- 队长:初开
- 队员:王梦浩 Rosy Rodean
成员简介以及1小时完成组队过程:https://m.openmindclub.com/stu/IA004/discussion/82b806ce-3d1e-4b9f-b982-dadd93388b10
- 形成对人工智能的最小全局认识
- 寻找人工智能行业可能的套利空间,含职业转型
- 认识有趣的小伙伴
- 这个行业的现状?是怎么发展到现在这样的?未来会怎样?
- 如何躲避风险?
- 如何套利?
- AI太热了,既然不能反抗,那就来扒个底朝天吧
- 好奇心害不死猫,我们想知道AI的过去,现状和未来
- 我们会被机器所替代吗,是时候为转行跑路做调研了
- 希望了解全面了解人工智能发展朋友
- 想进入或者利用人工智能行业套利的朋友
人工智能(AI)这一概念已经深入人心,但目前没有一个标准的定义。很多人认为这是一个先进的计算机化系统,能够拥有智能才能有的行为。
从过去的研究目的来看:传统的人工智能研究人脑如何产生智能,然后让机器模仿人脑的思路来实现智能。现代的人工智能认为,机器不一定需要像人一样思考,而重点是让机器能解决人脑才能解决以及无法解决的问题。
对于人工智能的解决方案,一部人工智能教科书给出了以下分类:
- 像人类一样思考的系统(如神经网络);
- 行为与人类相似的系统(例如借助自然语言处理通过图灵测试)
- 能够进行理性思考的系统(例如逻辑运算,推理和优化);
- 行为理性的系统(例如通过感知,学习,决策和行动来实现智能软件和类人机器人)
人工智能硏究员佩徳罗·多眀戈斯则将他们分为五大流派:
- 根据抽象符号进行逻辑推理的“符号派”;
- 受人脑启发搭建结构的“联结派”;
- 受达尔文进化论启发的“进化派”;
- 采用概率推理的“贝叶斯派”;
- 根据以前出现的类似情况进行推理的“类推派”
- 1949年,信息论的创始人香农发表一篇论文《Programming a computer for playing chess》,是首批关于计算机下棋文章之一。
- 1950年,图灵提出“图灵测试”实验,试图为定义机器”智能“的标准,即人类能否通过谈话将人与机器区分开来。
- 1956年,达特茅斯学院夏季人工智能研讨会,艾伦·纽厄尔、赫伯特•西蒙、约翰·麦卡锡、马文·明斯基和阿瑟·塞缪尔正式提出人工智能的概念。
- 1961年,伦纳德乌尔的论文提出模式识别(Pattern Recognition)的概念,他是神经网络、机器学习、计算机视觉和自然语言处理等多个子领域的先驱。
- 1966年,约瑟夫•魏泽鲍姆发表文章《人与机器之间的自然语言交流计算机程序》,这是自然语言处理的这一领域的早期研究成果。
- 1969年,爱德华•费根鲍姆,布鲁斯布坎南等人开发出专家系统(Expert System),专家系统模拟人类专家的决策行为,是最早的人工智能应用软件之一。
- 1969年,马文•明斯基和西摩·帕珀特合著的《感知器》一书,这是一种60年代初期开发的人工神经网络。
- 1974年,马文•明斯基提出框架理论用于知识表示,即如何将人类的知识符号化,让计算机得以描述和解释。
- 1976年,道格拉斯•莱纳特着手于启发式搜索方面的研究,启发式的的目标是寻找问题的可行解,而不是最优解。
- 1976年,大卫·马尔将人工智能和神经生理学的成果整合到视觉处理的中,发表了《视觉信息的早期处理》,有力的推动了计算机视觉这一领域的发展。
- 1976年,兰德尔·戴维斯发表了知识系统方面的文章,他是知识系统方面的主要研究者。
- 1979年,在棋类游戏双陆棋中,IBM的Gerald Tesauro运用人工神经网络,开发的计算机程序TD-Gammon,击败了当时的世界冠军。
