這些AI職業最適合「俠骨柔情」的小姐姐們

最新 04-01

人工智慧環境更「偏女性化」？

以前女孩子找工作，爸媽家長說的最多的一句話：「女孩子嘛，工作穩定就行，錢不用多，離家近又安穩的那種最好，別想著天天跟男生一樣的拼。」

不過，情況已經在變化——針對2014年的中國的本科畢業生，Mycos數據有調查分析顯示，在民營個體公司、政府科研、事業單位及合資外資企業等高素質人才的主力就業方向上，本科畢業生的女性，就業的數據情況都略高於男性。

這意味著，白領職場女性的數量在未來，有可能會超過男性。另一方面，在目前的AI從業環境中，仍然是男性主導。洛麗塔陶布（Lolita Taub）是一家位於馬德里的市值5000萬的初創科技風險投資公司的風險投資人，同時也是認知計算聯盟的成員之一，她在接受媒體採訪時認為，阻礙女性進入AI領域，「其中有三種令我印象最深刻：嘲笑、缺乏鼓勵和偏見。」我有很多朋友告訴我，她們幾乎沒有真正進入科技行業，因為她們在成長的過程中聽到的都是是「科技不適合女孩」這樣的話。還有缺乏鼓勵。」

但事實上，人工智慧建立在信息存儲和分析的基礎上，具有強烈的邏輯與理性色彩，容易替代需要大量計算和分析的行業，而更富有個人化色彩、更感性、更具有關懷性質、更依賴於人與人之間的交流與交際技巧的工作，比如心理諮詢師、品菜師等，短時期內將不易被人工智慧所取代。人工智慧時代對人的創新能力、關懷能力、共情能力、人際交流能力提出更高要求。而女性在上述指標上的表現，將毫不遜色於男性，甚至在關懷、共情與人際交往能力上會有優勢。有觀點認為，人工智慧環境會更加偏向「女性化」，這主要包括三個方面：當代思想的體驗化，互聯網的情感化思維，互聯網的去中心化思維。這些均為女性發展提供了新機遇。

本著Lady first 的原則，小芯今天就為小姐姐們扒一扒，哪些AI職位，在緊跟時代的同時，最能匹配你們的「俠骨柔情」。

技術崗，我們不搞演算法搞數據

數據挖掘分析

有志於搞技術，就一定要變身程序猿嗎？

其實，許多女生忽略了一個超Fancy的技術型崗位——數據挖掘分析崗。因為大多數情況下，程序猿們都是與數據挖掘分析人員協同工作的，二者可謂是AI的行業之光。

數據挖掘分析崗位主要的工作，是對數據進行分析來了解複雜的行為、趨勢和推論，發掘隱藏的一些見解，幫助企業做出更明智的業務決策。

比如說，在製作AI聊天機器人時，該崗位的人員需要通過數據發掘用戶的興趣及使用習慣，規划出性格等各方面更加受人歡迎的機器人產品。同時，利用這些數據，還可以定位目標人群，匹配研發應當投入的成本等。

數據挖掘是未來的一個大趨勢，崗位需求自然不用顧慮。且這塊的工作分類也會隨著大數據的普及而越來越精細。女生的天性細膩、敏感首先比較適合ETL方向的工作。

這一崗位要求對數據十分敏感且能有效抓取核心問題，十分適合明察秋毫又具有大局觀的小姐姐們。目前就在這一崗位奮鬥的女生AA說，數據分析要求的不僅僅是對於python或者R等工具的掌握，更多考驗的是語言表達能力和邏輯思維能力，有時候甚至要熟練掌握可視化的表達方式。而且，做數據分析，是一定要讓數據說話，讓數據做出決策。理性，十分重要。

事實上，數據挖掘不單單是一門語言、一種工具這麼簡單，是包含了很多學科的技術，如資料庫技術、統計、機器學習、高性能計算、模式識別、神經網路、數據可視化、信息提取、圖像與信息處理和空間數據分析等。所以說不是學會一門語言，會幾款工具就真能玩轉大數據。

種一棵樹最好的時間是十年前和現在，如果對這個領域感興趣，女生可以現在就操刀準備了。

數據標註（數據管理）

除了數據挖掘和分析，數據標註專業人員也是數據處理的重要崗位，非常適合有耐心的小姐姐們。

所謂數據標註，就是數據管理工作。主要的職責是獲取原始數據、對數據進行清理，並使用機器來進行收集。可謂是機器訓練非常重要的一環。

根據標註需求，對圖像中的目標物體進行畫框，比如圖像中的車輛、車牌、行人、道路、建築、船隻、文字、人體部位等畫框並打上對應標籤，以跟ImageNet同樣的XML格式輸出數據。

