春節，年薪百萬的AI工程師這樣做職場規劃
接收程序員的 8 點技術早餐
作者｜洪亮劼
出處｜極客時間《AI 技術內參》專欄
作者簡介
洪亮劼，電子商務平台 Etsy 的數據科學主管（Head of Data Science），AICon 演講嘉賓，前雅虎研究院（Yahoo Research）科學家、資深科學家和高級研發經理職位。長期擔任多個國際著名會議及期刊的評審委員會成員和審稿人，並且組織過多個關於推薦、搜索、用戶體驗優化的國際研討會。他擁有 3 項美國專利。
今天，我們來聊聊數據科學家或 AI 工程師的職場規劃。
當然，說到職場規劃，這確實是一個非常寬泛的主題。我們今天要探討的不是數據科學家「應該」怎麼發展，而是說，有哪些職業發展的「可能性」，希望能夠為你規劃自己的職業生涯起到一個拋磚引玉的作用。
數據科學家的「垂直發展」
數據科學家一個最直接的職場規劃，就是在技術線上持續發展，逐漸成為一個技術專家。目前，不同公司對數據科學家類型，這裡包括研究科學家、演算法專家、人工智慧工程師等職位的職業生涯設置並沒有完全統一的模式。但是，數據科學家類型的職位在技術線上大體有這麼幾個台階可以發展。
第一個台階是「初級數據科學家」。
這個台階對應很多公司入門級別的數據科學家，並且大概是對應博士生畢業直接入職，或者碩士生有 2-3 年工作經驗入職這樣的情況。這個階段的數據科學家，其主要職能是在一個比較大型的產品解決方案中，完成一個小的模塊或者任務。當然，也可以是，在一個比較小型的產品解決方案中，完成較大的模塊或者任務。
初級數據科學家對機器學習和人工智慧的掌握程度主要集中於單獨的演算法。因為對業務需求接觸不多，在如何利用模型和演算法來對整個業務提供解決方案，也就是我們之前說的「翻譯」業務的能力上，存在著比較大的挑戰。這也是初級數據科學家在這個階段最需要積累和進階的部分。
下一個台階就是「中級數據科學家」。
這個台階對應很多公司的「高級數據科學家」（Senior Data Scientist）、「主管數據科學家」（Staff Data Scientist）。一般來說，「初級數據科學家」有 1-3 年工作經驗之後就有機會晉陞到「高級數據科學家」，然後再有 1-3 年工作經驗之後就有機會晉陞到「主管數據科學家」。「主管數據科學家」平均應該有 5 年左右的從業經驗。
對於這個台階的數據科學家而言，已經可以承擔一個比較大型的產品解決方案的絕大部分甚至全部的模塊和任務。並且在團隊內部，這個台階的數據科學家已經可以指導絕大多數的初級數據科學家。同時，這個級別的數據科學家對公司的整個宏觀產品線有了更多的認識，對業務需求的「翻譯」能力有很大幅度的提升。在純技術層面，「中級數據科學家」對於機器學習和人工智慧演算法模型的把握已經跳出了單獨一個演算法或者模型的層面，可以比較好地去把握一個方向，特別是有可能的新的研究方向。
最後一個台階，我稱之為「高級數據科學家」。
這個台階對應很多公司的「資深主管數據科學家」（Senior Staff Data Scientist）、「主任數據科學家」（Principal Data Scientist）以及其他更高的職位。一般來說，成為「中級數據科學家」後，再有 1-3 年的工作經驗可以晉陞到這個台階。「高級數據科學家」平均應該有 5-7 年的從業經驗。
