介绍

人工智能无疑是技术领域最新的进展之一。随着其在从医疗保健到游戏虚拟现实等各个行业的增长和应用，它也带来了对人工智能专业人员的巨大需求。但人工智能领域并非易事。但不要担心。

本文将介绍 2024 年人工智能职业成功所需的 11 大人工智能技能。让我们开始吧！

人工智能职业成功所需的技能

全球人工智能市场在 2014 年 的价值为 63 亿美元。十年后，预计到 2024 年将达到惊人的 3059 亿美元。这可以归因于深度学习和算法的许多突破；再加上巨大的计算能力、资源和数据存储，人工智能仍在不断发展！随着超过 80% 的企业，从中小企业到跨国公司，将人工智能纳入其系统，对于那些想要进入该领域的人来说，了解所有必要的技能至关重要。让我们从硬技能开始！

硬技能

无论专业领域如何，掌握任何领域都需要掌握一组硬技能和软技能。人工智能领域也不例外。本节将涵盖掌握人工智能所需的所有硬技能，因此让我们不要浪费更多时间，直接开始吧！

数学

需要掌握的第一个硬技能是数学。为什么数学是必须掌握的人工智能技能？数学与人工智能有什么关系？

人工智能系统主要用于自动化大部分流程，并更好地理解和帮助人类。人工智能系统包括模型、工具、框架和逻辑，所有这些都构成了数学主题。线性代数、统计学和微积分等概念都是开启人工智能职业生涯的主要主题。让我们逐一探讨它们。

线性代数

线性代数用于解决机器学习模型中的数据问题和计算。它是必须掌握的最重要的数学概念之一。大多数模型和数据集都表示为矩阵。线性代数用于数据预处理、转换和评估。让我们看一下一些主要的应用领域。

线性代数的图形表示

数据表示

数据是训练模型的关键第一步。但在此之前，需要将数据转换为数组才能将其输入模型。这些数组上的计算将输出作为张量或矩阵返回。此外，缩放、旋转或投影方面的任何问题都可以表示为矩阵。 

矩阵 f或灰度图像的某些区域

向量嵌入

向量用于组织数据，包含大小和方向。向量嵌入涉及利用机器学习和人工智能。在这里，训练了一个特定的工程模型，将不同类型的图像或文本转换为数值表示，作为向量或矩阵。使用向量嵌入可以极大地改善数据分析并获得见解。 

向量表示

降维

当我们希望在尽可能保留信息的条件下减少数据集中的特征数量时，可以使用此技术。通过降维，将高维数据转换为低维空间。它减少了模型的复杂性，并提高了泛化性能。

Di降维

统计学

统计学是另一个数学概念，需要通过分析和展示原始数据来查找看不见的模式。必须掌握的两个常见统计学主题如下。

标准 Normal 偏差

推断统计

推断统计使用样本对更大数据进行概括。我们可以进行估计并预测未来的结果。通过利用样本数据，推断统计进行推断操作以进行预测。 

描述性统计 

在描述性统计中，描述特征并呈现纯粹的事实数据。使用分布、方差或集中趋势等指标从已知数据中进行预测。

微积分

微积分是从函数中求导数的过程。该导数衡量函数变化率。当使用深度学习或机器学习算法和模型时，微积分起着至关重要的作用。它们帮助算法从数据中获得见解。简单地说，它们处理数量变化的速率。

微积分还用于算法优化和模型函数。它们衡量当输入变量发生变化时函数的变化方式。应用后，从数据中学习的算法得到改进。 

那么，微积分在人工智能中的作用是什么？

在人工智能中，我们主要处理成本函数和损失函数。要找到这些函数，我们需要找到最大值或最小值。为此，需要对所有参数进行更改，这是一个繁琐的过程，即既费时又昂贵。这就是梯度下降等技术发挥作用的地方。它们用于分析当输入发生变化时输出如何变化。 

正切函数

数学被证明是人工智能技能列表中的基础步骤，有助于处理数据、学习模式和获得见解。

编程

人工智能职业成功所需的第一个技能是编程。正是通过编程，才能将人工智能理论和概念应用于应用程序。例如，它作为构建深度学习和机器学习模型并训练它们的基石。另一个例子是帮助清理、分析和处理数据。

