

機器學習類

【獲取碼】SIGAI0428

用一張圖理解SVM的脈絡

【獲取碼】SIGAI0505

理解神經網絡的激活函數

【獲取碼】SIGAI0522

【實驗】理解SVM核函數和參數的作用

【獲取碼】SIGAI0601

【羣話題精華】五月集錦—機器學習和深度學習中一些值得思考的問題

【獲取碼】SIGAI0602

大話AdaBoost算法

【獲取碼】SIGAI0606

理解主成分分析(PCA)

【獲取碼】SIGAI0611

理解決策樹

【獲取碼】SIGAI0613

用一句話總結常用的機器學習算法

【獲取碼】SIGAI0618

理解過擬合

【獲取碼】SIGAI0627

k近鄰算法

【獲取碼】SIGAI0704

機器學習算法地圖

【獲取碼】SIGAI0706

反向傳播算法推導—全連接神經網絡

【獲取碼】SIGAI0711

如何成爲一名優秀的算法工程師

【獲取碼】SIGAI0723

流形學習概述

【獲取碼】SIGAI0725

隨機森林概述

【獲取碼】SIGAI0822

機器學習中的最優化算法總結

深度學習類

【獲取碼】SIGAI0426

卷積神經網絡爲什麼能夠稱霸計算機視覺領域?

【獲取碼】SIGAI0508

深度卷積神經網絡演化歷史及結構改進脈絡-40頁長文全面解讀

【獲取碼】SIGAI0515

循環神經網絡綜述—語音識別與自然語言處理的利器

【獲取碼】SIGAI0625

卷積神經網絡的壓縮與加速

【獲取碼】SIGAI0709

生成式對抗網絡模型綜述

【獲取碼】SIGAI0718

基於深度負相關學習的人羣計數方法

【獲取碼】SIGAI0723

關於感受野的總結

【獲取碼】SIGAI0806

反向傳播算法推導--卷積神經網絡

【獲取碼】SIGAI0810

理解Spatial Transformer Networks

機器視覺類

【獲取碼】SIGAI0420

人臉識別算法演化史

【獲取碼】SIGAI0424

基於深度學習的目標檢測算法綜述

【獲取碼】SIGAI0503

人臉檢測算法綜述

【獲取碼】SIGAI0525

【SIGAI綜述】行人檢測算法

【獲取碼】SIGAI0604

FlowNet到FlowNet2.0:基於卷積神經網絡的光流預測算法

【獲取碼】SIGAI0608

人體骨骼關鍵點檢測綜述

【獲取碼】SIGAI0615

目標檢測算法之YOLO

【獲取碼】SIGAI0622

場景文本檢測——CTPN算法介紹

【獲取碼】SIGAI0629

自然場景文本檢測識別技術綜述

【獲取碼】SIGAI0716

人臉檢測算法之S3FD

【獲取碼】SIGAI0727

基於內容的圖像檢索技術綜述——傳統經典方法

【獲取碼】SIGAI0817

基於內容的圖像檢索技術綜述——CNN方法

自然語言處理

【獲取碼】SIGAI0803

基於深度神經網絡的自動問答概述

【獲取碼】SIGAI0820

文本表示簡介

工業應用類

【獲取碼】SIGAI0529

機器學習在自動駕駛中的應用-以百度阿波羅平臺爲例【上】

本文爲SIGAI原創

如需轉載,歡迎發消息到本訂號

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章