所有文章 > 正文

作为AI初创公司的一号员工,我有哪三大收获?

作者: AMiner科技

时间: 2021-07-21 15:52

AI创业行业适合你吗?

译者丨艾安爽

编辑丨美玲

在AI公司工作体验相当不一样,而我作为一号员工,体验更加神奇。从我记事起,我就很喜欢数学和物理。高中时我成绩很好,学习理科如鱼得水。正如身边人的期许那样,我最终在2017年获得了工程学位。可悲的是,经过五年充满怀疑和失败的坎坷之路,我不再喜欢自己的专业了。我想做出改变。那年夏天我突然开悟:为什么不把我最擅长的事情和我想做的事情结合起来呢

?最终我找到了答案:那就是AI行业!

有了新的目标和决心,我开始在网上学习AI。我上课,读论文,学习编程,花了整整四个月时间与时间赛跑。某个寻常的一天,我找到了心怡的职位:一家专注于创新的AI初创公司正在招聘一名了解人工智能的工程专业应届生。这不就是我嘛。于是我应聘并得到了这份工作。然而,这并不是一份普通的工作:我是该公司的一号员工,也是唯一一个对人工智能有所了解的人。从一开始,这注定是一段充满挑战的旅程。

接下来我将和大家分享作为AI初创公司的一号员工在近3年的旅程中学到的3条经验。本文适用于新进入人工智能领域,尚未清晰知道自己在节奏飞快、不断变化的创业环境中能够收获什么的小白。尽情享受这篇文章吧!


第一个员工——令人兴奋的工作的缩影


我是技术部门的“半壁江山”,和首席技术官一起克服重重困难。当时公司的核心项目涉及一个实时双向手语翻译程序的设计和开发。然而连雄心勃勃的谷歌都还没成功做出这样一个程序。表面上我的正式职位是“初级开发者”。其实我既要当AI研究员、机器学习工程师、数据工程师、数据科学家,还得负责管理文档。QED Investors联合创始人弗兰克•罗特曼(Frank Rotman)几天前在推特上发了下面这篇推文(我强烈共情了)。


“第一天,我要写数据处理的代码,第二天,要阅读论文,寻找最适合的模型。接下来要和手语专家录视频。然后周末要向潜在客户展示并解释我们的产品是如何运作的。每一天都是不一样的。这份工作并不程序化,是一场永远进行时的探险。我非常喜欢这种感觉。每天早上醒来,沉浸在一种不确定中,夹杂着对于创新的渴望,我内心有一种无法阻挡的直面挑战的毅力。

但并不是每个人都这样。有的人喜欢做具体的、任务明确的、不超出职位界限的工作。当然,他们也乐意有创造力,但更喜欢把创造力用在兴趣爱好上。程序化的工作没有那么刺激,但更安稳。我们喜欢自己能游刃有余地处理工作,而不是每天都感觉自己像个笨手笨脚的新手。这是人之常情。”

弗兰克·罗特曼(Frank Rotman)在他的推特中提到了公司的最初10名员工。而我最惨的时候没有同事,没有可以寻求建议的人,因为我就是“专家”。然而,我不会因为任何理由而放弃这条路。尽管我在这份工作中没有收获安全感,但我感受到自己在真正地活着。如果你在纠结选择安稳的工作,还是创业,不妨去探究看看自己与哪边气场更合。


扎实理论背景的重要性


最近在Towards Data Science上展开了一场关于扎实的数学功底在机器学习领域中的作用的辩论。GreekDataGuy(原名Chris The Data Guy) 写了一篇名为《机器学习不需要数学》的文章。不久之后,Sarem Seitz反驳并提出了相反的观点:“机器学习当然需要数学。” 而GDG(GreekDataGuy)声称数学在机器学习中的作用被高估了。对于机器来说,学会编码并知道如何处理数据更重要,因为数据库可以完成繁重的工作。GDG支持自顶向下方法:动手做了再说,在实践中学习。相反的,Sarem Seitz认为,强大的数学和理论知识背景相当于良好的打怪装备,让你可以面对各种意想不到的敌人。你了解自己的模型,可以更好更快地debug明显违反理论的部分。

我赞同Sarem的看法,因为我受过严格的数学和物理训练,所以我能够找到与数据或AI无关的问题的工程解决方案——而这些问题都是我必须解决的。不过,如果你问我是否认为数学对所有人工智能公司的所有技术职位都同样重要,我的回答是“不”。我前面说过,在初创公司工作与在大型传统公司工作是非常不一样的。数学等理论知识是否能发挥作用取决于工作的具体程度。但对我来说,掌握数学和工程学非常有帮助,因为我比大多数人面临更广泛的挑战和问题。

有个真事儿,当时我刚加入公司的时候,他们正试着用一套智能手环把手势翻译成文字。他们打算使用诸如角速度、轨迹和肌肉压力等变量将一组手/臂运动转化为一组“手势库”。试了几周,我意识到我们的测量方式存在一个根本性的错误:手环上没有记录关键的变量。如果我只是一个程序员——或者只是一个数据科学家——我根本不会发现这个问题。因为如果我被告知工作要用到手环上的数据,我只需要等待数据即可,我不会想到检查手环是否正确工作。如果没有工程知识,我将无法解决,甚至很难理解这一问题。