從事數據運營的Cathy的日常工作，就是給不同的照片打上標籤從而教會機器識別圖片：「比方說我要教會機器什麼是『貓』，我就將只有貓的圖片素材打上標籤入庫，從而在之後的圖片識別中，機器能根據庫里的圖片，識別目標圖片里的貓。」Cathy表示，別人養呱，自己可以養AI，可是說是很有成就感的一件事了。

ImageNet的締造者李飛飛同樣意識到精細化標註的力量，正在進行一份名為「VisualGenome」的工作。VisualGenome有更多、更窄的框，更詳細的名詞標註，以及位置關係和動作關係。目前VisualGenome中有10.8萬張圖片。

不過，對於數據標註這件不大不小的麻煩事，每個從業者都有自己的看法。

AI產品經理

在各種AI大廠都有自己研發部門的今天，人工智慧應用層的人才變得極為稀缺，如何實現AI落地，需要的是具有交叉行業知識的人才，也就是AI應用型產品經理。

《Why Women Make The Best Product Managers》文章中說，「當我開始準備這個主題演講的時候，我發現我在超過35年的時間裡有機會和許多技術產品團隊合作，所以我具備的視野很寬闊。因此，我寫了一份名單，列出了我所知道的所有的『明星產品經理』，我立刻注意到，我的名單中有一半以上是女性。」

文章作者Marty Cagan認為：「我看到其他有能力的產品經理失敗的主要原因之一是自大。這很大程度上取決於產品經理與團隊其他成員之間的關係，尤其是公司的領導。對於產品經理來說，你必須把提出不同意見當做正常的交流，而不是對雙方的冒犯。

許多女性擁有平衡的自我，這讓她們聽得進別人說的話，而不把不同的觀點看作是對自己的挑戰。這讓她們能有效地與掌權者溝通。這種平衡的自我意識也表現為，當事情進展順利時，女性更願意為團隊提供榮譽，但當事情進展不佳時，也能承擔責任。

」

AI行業目前正在跨越的障礙，是技術落地的障礙。人工智慧是一個賦能的引擎，它本身並不自帶一個商業場景。而要為AI匹配好商業場景，需要的是在其他行業有知識背景或從業背景，具有發散性思維的小姐姐們。

HR：我們是識別AI人才的火眼金睛

AI公司的HR

不想搞技術就與AI行業絕緣了嗎？

要知道，在AI時代，越來越多的崗位都在AI的邊緣試探，包括十分傳統的HR崗。

有調研顯示，行政人事類、人力資源類、公務員則是受訪女性選擇的「更願從事的崗位」前三位。尤其是行政人事類和人力資源類崗位，正越來越受到職場女性的熱捧，佔比分別為17.17%、13.6%，遠遠高於其他崗位。

現在在AI行業里稱職的HR和獵頭基本上是鳳毛麟角。能夠根據一份簡歷和之前的研究或項目經驗大致判斷一個面試者的能力和適合崗位並不是一個簡單的事情。

首先，研發崗位是一個非常"私人化"的職位，不像工程崗位，看到履歷和項目經驗就已經可以判斷個七八成。同樣一個問題，不同水平的研發人員可能有完全不同然而都可以解決的方式，評價其優劣和適合程度，這件事情能做好本身就已經可以PhD畢業了。

其次，研究是一個收益沒那麼快的工作，其實有很多潛力非常不錯的"璞玉"，沒有著光鮮的教育背景，也沒有著閃亮的paper，但是研究的思維和學習的能力都很優秀。如何通過之前一些相關經歷和一些簡單的問題快速篩選出這樣一批人就更加考驗HR了。

Lisa小姐姐在HR工作中，就發現了招聘AI人才的諸多難點：「之前招聘工程師，可能壓力還是在項目組的專業面上，我們主要還是做簡歷篩查工作。但後來我們發現這是有問題的，一個人的研發能力很難用一些項目經驗或者是對於工具的掌握程度來體現的，要判斷的話，更多的還是需要在HR面中，對其學習能力和思維方式進行考察。」

Lisa認為，作為AI行業的HR，不單需要了解人力資源的相關知識，更重要的還是要較為深入地了解AI開發的方方面面，「這是需要在AI行業有知識背景或者是工作背景的，所以我們部門現在有了好幾個背景是CS的小姐姐，包括我們的總監也是CS的PhD」。

不過，入行HR的女生們的職業發展可不是那麼簡單，曾經有一份「HR裝逼辭彙大全」，大家看看是不是很多東西都不懂：

戰略地圖、平衡計分卡、MBO、甘特圖、結構化思維（思維導圖）、組織發展、組織進化、組織變革、組織結構優化（直線制、直線職能制、模擬分權制、事業部制、分子公司、矩陣制、委員會、多維立體），基於效率提升的流程再造（優化）、職能再分配、三支柱模型、運營流程圖、盈利模式、需求預測、人才供給、基於戰略規劃的人才盤點、人才對稱圖、波特價值鏈、洛克希德法、戰略實施模型、決策樹、蒙特卡羅模擬技術、SWOT、帕金森效應