- 1985年,朱迪亚·珀尔发明贝叶斯网络,用于表达和分析不确定性和概率性的事件。
- 1986年,罗德尼·布鲁克斯同他的学生与同事发明了基于行为的机器人技术,这是一种使用生物系统作为模型的机器人技术。
- 1995年,弗拉基米尔·万普尼克等人发明支持向量机,这是一种用于分类和回归分析的监督学习模型。
- 1996年IBM计算机深蓝击败国际象棋冠军卡斯帕罗夫。
- 1998年蒂姆·伯纳斯·李创建语义网,这是万维网的扩展,他本人亦是万维网发明者。
- 2001年,约翰·拉弗蒂等人提出条件随机场,这是常用于模式识别和机器学习。
- 2002年,大卫布莱等人开发主题模型,这是一种一种常用的文本挖掘工具。
- 2006,杰弗里·辛顿等人在深度学习这一领域取得突破性进展。
- 2009年,谷歌开始发展自动驾驶技术。
- 2011年IBM的沃森(计算机)在美国的智力竞猜电视节目中击败人类。
现在科研界的普遍观点为,特定领域如策略弈棋、语言翻译、自驾驶汽车和图像识别等方面的弱人工智能已经取得显著进步,并已经可以付诸商用,弱人工智能的时代已经到来。
但等同人类的强人工智能在未来几十年内难以实现。
弱人工智能的发展表现在以下几个方面。
- 机器学习。机器学习,特别是深度学习的发展是当前人工智能的发展热潮主要原因之一。
- 自主无人系统。自主是指系统在少量或者没有人类控制的情况下自行运转,并根据环境变化做岀调整,包括但不限于自动驾驶汽车、无人机等。
- 人机协作。通过机器辅助而不是取代人类完成工作,如医疗方面的X光诊断。
根据国务院《关于印发新一代人工智能发展规划的通知》。
在科研理论方面,聚焦在8个方向 :大数据智能、跨媒体感知计算、混合增强智能 、群体智能、自主协同控制与优化决策、高级机器学习、类脑智能计算、量子智能计算。
- 大数据智能理论。研究数据驱动与知识引导相结合的人工智能新方法、以自然语言理解和图像图形为核心的认知计算理论和方法、综合深度推理与创意人工智能理论与方法、非完全信息下智能决策基础理论与框架、数据驱动的通用人工智能数学模型与理论等。
- 跨媒体感知计算理论。研究超越人类视觉能力的感知获取、面向真实世界的主动视觉感知及计算、自然声学场景的听知觉感知及计算、自然交互环境的言语感知及计算、面向异步序列的类人感知及计算、面向媒体智能感知的自主学习、城市全维度智能感知推理引擎。
- 混合增强智能理论。研究“人在回路”的混合增强智能、人机智能共生的行为增强与脑机协同、机器直觉推理与因果模型、联想记忆模型与知识演化方法、复杂数据和任务的混合增强智能学习方法、云机器人协同计算方法、真实世界环境下的情境理解及人机群组协同。
- 群体智能理论。研究群体智能结构理论与组织方法、群体智能激励杋制与涌现杋理、群体智能学习理论与方法、群体智能通用计算范式与模型。
- 自主协同控制与优化决策理论。研究面向自主无人系统的协同感知与交互,面向自主无人系统的协同控制与优化决策,知识驱动的人机物三元协同与互操作等理论。
- 高级机器学习理论。研究统计学习基础理论、不确定性推理与决策、分布式学习与交互、隐私保护学习、小样本学习、深度强化学习、无监督学习、半监督学习、主动学习等学习理论和高效模型。
- 类脑智能计算理论。研究类脑感知、类脑学习、类脑记忆机制与计算融合、类脑复杂系统类脑控制等理论与方法。
- 量子智能计算理论。探索脑认知的量子模式与内在机制,研究高效的量子智能模型和算法、高性能高比特的量子人工智能处理器、可与外界环境交互信息的实时量子人工智能系统等。
在应用技术方面,聚焦在8个方向:知识计算引擎与知识服务、跨媒体分析推理、群体智能关键技术、混合增强智能新架构和新技术、自主无人系统的智能技术、虚拟现实智能建模技术、智能计算芯片与系统、自然语言处理技术。