有些人可能认为人工智能的不断改进会降低编程技能的相关性。这些系统和算法有其局限性。程序员可以极大地提高这些系统的效率。熟练的程序员需求量很大，大多数行业都在将人工智能纳入其运营。这也将使人们在竞争激烈的就业市场中保持竞争力。 

使用的编程语言很多，最常见的是 C、C++、Java 和 Python。让我们仔细看看它们。

Python

Python 是开发人员使用最流行的编程语言之一。它是一种解释型语言，这意味着它无需转换为机器语言指令即可运行程序。Python 被认为是一种通用处理语言，可用于各个领域和行业。 

为什么 Python 如此受欢迎？

• 它与许多操作系统兼容，使其具有很高的灵活性；无需开发复杂的代码。
• Python 极大地减少了执行代码的行数，从而减少了执行所需的时间。
• 它提供了大量预构建的库，例如用于科学计算的 NumPy 和用于高级计算的 SciPy。

C++

C++ 是一种用途广泛且功能强大的编程语言，可用于构建高性能的人工智能系统。它是程序员中第二受欢迎的选择，尤其是在可扩展性和性能至关重要的领域。 

它们比 Python 等解释型语言运行模型快得多。C++。使用 C++ 的另一个优点是它们能够与其他语言和库进行交互。

• 作为一种编译型语言，C++ 提供高性能，适用于构建需要高计算能力的系统。
• C++ 更易于用于性能优化和内存使用。
• 另一个很棒的方面是 C++ 可以运行在不同的平台上，这使得在不同的环境中部署应用程序变得容易。

凭借广泛的库和框架，C++ 是一种功能强大且灵活的语言，适用于在生产期间开发深度学习和机器学习。 

如上所述，编程语言是人工智能职业成功的第一个基础步骤。现在让我们继续下一个人工智能技能 - 框架和库。

框架和库

人工智能中的框架和库是指提供构建和运行模型所需所有基本组件的预构建包。它们通常包括算法、数据处理工具和预训练模型。这些框架为实现机器学习和深度学习算法提供了基础。框架消除了手动编码或从头开始编码的需要，这对于企业构建人工智能应用程序来说非常划算。那么为什么要使用人工智能框架呢？

• 框架配备了预先实现的算法、优化技术和数据处理工具，帮助开发人员解决特定问题。这简化了应用程序开发流程。
• 如前所述，框架非常具有成本效益。由于预制组件的可用性，开发成本大幅降低。与传统方法相比，公司能够以更高效的方式和更短的时间创建应用程序。

框架可以大体上分为

• 开源框架
• 商业框架

让我们深入了解一下。

开源框架

在开源许可下发布的框架是开源框架。用户可以将其用于任何目的。它们是免费使用的，通常包括源代码并允许派生作品。在活跃社区的支持下，可以找到大量用于故障排除和学习的资源。

商业框架

与开源框架不同，商业框架由特定品牌开发和授权。用户对他们可以使用软件的能力有限，可能会收取额外费用。商业框架通常在遇到任何问题时提供专门的支持。由于这些框架归特定公司所有，因此可以找到通常以用户为中心的先进功能和优化。

关于框架类型的介绍就到这里了。让我们探索您可以添加到 AI 技能列表中的基本框架和库。

PyTorch

PyTorch 是 Meta 于 2016 年开发的开源库。它主要用于深度学习、计算机视觉和自然语言处理。由于开发人员为改进其结构所付出的努力，它很容易学习，使其非常类似于传统编程。由于 PyTorch 中的大多数任务都可以自动化，因此可以大幅提高生产力。凭借庞大的社区，PyTorch 提供了来自开发人员和研究人员的大量支持。GPyTorch、Allen NLP 和 BoTorch 是一些流行的库。

TensorFlow

TensorFlow 是 Google 于 2015 年开发的开源框架。它支持许多分类和回归算法，并用于机器学习和深度学习的高性能数值计算。TensorFlow 被 AirBnB、eBay 和可口可乐等巨头使用。它提供简化和抽象，使代码更小更有效。TensorFlow 被广泛用于图像识别。还有 TensorFlow Lite，用户可以在移动设备和边缘设备上部署模型。

