作者的图像|帆布
一个
您认为只有数学家和软件工程师可以在AI中工作？好吧，如果这样做，你错了。许多在数据科学领域成功的人没有技术背景。
因此，是的，即使您已经开始了自己的职业，例如营销，心理学，法律，设计等，也可以过渡到AI。
这是五种实用方法。
1。成为团队中的AI人
一个
您不需要开始在团队中使用AI。好吧，在大多数情况下，您不会。一个问题可能是与AI工具共享公司数据。但是，成为一个将探索这些工具，熟悉它们并可能为团队带来更高效率的人。
您知道在那里的每个团队中，都是一个出色的冠军还是SQL神？您可以成为AI的人。想法是从小开始，例如：
- 探索如何chatgpt，，，，克劳德， 或者双子座能总结会议，，，，写电子邮件， 或者从数据中提取见解。
- 使用类似工具的测试自动化Zapier（跨应用程序自动化）或notionai（用于笔记/任务帮助），文章中给出了一些示例这里。
2。学习技术基础知识
一个
您不需要立即开始编码机器学习模型。从机器学习和AI是什么基础开始。熟悉基本术语和工具。
这是您应该知道的技术的概述。
一个 一个
这也是您可以开始熟悉自己的工具。一个 一个
更多信息的资源：
监督与无监督的学习
您应该知道的数据科学应该知道的机器学习算法
机器学习类型：这是如何区分它们
- 机器学习词汇表
- AI的要素
- 机器学习速成课程
- Python
- 熊猫文档
- Google Colab
- Scikit-Learn
- chatgpt
- 拥抱脸
- 3.将自己定位为AI翻译人员
- 一个
- AI不存在于真空中；
在那里解决实际问题。
如果我们谈论业务问题，那么机器学习和AI需要域专业知识才能提供足够的解决方案。
猜猜谁提供专业知识？没错。你！
利用这些知识将自己定位为AI翻译，这是技术和非技术利益相关者之间的桥梁。你可以：
- 将业务问题转化为数据问题
- 知道AI如何适合他们
- 机器学习模型假设中的现场缺陷
- 向非技术利益相关者解释模型输出
这样，您首先要了解机器学习建模的某些方面，例如翻译模型结果，例如混淆矩阵和准确性，变成现实世界的影响。从对AI的高级理解中，您可以慢慢过渡到建立实际模型，如果这是您的目标。
4。从无代码或低代码工具开始
一个
在开始构建一些不太复杂的机器学习模型之前，您不必在Python的熟练程度上工作多年。如今，已经有很多工具可以通过使用其拖放界面来构建没有或低代码的AI项目。
他们还将帮助您将自己定位为翻译。这些工具 +您的域知识可以证明您：
- 了解现实世界中的问题
- 可以识别AI解决方案
- 使用AI解决方案解决问题
这是您发现有用的一些工具。
| 类别 | 工具 | 你能做什么 |
|---|---|---|
| 无代码AI构建器 | lobe.ai | 使用拖放UI训练图像分类器。 |
| 可教机 | 在浏览器中构建简单的分类模型。 | |
| Monkeylearn | 为情感，主题或意图创建自定义的NLP模型。 | |
| 显然AI/ZAMS | 上传CSV并运行二进制分类或回归。 | |
| 低代码AI构建器 | 刀 | 使用视觉节点（低码，适用于表格数据）构建ML工作流程。 |
| datarobot | 上传数据，选择模型并使用最小的编码部署。 | |
| Microsoft Azure ML设计师 | 使用拖放模块来构建和部署机器学习模型，以进行数据准备，培训和评估。 | |
| AI驱动的创意和生产力工具 | 跑道ML | 删除视频背景，从文本中生成图像。 |
| 耐用的 | 在几秒钟内建立企业的着陆页。 | |
| 贾斯珀AI | 编写广告副本，产品描述，博客介绍。 | |
| Canva ai | 自动生成字幕，删除图像背景。 | |
| 概念ai | 总结笔记，草稿内容，提取要点。 | |
| 描述 | 编辑播客或视频，例如文本文档。 | |
| chatgpt | 集思广益的想法，总结报告，草稿。 |
5。枢轴扮演AI的角色
一个
枢纽AI的一个很好的开始正在扮演需要AI知识的角色，但不需要建立实际模型。这样的职位是：
- 项目经理 - 利益相关者与机器学习工程师/数据科学家之间的协调
- 技术作家用于记录工作流程和编写用户指南
- 产品设计人员â旨在了解用户如何与AI系统互动
- 政策分析师，以标记AI系统中公平性和解释性等风险
所有这些职位也将使您有机会学习。它可以为过渡到实际模型构建提供坚实的基础，因为AI越来越成为许多工作角色的一部分。
结论
一个
数据科学家和机器学习工程师并不是在AI中起作用的唯一职位。许多来自非技术背景的人也这样做。
在过渡时，不要注销您已经知道的毫无用处的东西。找到机器学习与域知识之间的相交，然后从那时开始。然后，随着您了解更多有关AI的信息，您可以决定是否要进入建立实际的机器学习模型或保持技术和非技术利益相关者之间的桥梁。
一个 一个
内特·罗西迪（Nate Rosidi）
是数据科学家和产品策略。他还是一位兼职教授分析，并且是StratasCratch的创始人，StratasCratch是一个平台，帮助数据科学家准备采访他们的访谈，并提供顶级公司的真实面试问题。内特（Nate）撰写了职业市场中最新趋势，提供面试建议，分享数据科学项目并涵盖所有SQL。