- 知识计算引擎与知识服务技术。研究知识计算和可视交互引擎,研究创新设计、数字创意和以可视媒体为核心的商业智能等知识服务技术,开展大规模生物数据的知识发现。
- 跨媒体分析推理技术。研究跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术,开发跨媒体分析推理引擎与验证系统。
- 群体智能关键技术。开展群体智能的主动感知与发现、知识获取与生成、协同与共享、评估与演化、人机整合与增强、自我维持与安全交互等关键技术研究,构建群智空间的服务体系结构,研究移动群体智能的协同决策与控制技术。
- 混合增强智能新架构和新技术。研究混合增强智能核心技术、认知计算框架,新型混合计算架构,人机共驾、在线智能学习技术,平行管理与控制的混合增强智能框架。
- 自主无人系统的智能技术。研究无人机自主控制和汽车、船舶、轨道交通自动驾驶等智能技术,服务机器人、空间机器人、海洋机器人、极地机器人技术,无人车间/智能工厂智能技术,高端智能控制技术和自主无人操作系统。研究复杂环境下基于计算机视觉的定位、导航、识别等机器人及机械手臂自主控制技术。
- 虛拟现实智能建模技术。研究虛拟对象智能行为的数学表达与建模方法,虚拟对象与虚拟环境和用户之间进行自然、持续、深入交互等问题,智能对象建模的技术与方法体系。
- 智能计算芯片与系统。研发神经网络处理器以及高能效、可重构类脑计算芯片等,新型感知芯片与系统、智能计算体系结构与系统,人工智能操作系统。研究适合人工智能的混合计算架构等。
- 自然语言处理技术。研究短文本的计算与分析技术,跨语言文本挖掘技术和面向机器认知智能的语义理解技术,多媒体信息理解的人机对话系统。
人才:公开发表过专利或英文论文,10年有创新成果产出。
杰出人才:H因子排名前10%的人才。
美国人工智能人才投入高达28536人,占据世界总量的13.9%;中国投入量列居第二,累计18232人,占据世界总量的8.9%;印度第三,17384人,占8.4%;德国,英国分别以9441,7998人列席四,五位。
美国在人工智能杰出人才投入量上依旧遥遥领先,累高达5158人,占据世界总量的25.2%,是排名第二位英国的4.4倍;中国977人,排名第六。包括中国,印度在内的发展中国家杰出人才比例显着偏低。
国内人工智能人才投入以高校为核心载体,高校占据人才总量的81%;科研机构占据人才总量的9%企业占据总量的6%。
在地区分布方面,以北京为首,西安,南京,上海和武汉其次。
以北京,上海,广东为主,值得注意的是,在广东160多个企业中,深圳占据100+,北上深成为人工智能的主要落地区域,其次为杭州。
过去20年(1996年至2017年),人类论文总量相较1996年增长了约3倍,其中计算机科学相关论文增长了6倍,人工智能相关论文增长了8倍。
过去20年,中国的论文总量异军突起,2006年年超过美国,2011年后进一步增速,此外印度在2011年后论文数量也增长迅速。
如今,中国,美国和欧洲地区成为人工智能三大主要发展区域。
2017年的论文总量数据,欧洲占比28%,中国占比25%,美国占比17%,总计70%。
在论文质量方面,基于科研质量指标FWCI分析,美国的论文质量一直占据主导地位,中国的论文质量在不断增长中。
在2018年美国人工智能协会(AAAI)的论文评审中,中国提交1242份论文,通过264份,通过率21%,美国提交934份论文,通过268份,通过率28%。
从机构层面,全球参与人工智能相关科研的主要机构中,中国科学院系统、法国国家科学研究中心(CNRS)以及美国的加州大学系统三足鼎立,其20年的论文产出量都超过了24000篇。