MLX

与我们之前讨论的框架类似，MLX 也是 Apple 开发的开源框架，用于在 Apple 设备上部署机器学习模型。与 PyTorch 和 TensorFlow 等其他框架不同，MLX 提供独特的功能。MLX 专为 Apple 的 M1、M2 和 M3 系列芯片而构建。它利用神经引擎和 SIMD 指令，与在 Apple 硬件上运行的其他框架相比，显着提高了训练和推理速度。结果：在 iPhone、iPad 和 Mac 上获得更流畅、更灵敏的体验。MLX 是一个功能强大的软件包，可为开发人员提供卓越的性能和灵活性。一个缺点是，作为一个相当新的框架，它可能没有提供其经验丰富的同类产品（如 TensorFlow 和 PyTorch）的所有功能。

SciKit-learn

SciKit-learn 是一个基于 NumPy、SciPy 和 Matplotlib 构建的免费开源 Python 机器学习库。它提供了一个简洁、统一和简化的 API，以及全面的文档和教程、数据挖掘和机器学习功能。一旦开发人员理解了一种模型类型的基本语法，切换到另一个模型或算法就很容易。SciKit-learn 提供了广泛的用户指南，可快速访问从多标签算法到协方差估计等资源。它用途广泛，可用于从较小的原型到更复杂的深度学习任务。

Keras

Keras 是一个开源的、高层次的神经网络 API，它运行在其他框架之上。它是 TensorFlow 库的一部分，我们可以在其中用几行代码定义和训练神经网络模型。Keras 提供简单一致的 API，减少了运行通用代码的时间。它还缩短了原型设计时间，这意味着模型可以在更短的时间内部署。Uber、Yelp 和 Netflix 等巨头使用 Keras。

数据工程

21 世纪是大数据的时代。数据是推动人工智能创新的关键因素。它为企业提供信息，以简化其流程并做出与其业务目标一致的明智决策。随着物联网 (IoT)、社交媒体和数字化爆炸式增长，数据量急剧增加。但面对如此大量的数据，收集、分析和存储它们却颇具挑战性。这就是数据工程发挥作用的地方。它主要用于构建、安装和维护系统和管道，帮助组织有效地收集、清理和处理数据。

虽然我们在之前的部分中介绍了统计学，但它在数据工程中也发挥着重要作用。基础知识将帮助数据工程师更好地理解项目需求。统计学有助于从数据中得出推论。数据工程师可以利用统计指标来衡量数据在数据库中的使用情况。了解描述性统计的基本知识，例如从收集的数据中计算百分位数，是很有帮助的。

现在我们已经了解了数据工程是什么，我们将更深入地探讨数据工程在人工智能中的作用。

数据收集

顾名思义，数据收集是从各种来源收集数据以提取有见地的信息。我们可以在哪里找到数据？数据可以从各种来源收集，例如在线跟踪、调查、反馈和社交媒体。企业利用数据收集来优化工作质量、进行市场预测、寻找新客户并做出有利可图的决策。数据收集有三种方式。

第一方数据收集

在这种形式的数据收集中，数据直接从客户那里获取。这可能是通过网站、社交媒体平台或应用程序。第一方数据准确可靠，没有中间环节。这种形式的数据收集指的是客户关系管理数据、订阅、社交媒体数据或客户反馈。

第二方数据收集

第二方数据收集是指从可信合作伙伴那里收集数据。这可能是收集数据的品牌以外的企业。这与第一方数据非常相似，因为数据是从可靠的来源获取的。品牌利用第二方数据以获得更好的洞察力和扩展业务规模。

第三方数据收集

在这里，数据是从与企业或客户无关的外部来源收集的。这种形式的数据是从各种来源收集的，然后以用于营销和销售目的的方式出售给各种品牌。第三方数据收集提供的受众范围比前两种方法要广泛得多。但这是有代价的；数据需要可靠，并且不会在遵守隐私法的情况下收集。

数据集成

数据集成可以追溯到 80 年代。主要目的是使用业务规则来消除关系数据库的差异。在那个时候，数据集成更多地依赖于物理基础设施和有形存储库，而不是今天使用的云技术。数据集成涉及将来自不同来源的各种数据类型组合成一个数据集。这可用于运行应用程序和帮助业务分析。企业可以利用此数据集做出更好的决策、推动销售并提供更好的客户体验。

