人工智能工程师：神话与现实
已发表: 2018-05-08人工智能在它发现的相关领域迅速增长。从智能冰箱到自动驾驶汽车——一切都是复杂人工智能算法的结果。 谁对此负责？ 人工智能工程师。
人工智能被认为与机器学习相同，但实际上，后者是前者的子集。 人工智能是一个具有多种应用的广泛领域，但也是最具挑战性的工作领域之一。人工智能旨在赋予机器在几乎所有方面模仿人类的能力——这比听起来要困难得多。 机器本质上是愚蠢的设备，需要大量数据、计算能力和学习努力。 
最成功的 AI 专业人士通常具有共同的特征，并且对机器的热爱使他们能够在职业生涯中蓬勃发展。 使用 AI 需要一个极具分析性和逻辑性的思维过程，以及以最具成本效益和效率的方式解决最具挑战性的问题的能力。 人工智能工程师应该对技术创新有清晰的远见，这些创新可以转化为最先进的项目，让企业保持竞争力。
人工智能：接管还是接管
此外，人工智能专家还需要具备设计、开发、维护、监控和修复其系统和程序所需的技术技能。 最后，人工智能专业人士必须精通以即使是非技术背景的人也能理解的方式翻译技术含量高的信息。 他们需要与组织的其他部门合作，以产生最有洞察力的结果。
好吧，既然我们在人工智能工程师的工作角色上达成了一致，让我们来看看任何人工智能专业人士必须具备的一些关键技能。
计算机科学和数学的基础知识构成了大多数人工智能程序的支柱。 入门级职位至少需要学士学位，而需要监督、领导或行政职位的职位通常需要硕士学位或博士学位。
任何有抱负的 AI 工程师都应该熟悉：
- 各种级别的数学，包括概率、统计、代数和微积分。
- 贝叶斯网络或图形建模，包括神经网络。
- 物理学、工程学和机器人学。
- 计算机科学、编程语言和编码。
- 认知科学理论。
人工智能领域一直在不断发展，并催生了这些人工智能开发人员/工程师一直致力于研究的各种新技术。 让我们看看它们是什么：
目录
自然语言处理和文本分析
NLP 使用并支持文本分析。 NLP 通过统计方法帮助理解以自然语言表达的关于结构、情感、意图和意义的任何句子。 NLP 在欺诈检测和安全、广泛的自动化助手（例如 Siri）以及用于挖掘非结构化数据的应用中得到了广泛的应用。
自然语言理解初学者指南
虚拟代理
从简单的聊天机器人到可以与人类无缝交互的高级系统，所有这一切都归功于人工智能和人工智能工程师。 随着组织意识到聊天机器人对客户服务和支持的重要性，这些聊天机器人和虚拟代理的使用正在增加。
人工智能优化的硬件
随着人工智能和相关技术的发展，硬件需要变得更加适应。 那是什么意思？
图形处理单元 (GPU) 和专门为高效运行面向 AI 的计算作业而设计和开发的设备。 它们对深度学习应用程序产生了巨大影响。 一些开发此类 GPU 的供应商包括 Cray、谷歌、IBM、英特尔和 Nvidia。
生物识别
生物识别技术处理人体物理方面的识别、测量和分析。 它允许人类和机器之间进行更自然的交互，处理与触摸、看到、说话和识别肢体语言相关的交互。
深度学习平台
深度学习平台通过使用具有各种抽象层的高级神经网络，将人工智能和机器学习提升到一个全新的水平。 该技术通过处理数据和创建有助于决策的模式来模仿人脑。
5 机器学习的突破性应用
现在，让我们带您了解一些神话和误解——我们相信您也有其中的一些想法。 让我们一起打败他们！
误区一：人工智能的思维方式与人一模一样——它可以解决人类可以解决的所有问题。
人工智能中还没有通用智能这样的东西，也许我们也不需要它。 如果有的话，今天的人工智能更侧重于教狐猴如何获取食物，而不是让黑猩猩自己解决问题。 大多数 AI 功能都是为特定目的而开发的，例如自然语言处理 (NLP)、图像识别、搜索引擎、游戏、预测或自动驾驶汽车的特定功能。 这通常会带来比一般情报更高的商业价值。 专家总是比通才更受欢迎。
误区二：人工智能与机器学习或深度学习是一回事。
人工智能经常被误解为机器学习、深度学习甚至认知处理。 然而，事实是 ML 是 AI 的一部分，其中定期输入数据来训练机器。 就像我们之前提到的，人工智能比这更广泛，并且形成了我们提到的技术的超集。
5 2018 年自然语言处理在企业中的应用
误区三：人工智能工程师只需开发一次系统，然后它就会继续自己学习。
要是！ 即使是人工智能的一个子集机器学习，也很难实施。 当然，还有更容易和更艰巨的挑战，但总的来说，让这些算法满足您的业务需求本身就是一项任务。 通常算法很容易理解，但挑战在于为问题选择正确的算法并以正确的方式将数据呈现给算法。 这需要对问题有全面的了解，并对算法和模型的能力和约束有透彻的了解。 更复杂的是，机器需要正确数量的训练才能获得人工智能。
这种训练需要尽可能纯净的准确数据。 此外，用于训练的数据非常动态，如果没有在正确的时间使用，就会变得陈旧。 因此，人工智能工程师还需要在他们的系统上进行一次又一次的迭代，以确保它与这样的动态数据无缝协作。
误区四：人工智能算法可以神奇地创建智能系统。 输入的数据质量与人工智能无关。
人工智能绝不是“加载并运行”。 如果您拥有极其广泛或未经处理的数据，人工智能将不会有太大帮助。 这样的数据对于任何系统来说都是不可消化的，并且经常会导致错误的结果。 AI 工程师需要仔细管理数据并确保其具有最高质量，而不是摄取任何东西。 算法只不过是一个程序，而程序需要数据才能工作。 数据越好，结果就越好。
误区五：人工智能是一个非常新的领域。
约翰麦卡锡早在 1956 年就创造了“人工智能”一词，然后继续定义该领域超过 5 年。 因此，尽管人工智能的概念并不新鲜，但它在当今世界上更为普遍。
数据科学、机器学习和大数据之间的区别！
啊! 这就是围绕人工智能工程师的神话。 如果您听说过更多这样的神话，请告诉我们，我们也会帮助您打破它！ 我们会和其他流言终结者一起回来。
从世界顶级大学学习 ML 课程。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。