在全球人工智能领域产出最多的百强机构中,87家为高校,8家为科研院所,3家为政府机构,只有2家企业。其中,3家政府机构为:美国能源部(DOE)、美国国防部(DOD)和美国国家航空和宇宙航行局(NASA);2家企业为:IBM和微软。
从学科分布看,无论是全球还是论文产出量最多的8个国家在人工智能领域发表论文最多的两个学科都是计算机科学与工程。除印度外,自动控制系统是全球以及论文产出量最多的其余七国产出排名第三的学科。
此外,机器人学、数学以及影像科学和照相技术也是八国集中关注的学科。各国也基于自身的优势和特点,将人工智能拓展到不同学科的研究中。
在国际合作方面,中国和美国成为主要的科研合作国,其次为与欧洲地区整体的合作。
从国家的角度整体而言,中国的科研产出数量大,美国的产出质量高;中国增量大,发展势头快,美国存量大特别在尖端人才,基础理论和高端芯片方面,美国仍占据优势。
中国和美国已成为人工智能领域现在和未来的领头羊,在这些国家,将更容易感受到人工智能技术带来的影响。
从国内地区发展的角度来看,北京,上海和深圳成为人工智能落地的主要城市,杭州因为浙江大学和阿里巴巴的存在而占有一席之地。
近五年全球AI行业投资热点集中在AI+、视觉、大数据及数据服务和智能机器人等领域。在各类的AI+垂直行业汇总,最受资本青睐的领域有商业智能、医疗健康和金融等领域。
美国发布的人工智能政策着力点在于应对人工智能蓬勃发展的大趋势,欧盟以及德、英、法为代表的欧洲国家,着重关注的是人工智能带来的伦理和道德。日本的人工智能政策发布较晚,政策预期在国家层面建立起相对完整的人工智能研发促进机制。
中国人工智能政策在初期偏向于互联网领域,因此相关产业偏重于应用层,如计算机视觉、自然语言处理、智能机器人和语音识别。因此,目前中国的人工智能战略坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进,强化人工智能对科技、经济、社会发展和国家安全的全面支撑。
- 基础理论的突破如深度学习理论的突破,是引起人工智能的热潮主要原因之一,但强人工智能理论技术仍没有决定性进展,这是人工智能的能力的关键转折点。
- 国家和企业的战略规划与投资中,美,英等世界主要大国已将人工智能列入国家战略规划,各类企业,投资基金也大举进入,人工智能现已加入全球性“军备竞赛” 。
- 软硬件平台的研发部署大数据平台,云计算平台,人工智能专用芯片,5G网络以及量子计算机将大大加速人工智能的发展与普及。
由于深度学习的发展和突破,在语音,自然语言处理和视觉技术落地相对广泛。典型的产品有语音交互类产品(如智能音箱,智能语音助理,智能车载系统等),智能机器人,无人机,无人驾驶汽车等。
而在行业解决方案方面,人工智能的应用范围则更加广泛,目前医疗健康,金融,教育,安防,商业,智能家居等多个垂直领域得到应用。
一个职业的诞生和留存,必然是因为它优化了企业分工,提高了企业收益,产品经理也不例外。
产品经理在过去经历了三个阶段:
-
1.营销产品经理 在以宝洁为代表的消费品时代,侧重点都在销售上面。因为需求相对确定,生产也很标准化,都有工业时代成熟的方法论来支撑,使得产品本身容易同质化,但在品牌定位,营销,渠道控制上能够拉开差别,决定公司挣10亿还是100亿。宝洁时代的产品经理,本质上是“ 营销产品经理 ”。
-
2.项目产品经理 软件时代,这个时期常见的产品经理,本质上是「项目产品经理」,主要工作是管理软件生产。早年软件的需求大多数是到B的,到B的需求相对容易明确,顶多跟老板或客户争论一下需求。即使有一些到C的产品,也因为市场稀缺性的缘故,用户面临较少选择,不愁卖。那个时代最稀缺的是生产软件的合格工程师,如同五年前的产品经理,供给远远跟不上需求。所以产品经理在管理生产上更能创造价值,沟通协调,版本控制,按时交付。