数据集成几乎存在于各个行业，从金融到物流。让我们探索一些不同的数据集成方法。

手动数据集成

这是数据集成的最基本技术。使用手动数据集成，我们可以完全控制集成和管理。数据工程师可以进行数据清理、重新组织并将数据手动移动到所需的目标位置。

统一数据访问集成

在这种形式的集成中，数据以一致的方式显示，以方便使用，同时将数据源保留在其原始位置。它简单易用，提供统一的数据视图，允许多个系统或应用程序连接到一个源，并且不需要高存储空间。

基于应用程序的数据集成

在这里，软件被用来定位、获取和格式化数据，然后将这些数据集成到所需的目标位置。这包括与各种数据源的预构建连接，以及在需要时连接到其他数据源的能力。通过基于应用程序的数据集成，数据传输无缝进行，并且由于自动化，使用了更少的资源。它也很容易使用，并且并不总是需要技术专业知识。

通用存储数据集成

随着数据量的增加，公司正在越来越多地使用更常见的存储选项。与统一访问集成类似，在将信息复制到数据仓库之前，会对其进行数据转换。随着数据存储在一个随时可访问的位置，我们可以根据需要运行业务分析工具。这种形式的数据集成提供了更高的数据完整性，并且对数据主机系统造成的压力更小。

中间件数据集成

在这里，集成发生在应用程序层和硬件基础设施之间。中间件数据集成解决方案将数据从各种应用程序传输到数据库。通过中间件，网络系统可以更好地通信，并能够以一致的方式传输企业数据。

机器学习方法和算法

能够根据它们处理的数据进行调整和演变的计算机程序是机器学习算法。它们被称为训练数据，本质上是通过馈送到它们的数据进行学习的数学数据。机器学习算法是当今使用最广泛的算法之一。它们几乎集成到所有形式的硬件中，从智能手机到传感器。

根据机器学习算法的用途，可以对其进行不同的分类。我们将深入探讨每一个。

监督学习

在监督学习中，机器通过示例学习。它们从先前学习的数据中获得推论，以使用标记数据获得新数据。该算法识别数据中的模式并做出预测。该算法做出预测，并由开发人员进行修正，直到它达到高精度。监督学习包括

• 分类 - 在这里，该算法从观察到的值中得出推论，并确定新观察属于哪个类别。

• 回归 - 在回归中，理解各种变量之间的关系，重点放在一个因变量和一系列其他变化变量上，使其对于预测和预测非常有用。

• 预测 - 它是根据过去和现在的数据进行未来预测的过程。

Forecasting

无监督学习

在无监督学习中，算法分析数据以获得模式。机器学习可用的数据并推断出相关性。该算法解释大型数据并尝试以结构化的方式对其进行组织。无监督学习包括

• 降维 - 这种形式的无监督学习减少了要考虑的变量数量，以找到所需的信息。
• 聚类 - 这涉及根据某些定义的标准对类似数据集进行分组。

无监督学习

半监督学习

半监督学习 (SSL) 是一种机器学习技术，它利用少量标记数据和大量未标记数据来训练预测模型。这种学习形式减少了手动标注的成本，并缩短了数据准备时间。半监督学习是监督学习和无监督学习之间的桥梁，解决了它们的问题。SSL 可以用于从分类和回归到关联和聚类的各种问题。由于存在大量未标记数据且成本相对较低，SSL 可用于大量应用程序，而不会影响准确性。

半监督学习

让我们探索一些常见的机器学习算法。

逻辑回归

逻辑回归是一种监督学习形式，用于根据先前的观察结果预测是或否的概率。这些预测基于一个或几个现有自变量之间的关系。逻辑回归在数据准备活动中至关重要，它通过在提取、转换和加载过程中将数据集放入预定义的容器中来对信息进行分阶段处理。

逻辑回归

决策树

决策树是一种监督学习算法，它创建流程图以根据数字预测做出决策。与其他监督学习算法不同，我们也可以解决回归和分类问题。通过学习简单的决策规则，可以预测目标变量的类别或值。决策树灵活且有多种形式，适用于商业决策应用程序。它们使用不需要大量清洗或标准化的数据，并且训练新数据所需的时间不长。

