原文：
www.kdnuggets.com/how-to-standout-and-safeguard-your-job-in-the-generative-ai-era
作者提供的图片
几本操作手册、路线图和职业规划书声称可以帮助你获得第一份人工智能工作或转型进入该领域。然而，人工智能进步带来的自动化也让许多工作面临风险。
那么，如何在人工智能领域特别是今天的生成型时代中找到职业呢？
首先，需要注意的是，理解人工智能的基础知识仍然非常必要，以了解算法如何工作、算法的假设是什么、如果预期行为与实际行为不符如何调试、样本与总体的区别、收集样本的必要性及其不同方法、进行假设检验等等。
很好，有了对人工智能基础知识及其重要性的理解，即使在生成型人工智能时代，我们也来快速梳理一下学习人工智能的路线图。
从学习算法的基础支柱开始，即线性代数、微积分、统计学和概率论，你将能够理解诸如导数的“是什么”、“为什么”和“如何”等概念，它们的应用领域，以及前向传播和后向传播是什么。这还将巩固你对数据分布和概率分布（如高斯分布、泊松分布等）的理解。
大部分知识是免费的；推荐的资源有：
-
3 Brown 1 Blue YouTube 频道
-
可汗学院提供统计学和概率论的课程
作者提供的图片
现在，我们已经准备好学习机器学习的概念，这将涵盖包括线性回归、逻辑回归、决策树、聚类等关键算法。
在继续之前，需要注意的是，由于教育的民主化，今天学习人工智能变得更加容易。例如，此路线图中建议的所有读物都是免费的。
除了发展算法背后的直觉外，学习诸如成本函数、正则化、优化算法和误差分析等概念也是重要的。
现在，让我们开始掌握软件编程。学习编写代码并实现解决方案使你能够无缝地进行实践。4 小时的 Python 视频课程（如路线图图片所示）涵盖了基础知识，让你从一开始就能够入门。现在，我们准备学习深度学习的基础概念，包括层、节点、激活函数、反向传播、超参数调整等。
太好了，学习了足够的内容，我们已经达到了最终阶段，我通常称之为游乐场。这是你将所有知识付诸实践的地方。一种很好的方式是通过实践和参与 Kaggle 竞赛。还可以找到获胜的解决方案，并开发应对各种业务问题的方法。
这是学习 AI 的典型路径，在此过程中，学习者将内化 AI 工作流程，从数据探索开始，即解剖数据以理解其底层模式。在这个阶段，数据科学家了解数据转换，以准备建模用途。
作者图片
特征选择和工程是杰出数据科学家的最强技能。如果这一步做对了，可以加速模型的学习过程。
现在是每个数据科学家都期待的时刻，即构建模型并选择表现最佳的模型。对“最佳表现”的定义通过评估指标来完成，这些指标有两种类型——科学的，如精确度、召回率和均方误差，另一种包括商业指标，如点击量增加、转化率或美元价值影响。
阅读一篇文章到达这个阶段看似是一个简单的过程，但实际上，这是一个广泛的过程。
到目前为止，我们讨论了传统路径，学习每个人都在做的事情。但在生成性人工智能时代，区别因素在哪里呢？
学习者常有的一种观念是不断消费学习内容。虽然学习基础知识很重要，但同样重要的是开始实践和实验，以建立对所学概念的直观理解。
此外，构建 AI 解决方案的关键组成部分是了解 AI 是否适合，包括将业务问题映射到正确技术解决方案的能力。如果起步阶段就做错了，那么期望实现的解决方案在有意义地满足业务目标上是无法实现的。
作者图片
此外，数据科学被视为更多的技术角色，但实际上，它的成功很大程度上依赖于一个常被低估的技能，即与利益相关者的协作。确保将来自不同背景和专业领域的利益相关者引入团队，发挥着关键作用。
即使模型显示出良好的结果，如果缺乏清晰度和将这些结果与业务成果联系起来的能力，模型仍可能未被采纳。这个差距可以通过有效的沟通技巧来弥补。
最后，在你的人工智能方法中务必以数据为先。任何 AI 模型的成功都依赖于数据。此外，寻找那些相信 AI 能力和可能性，同时理解相关风险的 AI 倡导者。
拥有这些技能，我祝愿你在人工智能领域拥有一个卓越的职业生涯。
Vidhi Chugh是一位人工智能战略家和数字化转型领导者，她在产品、科学和工程的交汇点工作，致力于构建可扩展的机器学习系统。她是一位屡获殊荣的创新领袖、作者和国际演讲者。她的使命是使机器学习民主化，并打破术语，使每个人都能参与这场转型。