-
3.需求产品经理 项目产品经理和营销产品经理的工作做得平庸一点,不是严重问题。但是“需求产品经理”的表现好坏,却往往能够决定一个产品的生死,这才导致产品经理职业的地位上升,受到关注这样的产品经理很少,素质要求很高,工资收入也很高,开始影响到整个行业这里面有两个原因,第一是需求判断:。当你把一种新要素引入到现有的生产体系或生活方式中,结合之后能够创造出巨大的新价值时,创新就形成了。
- 1.需求判断
过去五年,最大的新要素是「移动互联网」;再往前十几年,最大的新要素是「PC互联网」历史上的电,石油,蒸汽机也是重大的新要素每一个影响时代的新要素出现后,跟我们的生活和生产方式结合,就能创造无数的新产品,我们可以根据需求去判断可以做哪些。但每个时代,亿级和千万级用户规模的产品需求都是有限的。你得早发现,而且到最后还能从激烈竞争中胜出,才能改变时代。只有能决定正确方向的需求产品经理,才有价值,决定了后续成败。如果需求产品经理表现平庸,后面不论是融资多少,工程师还是运营,营销多优秀,可能都无法弥补错误决定带来的损失。
- 2.产品体验
互联网作为一种信息科技,使得人与人之间的信息传递和交换非常高频,主动。用户的发言能力和信息获取能力都变强了,从贴吧,博客,微博到微信培养了人们发声的习惯,再加上消费品从物质变为软件和服务,而且是7×24小时在线,来回数据交互,大规模,充满竞争,用户发声容易,负面评价容易被传播的在线服务,用户的切换相对容易,用户的选择权大大增加。
怎么让用户选择我们呢?极致的体验开始有了价值。而且当一项服务动不动就千万级,亿级用户时,体验每改进一点,价值就乘以千万次。而如果一个软件只有1万人使用,你花同样的成本去做,收益就非常有限。所以,这个时代不只是互联网,很多传统行业都逐渐意识到了体验的重要性,不管是开餐馆,还是开公司招人,你的声誉和体验变得越来越重要,直接影响别人的选择 ——追求极致的体验开始变得有了更大商业价值。
所以传统领域现在开始强调「互联网思维」和「产品思维」,本质原因就在这里。而重视体验最好的方法,就是用「产品经理」的角度,以用户为中心,横向组织资源,按需求去做生产和销售。
所有产品都可以分为需求,生产,销售三个环节。产品经理是要对产品的市场结果负责,全盘考虑三个环节的职业角色。AI产品也不例外,AI产品经理需要重点对AI模型的需求(体验),生产和销售负责。
人工智能产品经理需要选择工程师应该关注的重点,从而让数据集能更准确地模拟出应用场景简单来说就是寻找用户需求与当今机器学习技术的能力的交集:
从数据集开始→经过训练,以形成产品→用户与产品交互以获取价值并留下使用数据→获取更多数据→持续优化产品→让用户回来,AI产品经理围绕数据集及其固有属性和分布设计和构建产品。我们通过考虑为我们的AI模型提供哪些数据来设计解决问题的产品。
通过爬去猎聘网上所有能够检索到的 “人智能产品经理”/ “AI产品经理” 数据进行分析,得到如下结论:
-
- 对学历要求较高,基本上都在本科以上。
-
- 3-5年工作经验的职场人士最受欢迎。 这和AI产品经理需要和业务专家,算法专家,开发专家等协作有较强关系。
- 3.工作机会分布:AI PM分布最多的四个城市是:北京,深圳,上海,杭州,和互联网公司分布有极高的一致性。值得注意的是,南京第五名,高于预期之中的成都,如果数据有代表性的话,南京有望实现弯道超车。
- 4.薪酬数据:AI PM的薪酬中位数是43.8万,均值48.8万。市场供需极其不平衡,有一定工作经验的AI PM有较强的议价权。目前仍然是蓝海一片。随着未来AI在各个行业落地, AI PM的需求有望呈指数增长。