决策树

朴素贝叶斯

朴素贝叶斯是一种概率机器学习算法，用于各种分类问题，如文本分类，我们在其中训练高维数据集。它是一种强大的预测建模算法，基于贝叶斯定理。使用该算法构建模型和进行预测的速度要快得多，但需要很高的专业知识才能开发它们。

随机森林

随机森林是一种著名的机器学习算法，用于分类和回归任务，它也使用监督学习方法。即使没有超参数调整，它也能产生很好的结果。由于其简单性和多样性，它已成为机器学习从业者的首选算法。随机森林是一种分类器，它包含在给定数据集的不同子集上的多个决策树，并找到平均值以优化该数据集的准确性。

随机森林

K 最近邻 (KNN)

KNN 是一种简单的算法，它存储所有可用的案例并对新数据进行分类。它是一种监督学习分类器，用于利用邻近性进行预测。虽然它在分类和回归任务中都有用，但通常用作分类算法。它可以处理分类数据和数值数据，使其适用于不同类型的数据集，用于分类和回归任务。由于其简单性和易于实现，它是开发人员常用的首选方法。

机器学习算法在利用人工智能技能和在人工智能领域取得成功职业发展方面至关重要。在本节中，我们介绍了不同类型的机器学习算法和一些常见技术。让我们进入下一个人工智能技能——深度学习。

KNN

深度学习

人工智能的最新进展可以归因于深度学习，从大型语言模型（如 ChatGPT）到自动驾驶汽车（如特斯拉）。

那么深度学习到底是什么？

深度学习是人工智能的一个分支，它试图通过处理数据来复制人脑在机器中的工作方式。深度学习模型分析文本、图像和其他形式数据中的复杂模式，从而产生准确的见解和预测。深度学习算法需要数据来解决问题，在某种程度上，它是机器学习的一个分支。但与机器学习不同，深度学习包含称为神经网络的多层结构算法。

神经网络是试图复制人脑复杂功能的计算模型。神经网络具有多层相互连接的节点，这些节点处理和学习数据。通过分析数据中的层次模式和特征，神经网络可以学习数据的复杂表示。

神经网络类型

本节将讨论深度学习中常用的架构。

卷积神经网络

卷积神经网络 (CNN) 是一种深度学习算法，专为对象检测、图像分割和对象识别等任务而设计。它们可以自动地大规模提取特征，无需手动特征工程，提高了效率。CNN 非常通用，可以应用于计算机视觉和 NLP 等领域。像 ResNet50 和 VGG-16 这样的 CNN 模型可以适应新的任务，只需少量数据即可。

CNN

前馈神经网络

FNN，也称为深度网络或多层感知器 (MLP)，是一种基本的神经网络，其中输入在一个方向上处理。FNN 是最早成功实施的学习算法之一。FNN 包含输入层、输出层、隐藏层和神经元权重。输入神经元接收数据，数据穿过隐藏层，然后通过输出神经元离开。

FNN

循环神经网络

RNN 是最先进的算法，可以处理时间序列和自然语言等顺序数据。它们维护一个内部状态来捕获有关先前输入的信息，使其适用于语音识别和语言翻译（如 Siri 或 Alexa）。RNN 是处理语音、文本、音频、视频等顺序数据的首选算法。

RNN

深度学习包含许多子类型，我们将在下面探讨其中一些。

计算机视觉

计算机视觉 (CV) 是人工智能领域的另一个领域，近年来蓬勃发展。这要归功于当今生成的海量数据（每天共享约 30 亿张图像）。我们可以将计算机视觉追溯到 50 年代。

什么是计算机视觉？

计算机视觉是人工智能的一个分支，它训练机器和计算机像我们一样解释周围环境。简单来说，它赋予机器视力。在现实世界中，这可能表现为手机上的面部解锁或 Instagram 上的过滤器。

您是否想深入研究计算机视觉？查看我们全面的指南 此处。

自然语言处理 (NLP)

自然语言处理 (NLP) 是另一个加速深度学习的子领域，它涉及赋予机器处理和理解人类语言的能力。我们都以某种形式使用过 NLP 技术，例如亚马逊的 Alexa 或三星的 Bixby 等虚拟助手。这项技术通常基于机器学习算法来分析示例并根据统计数据进行推断，这意味着机器接收的数据越多，结果就越准确。