對於這個台階的數據科學家而言，基本上已經算是行業的專家，對某一個類型或者某幾個類型的產品解決方案有深刻洞察。另外一個能力就是這個台階的數據科學家相對比較容易舉一反三，能夠對新的產品或者新場景下的解決方案有相對快速和成熟的理解。在團隊內部，這個台階的數據科學家處於整個團隊的核心的位置，對「中級數據科學家」和「初級數據科學家」都能夠起到很好的指導作用。在純技術層面，可以針對機器學習和人工智慧過去 20 年的大部分演算法融會貫通，能夠帶領團隊對一系列新的研究方向有比較好的把握。
數據科學家的「升級發展」
數據科學家的另外一種職場規劃，其實也和眾多工程師的規劃類似，那就是轉到「管理線」或者叫「技術管理」的崗位，特別是管理和數據科學、人工智慧直接相關的團隊。
數據科學家對於管理職位的優勢是，他們有著在這樣團隊中工作和運行的第一手經驗和資料。這些也為數據科學家轉到管理職位提供了一些先天的背景優勢。
因為人工智慧團隊或者數據科學團隊具有高度專業化和技術化的特點，沒有相關技術背景的管理人員，會非常難以勝任這樣的角色。主要表現在以下幾個方面。
第一，這些團隊往往意味著需要招聘、管理和拓展一個由碩士和博士背景為主體的團隊，完全理解和體會這個人群的需求以及這種團隊對於工程、技術等方面的獨特需求，對於一般背景的技術管理人才來說可能會比較困難。
第二，這個技術管理職位往往需要和技術社區，特別是人工智慧社區有一個積極的交互。完全沒有相關技術背景，在這樣的社區立足並且作為一個領導者得以發展，相對比較困難。
第三，當然還是在技術方案上，因為專業性過強，如果技術管理人員沒有背景，就無法對方案進行評估，然後就變成了完全的「人事經理」（People Manager）。
除了從人工智慧團隊管理崗位入手以外，數據科學家還可以挑戰和人工智慧有關的一些管理崗位，比如數據，或者有時候叫大數據部門。這些部門和人工智慧部門經常緊密合作，所以數據科學家也算是對這些部門耳濡目染，相對來說有著比較清晰的認識。
毋容置疑，數據科學家從純技術崗位到管理崗位的轉換過程中，肯定會面臨不少困難。對於有志轉崗的數據科學家來說，他們往往在純技術崗位上工作得比較優秀，一些管理的機會自然出現，於是也就順理成章地轉了過去。然而，對於這些優秀的純技術人員來說，比如「中級」或者「高級」數據科學家，真正的挑戰在於，如何能夠去領導一個團隊去完成一個使命。一些優秀的數據科學家因為自身條件優異，往往存在大包大攬的情況，希望靠自己的能力做出比整個團隊還要好的成績，反而在管理崗上無法施展應有的水平。其實，如何做一個優秀的人工智慧技術管理者，這還是一個非常有新意和挑戰的話題，篇幅有限，今天就不展開了。
數據科學家的「跨界發展」
除了我們剛才說的在純技術崗位的發展以及往管理職位發展以外，數據科學家其實還有一些橫向發展的機會。
比如，最「無縫」發展的就是在工程團隊或者數據分析類團隊之間進行轉換。因為數據科學家的工作性質，這兩類團隊的工作或多或少都已經包含在了數據科學家的日常工作中了。因此，數據科學家可以比較自然地轉換到這些團隊中。當然，這裡還是需要對一些技能進行加強培訓。
另外，數據科學家其實比較適合轉移到產品經理崗位。在「中級數據科學家」之後，這些技術人員需要對業務、對整個產品有比較深入的理解，包括需求、數據、工程技術等，才能對一個產品提出比較合適和成熟的解決方案。另外，數據科學家還需要不斷提升產品的質量水平，這裡面其實就有不少產品經理的角色。因此，數據科學家算是具備成為一個產品經理的一些條件。不過，我們這裡要指出的是，數據科學家的整個背景訓練主要是以純技術為主，特別是人工智慧演算法，因此轉換到產品經理的時候，可能往往過分強調演算法的力量，而忽視整個產品的其他方面。所以，即便是一個成熟的數據科學家依然需要一段時間的培養和培訓，才能夠轉換到產品經理的角色。
《AI 技術內參》專欄目錄
TAG:InfoQ |