- 需求调研:市场调研
- 用户体验:用户调研
- 产品生产:产品规划,编写产品需求书产品原型(PRD),画原型图,需求管理,开发,算法等任务拆解,排期,进度跟踪等
- 产品销售:推广,运营等
- 数据:数据收集,数据处理
- AI模型:模型验证,模型优化
- 产品相关软件,如Axure,Visio,Project,脑图等
- AI模型相关框架,如Pytorch,caffe,Tensorflow等
- AI领域相关技术,包括但不限于图像,文本,语音,对话,知识图谱等
- 客户和用户服务,了解提供客户和个人服务的原则和流程。这包括客户需求评估,满足服务质量标准和客户满意度评估
- 工程与技术 - 工程科学与技术实际应用知识。这包括将原则,技术,程序和设备应用于各种商品和服务的设计和生产。
- 行政和管理 - 了解战略规划,资源分配,人力资源建模,领导技术,生产方法以及人员和资源协调所涉及的业务和管理原则。
- 写作 - 根据观众的需要以书面形式进行有效沟通。
- 积极倾听 - 充分关注其他人的言论,花时间了解所提出的观点,酌情提出问题,而不是在不适当的时间打断。
- 批判性思维 - 使用逻辑和推理来确定替代解决方案,结论或问题方法的优缺点。
- 沟通协调 - 调整与他人行为相关的行动。
- 逻辑能力 - 逻辑指的不是理科逻辑,不是说奥数或ACM冠军就能做好产品经理,而是指人文逻辑,是纳入了人这个复杂变量的逻辑。
- 视野 - 不单单站在产品的维度,更能够站在空间(公司,行业,社会,全球),时间和变量关系的维度来思考问题。
- 同理心 - 能够站在客户和用户的视角来思考问题,向上,向下兼容
- 自我否定的能力 - 快速试错,快速学习,快速进步,不受限于过去的自己
- 与组织外的人沟通 - 与组织外的人沟通,向客户,用户,和其他外部用户进行沟通。这些信息可以亲自,书面或通过电话或电子邮件进行交换。
- 做出决策并解决问题 - 分析信息并评估结果,以选择最佳解决方案并解决问题。
- 与主管,同事或下属沟通 - 通过电话,书面形式,电子邮件或亲自向主管,同事和下属提供信息。
- 获取信息 - 观察,接收和以其他方式从所有相关来源获取信息。
- 建立和维护人际关系 - 与他人建立建设性和合作性的工作关系,并随着时间的推移进行维护。
- 收集数据:建立产品数据收集策略,为AI模型优化提供源源不断的数据
- AI模型验证:对算法团队提交的模型,能够有判断能力,根据业务场景调整AI模型的侧重
- 容错率高:目前AI产品经理处于早期阶段,没有明确的工作流程,有大量的试错机会
- 业务核心:AI是新出现的生产要素,依托新的要素构建产品,现阶段是顶尖企业建立壁垒的窗口期
- 钉钉/企业微信/ Slack / Jira / Confluence等沟通与协同工具
- 结构化与非结构化工作自由度较大
- 做出决定的自由 - 自由度较大
- 与工作组或团队合作 - 非常重要
- 第四工作区,需要大量准备工作
- 教育,多数要求本科以上文凭
- 相关经验,最好有3年左右相关经验
- 工作培训:无,最新的职业,需要靠自己摸索
- 特殊准备期**特殊职业准备(SVP)**范围
- 7到<8(超过2年,小于等于4年)
- 优秀的AI PM的培养期较长,判断在3年以上。
- 兴趣,兴趣代码:ECI
- 进取 - 进取的职业经常涉及启动和执行项目。这些职业可能涉及领导人并做出许多决定。有时,他们需要冒险并经常处理业务。
- 常规 - 常规职业通常涉及以下设定程序和程序。这些职业可以包括处理数据和细节而不是想法。通常有明确的权限可供遵循。
- 调查 - 调查职业经常涉及创意,需要大量的思考。这些职业可能涉及搜寻事实和精神上解决问题。