NLP 如何为企业带来益处？

NLP 系统可以分析和处理来自不同来源的海量数据，从新闻报道到社交媒体，并提供宝贵的见解来评估品牌的绩效。通过简化流程，这项技术可以使数据分析更高效有效。

NLP 技术以各种形式出现，例如聊天机器人、自动完成工具、语言翻译等等。掌握 NLP 的一些关键方面包括

• 数据清洗
• 标记化
• 词嵌入
• 模型开发

具备 NLP 和计算机视觉的扎实基础可以打开通往高薪职位的大门，例如计算机视觉工程师、NLP 工程师、NLP 分析师等等。

部署

模型部署是将上述所有内容整合在一起的最后一步。它是促进可访问性及其在封闭环境中的操作的过程，在该环境中它们可以进行预测并获得见解。在此，模型被集成到更大的系统中。这些预测将公开提供，供公众使用。由于各种原因，这可能构成挑战，例如测试和扩展或模型开发和训练之间的差异。但是，使用正确的模型框架、工具和流程，可以克服这些挑战。

传统上，模型部署在本地服务器或机器上，这限制了它们的访问和可扩展性。快进到今天，随着亚马逊网络服务和 Azure 等云计算平台的出现，部署变得更加无缝。它们改进了模型的部署方式，管理资源以及处理扩展和维护复杂性。

让我们看一下模型部署的一些核心功能。

可扩展性

模型可扩展性是指模型在不影响性能或准确性的情况下处理海量数据的能力。它涉及

• 根据需求在云平台上扩展或缩减
• 它确保最佳性能，并使其更具成本效益
• 提供负载均衡和自动扩展——这些对于处理不同的工作负载和确保高可用性至关重要
• 有助于衡量系统是否能够处理不断增加的工作负载以及它的适应性如何

可靠性

这指的是模型在最小错误的情况下执行其预期功能的程度。可靠性取决于一些因素。

• 冗余是指在发生故障或不可用时为关键资源提供备份。
• 监控是在部署期间评估系统并解决出现的任何问题。
• 测试在部署之前和之后验证系统的正确性。
• 错误处理是指系统如何在不影响功能和质量的情况下从故障中恢复。

云部署

下一步是选择适合我们要求的部署环境，例如成本、安全性和集成能力。在过去十年中，云计算取得了长足的进步。在云计算的初期，云模型部署选项非常有限。

什么是云部署？

它是对诸如分布式框架的所有权和可访问性等不同变量的安排。它充当虚拟计算环境，我们可以在其中根据想要存储的数据量以及谁控制基础设施来选择部署模型。

私有云

在这种情况下，公司构建、运营和拥有自己的数据中心。跨国公司和大型品牌通常采用私有云以实现更好的自定义和合规性要求，尽管这需要对软件和人员进行投资。私有云最适合希望对数据和资源拥有良好控制并降低成本的公司。它非常适合存储机密数据，这些数据只能由授权人员访问。

公有云

公有云部署涉及第三方提供商，他们托管在共享数据中心的基础设施和软件。与私有云不同，人们可以在基础设施和人员成本上节省开支。它们易于使用且更具可扩展性。

混合云

这是一种将私有云与公有云相结合的云类型。它们方便数据和应用程序在两种环境之间迁移。混合平台提供更多

• 灵活性
• 安全性
• 部署选项
• 合规性

在数百个公有云提供商中选择合适的提供商可能是一项艰巨的任务。因此，让我们为您简化选择，因为我们已经挑选出市场上的顶级玩家。

亚马逊网络服务

由亚马逊开发的 AWS 于 2006 年推出，是云行业最早的先驱之一。AWS 在 245 个国家/地区拥有 200 多项云服务，在市场份额中占据 32% 的领先地位。它被可口可乐、Adobe 和 Netflix 等巨头使用。

谷歌云平台

于 2008 年推出，最初被称为“App Engine”，于 2012 年更名为 Google Cloud Platform。如今，它拥有 120 项云服务，是开发人员的不错选择。Compute Engine 是其最佳功能之一，它支持任何操作系统，并提供自定义和预定义的机器类型。

微软 Azure

Azure 于 2010 年推出，在 46 个地区提供传统云服务，在云市场中占据第二高的份额。可以快速部署和管理模型、部署和管理模型，以及共享以进行跨工作区协作。

