专家强调PPT做的好可能比懂深度学习更重要

过去三年，美国与AI和机器学习相关的岗位需求数量几乎翻了一番。薪资方面，数据总监平均薪资最高，年薪达到14万美元。DataCamp人员调查了35位一线数据科学家，专家强调PPT做的好可能比懂深度学习更重要。

职业招聘信息网站Indeed.com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。

哪个城市AI职业机会最多？纽约！

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”。

从数据上来看，如果你想进入人工智能领域工作，那就把目光投向纽约市吧。

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：Indeed.com

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。

AI相关职位薪资排行：数据总监最高，平均年薪14万美元

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：Indeed.com

Indeed.com的报告显示，今年在人工智能和机器学习相关职位中，平均工资最高的是分析总监，达到14万美元，其次是首席科学家（13.8万美元），机器学习工程师和计算机视觉工程师（均为13.4万美元）。该报告通过分析数万个提供工资信息的公开招聘信息来确定平均工资。

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。

数据科学革命：各行各业无所不包

今年在人工智能和机器学习相关职位中，数据科学家的招聘信息量排第二。

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Buz***eed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。

然而，有时人们不是很理解“数据科学”和“数据科学家”这类词。

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。

换句话说，在技术领域，数据科学涉及基础设施、实验测试，用于决策的机器学习以及数据产品。

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。

沟通第一：PPT做得好，可能比懂技术还重要

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。

数据科学专业化是大趋势，道德问题是最大挑战

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。”