- 工作价值观(工作价值观)
- 成就 - 满足这种工作价值的职业是以结果为导向的,允许员工使用他们最强大的能力,给他们一种成就感。相应的需求是能力利用和成就。
- 独立性 - 满足此工作价值的职业允许员工自己工作并做出决策。相应的需求是创造力,责任感和自主性。
- 认可 - 满足这一工作价值的职业提供进步,领导潜力,并且通常被认为是有声望的。相应的需求是提升,权威,认可和社会地位。
结论:
- 成都工资最高,以高工资吸引人才。其次是北京和上海,然后是深圳,广州,上海
- AI撰稿人,撰写AI客户服务聊天机器人使用的副本
- AI团队的律师,负责管理宝贵的AI知识产权和法律问题
- AI立法专家,学者
- AI训练师
- 机器人任务编排专家
- 方言采集者
经济学家预测,到2030年,人工智能将为全球经济带来15.7万亿美元的财富。
人工智能及相关技术在未来20年将取代中国现有的26%的工作岗位,高于对英国的20%的预估,但也能通过提升工作效率和实际收入在中国创造大量新工作机会。根据PWC中央估计值,人工智能对中国就业的净影响可能将创造约12%的竞增岗位,相当于未来20年内增加9000个就业岗位。
中国大部分新增岗位预计将出现在服务业,预计净增长29%(约9700万),尤其是医疗保健等子行业,可能会出现大幅度增长,我们预计建筑业的净增长幅度将达到23 %(1400万),人工智能对工业领域的就业岗位净影响大致偏中性。而预计农业的净流失岗位约为2200万。
- 与我们的数据科学家和软件架构师紧密合作,开发和维护我们的核心产品
- 评估和分析现有的数据,构造新的数据集,以产生基本的见解,或用于培训NLP模型
- 开发高度可伸缩的代码,利用自然语言处理和基于规则的模型集成到我们的数据管道中
- 调整,部署,评估和改进NLP模型(Python,Tensorflow,Jupyter笔记本)
- 致力于新特性的实现,保证正确的实现,良好的文档化和按时交付
- 时刻关注创造和改进的机会。从我们的开发过程,到最终的用户体验
- 使用NLP的经验
- 使用Python的扎实技能
- 使用最先进的深度学习方法的扎实经验,例如建立神经网络,包括DNNs,RNNs,bLSTMs,gru和/或在该领域的出版记录
- 优秀的分析,概念和解决问题的能力
- 对敏捷和精益原则的痴迷(GitHub的,Trello)
- 国务院“关于印发新一代人工智能发展规划的通知”
- 美国“国家人工智能研究和发展战略计划”
- 中国人工智能发展报告2018
- “ AI指数2018 ”
- 美国“为人工智能的未来做好准备”
- 网站查询: https://www.aminer.cn
- “2018中国人工智能传业投资趋势分析”
- 俞军,产品经理的价值,天赋,能力,成长及未来
- “人工智能产品经理”张竞宇https://book.douban.com/subject/30245174/
- 如何成为一名人工智能产品经理?https://36kr.com/p/5059871?from=related
- 吴恩达NIPS 2016演讲现场直击:如何使用深度学习开发人工智能应用?https://36kr.com/p/5058411
- AI产品经理的定义和分类https://www.tinymind.cn/articles/683
- 深度对话俞军:关于产品经理的价值,天赋,能力,成长及未来,最系统的分享https://mp.weixin.qq.com/s/NtkteW1oXQNRb6Av63yu6A
- AI产品经理的价值和未来| 学习俞军老师分享有感https://mp.weixin.qq.com/s/1JFP2cUj50vj05OONOcl1A