监控模型性能

模型部署后，下一步是监控模型。

为什么要监控模型的性能？

模型通常会随着时间的推移而退化。从部署时起，模型就开始慢慢失去性能。这样做是为了确保模型按预期且一致地执行。在这里，我们跟踪已部署模型的行为，并分析并从中得出推论。接下来，如果模型需要在生产环境中进行任何更新，我们需要实时视图进行评估。这可以通过验证结果来实现。

监控可以分为以下几类

• 运营级监控是指需要确保用于系统的资源处于健康状态，并在出现故障时采取措施。

• 功能级监控是指监控输入层、模型和输出预测。

资源优化

资源优化是模型部署的一个关键方面。当资源有限时，这特别有用。

优化资源的一种方法是对模型本身进行调整。让我们探索一些方法。

Resource Optimization

简化

优化模型的一种方法可能是采用具有更简单和更少组件或操作的模型。我们如何做到这一点？通过使用以下提到的功能：

• 架构更小的模型
• 层数更少的模型
• 具有更快的激活函数的模型

剪枝

剪枝是删除模型中对输出贡献不大的不需要的部分的过程。它涉及减少模型中的层数或连接数，使其更小、更快。一些常见的剪枝技术包括

• 权重剪枝
• 神经元剪枝

量化

模型量化是使模型更优化的另一种方法。这涉及减少模型中使用的数值的位宽。与之前的模型优化方法类似，量化可以降低模型的内存和存储需求，并提高推理速度。

这总结了在人工智能道路上需要掌握的技术 AI 技能。但是等等，还有更多；我说的是软技能。软技能到底是什么，为什么它们很重要？下一部分将详细讨论这一点。

软技能

软技能是除了领域专业知识之外还需要具备的“非必需品”。软技能是我们每个人内心深处的东西，不是通过书籍或课程学习的。软技能是您的技术实力与您的雇主或同僚之间的桥梁，即您能够多有效地进行沟通和协作。根据 Delloite Insights 的说法，92% 的品牌表示软技能与硬技能具有同等重要性。它们展示了一个人进行公司内部沟通、领导团队或做出决策以提高公司业绩的能力。

让我们探索一些必须具备的关键软技能，以便比其他人更具优势。

解决问题

为什么您被聘用担任某个职位？为了利用您在该领域的专业知识来解决问题。这是另一项重要的软技能，需要一个人识别问题、分析问题并实施解决方案。它是雇主最需要的技能之一， 86% 的雇主寻找拥有此技能的简历。归根结底，公司总是在寻找能够解决其问题的 талант. 任何擅长解决问题的人在就业市场上都将始终具有价值。

批判性思维

随着更多自动化流程的实施，领导者和专家必须解释和分析结果并做出决策变得至关重要。批判性思维有助于评估这些结果，提供事实性响应。逻辑推理使一个人能够识别系统中的任何差异。这涉及将相关信息与无关信息区分开来的理性思维，以及一个人考虑他们获得的信息的背景并考虑其影响的反思性思维。因此，简单来说，它涉及通过分析各种解决方案的利弊，使用逻辑和推理而不是直觉来解决复杂的问题。

求知欲

探究是个人职业武器库中的一个关键方面。它是渴望探究事物，提出问题并深入研究。好奇心促使一个人走出舒适区，探索其专业领域中未开拓的领域。尽管人工智能系统可以分析海量数据并从中得出推论，但它们缺乏理解或质疑的能力。一个人探索得越多，就能在桌上带来更多创新。

道德决策

在当今拥有大量数据的时代，人工智能系统会处理大型数据集并从这些数据中提取的模式中得出推论。但是，我们不能依靠这些系统做出正确或公平的决策，因为它们可能依赖社会偏见。如果放任不管，这些偏见可能会导致组织歧视，因为它们会加剧不平等。

这就是道德决策发挥作用的地方。它阐明了一个人确保结果维护个人或群体的自由并符合社会规范的能力。这确保了已部署的系统不会以侵入性或有害的方式使用。

结论

我们终于读完了这篇超级全面的文章。我们涵盖了所有基本技能，例如编程和深度学习，以及软技能，例如批判性思维和解决问题。我希望这篇读物能为您提供见解和正确的心态，帮助您开始利用 AI 技能的旅程。请继续关注，更多有趣的内容即将到来。下次见！