不过,我想这种情况在大公司里并不常见,因为硬件工程师自会处理这类问题。然而,现在很多科技公司都选择创业模式运行。你不知道明天又会有些什么发现,也不知道又需什么新的技能才能打怪升级。也许你甚至不知道被问到的问题正确与否。在这些情况下,强大的理论、数学和工程知识背景可以帮上大忙。


产业还是学术?一个人的乐队


我刚学了4个月的人工智能知识,完全算不上入门。或许我对一些概念有所了解,并且知道主要范例和框架的名称,但我知道自己肯定没有准备好承担一个地狱难度的项目。得到了这份工作我很高兴,但我也很清楚,如果想迎接挑战就得非常努力地学习。然而,令我吃惊的是,我得向我的老板证明我的学习是必需的和有价值的。对我个人来说,这是项目成功的必要条件,但是这份努力和结果的关系对老板来说是间接的。他们看不到我的学习价值何在。因此我不得不在学习和解决公司实际问题以满足老板之间找到平衡。我得一边学习,一边打造技术和设计产品。不过我没有跟别人吐槽过公司,自己解决了工作和学习的冲突和混乱。在大公司里,不同的部门对公司有不同的看法——他们有不同的标准来衡量部门的首要追求——这样他们就可以维护各自的利益。产品设计师认为用户界面是重中之重。数据科学家认为,“机器学习模型的好坏取决于其录入的数据。”人工智能研究者们坚持使用最先进的算法。如果他们的观点发生冲突,每个团队都要争取最多的资源——希望最终能找到一个稳定的平衡。

科学家回答的问题包括:

1、机器学习还是深度学习?

2、卷积网络还是递归网络?

3、一个任务一个模型,还是所有任务一个模型?

技术人员决定:

1、Python还是R语言?

2、keras还是TensorFlow? (注:Keras:基于Python的深度学习库;TensorFlow 是一个端到端开源机器学习平台)

3、云计算还是本地?

数据中心人员的问题:

1、同类数据集还是真实数据集?

2、使用现有数据库还是新建我们自己的数据库?

3、有多少类?每类有多少样本?

产品经理总会抱怨:

1、系统应该更快。

2、我们应该让它在手机上也可以使用。

3、我们应该翻译句子,而不仅仅是单词。

我把这些冲突记在心里并加以思考,然后解决它们。这与大学的运作方式大不相同。因此我无法再保留以大学为中心的思维方式。我得在学术和产业之间找到平衡,在科学和技术之间、在准确性和可操作性之间都要找到平衡。刚开始,我和老板吵过不少。但后来,我感觉自己格局小了,并意识到我们应该始终致力于在严谨基础科学的基础之上创造好的产品。然而,每个项目都处于一个更大的框架中,在这个框架中,资源、客户、投资者和期限等变量都扮演着重要的角色。


我的收获


科技初创公司的领域充满了有趣的项目。你不必非要在谷歌或者微软工作才能实现自我的抱负。创业公司并不是大企业的低配版,它本质上是不同的。它的运作方式深刻地影响着工作。我在这家Al初创公司工作了三年,我坚信自己学到了在大型科技公司学不到的东西。更重要的是,1号员工的身份为我提供了独特的视角和专业背景,这对我的整个职业生涯都大有裨益。以下是我的收获的干货要点:

1、早期初创公司的员工工作内容并不固定。

每一天都不一样,每一天都是新的探险。这就是非程序化的工作。如果你讨厌每天做同样的事情,那么节奏飞快、不断变化的创业就是你的归属。工作并不安稳,这也不会成为你的舒适圈,但你每天都会像第一天那样兴奋。

2、许多在Al公司工作的技术人员将理论/数学背景作为一种辅助工具。

它有时会有所帮助,但如果你没有的话也无伤大雅。其他一些人则认为,它可以帮助你在未来的道路上面对意想不到的问题,所以以防万一也无可厚非。然而在科技创业领域,这是必备技能。如果你的简历里写“我是一个全栈程序员”是远远不够的。你应该是一位了解工程、编程、人工智能和数据科学的概念并且理解他们是如何互通的应聘者。

3、在小型初创公司,部门之分并不是很明晰。

你必须接受来自公司多个领域的挑战。这种情况下,专业化技能往往次于综合能力。此外,在初创公司,全面了解公司和你所参与的项目是非常重要的。你得在项目理论部分和其所需资源与必备条件之间找到平衡。在大公司里,每个部门捍卫自己的利益。而在小型初创公司里,你可能需要认识到冲突的双方,并自己解决冲突。

原文链接:https://towardsdatascience.com/3-takeaways-from-my-journey-as-1st-employee-of-an-ai-startup-e2200c4b2a35


二维码 扫码微信阅读
推荐阅读 更多