当一切变化如此之快时，你如何为自己规划一条经得起时间考验的职业生涯？

最近，一位数据科学和计算机科学专业的大学生向我请教，在当今这个时代，如何进入数据科学和机器学习领域并取得成功，同时又不出卖自己的灵魂或牺牲自己的道德准则。这是一个非常难以回答的问题，因为我自己大约20年前就进入了职场，10年前进入了数据科学领域，自那以来发生了太多变化。当我成为一名数据科学家时，伦理问题还没有那么突出（尽管并非不存在），而如今它们已经处于核心位置。我当时尽力做了回答，但之后又花了一些时间深入思考，我觉得对于试图在我们这个领域规划一条持久且有回报的职业道路的学生来说，有几个关键考量值得关注。

多元化行业选择

首先，在软件行业工作并不一定适合我们所有人。广义上的数据科学，尤其是机器学习工程，几乎在每个行业都有极佳的应用场景，比过去广泛得多，因此我鼓励学生考虑医疗健康、政府、非营利组织以及其他领域。当数据被良好地分析并以精细的方式建模时，它可以对各种工作的成功和效率产生巨大影响。实习是了解不同领域和行业中数据科学家做什么的好方法，我也鼓励学生直接阅读职位描述，并在可能的情况下与从业者交流，以帮助了解岗位期望。角色的性质会发生变化（往往是迅速变化），但了解这份工作可能是什么样的，最好的方式就是去问正在做这份工作的人。

数据教育

关于数据科学实践中的伦理问题，我认为数据科学家有责任教育同事如何进行合乎伦理且有效的数据利用。我已经多次写过这个话题，但我们是最有资格帮助整个组织理解如何使用数据和模型（包括LLM）的人，以产生成果且不危及人们的安全、健康、隐私或福祉。对于缺乏适当数据专业知识的组织来说，在忽视风险的情况下贸然推进AI和其他技术是极其、令人恐惧地容易发生的，防范这一点应当是从业者职责的一部分，就像防止公司犯下金融犯罪是会计师的职责一样。如果你想对自己的工作感到满意、晚上能安然入睡，认真对待这一责任、为机器学习的合乎伦理且安全的应用发声，是一个很好的起点。

解决问题

作为数据科学家或MLE，你还应该期望在工作中做什么？嗯，要期望去解决问题。这正是数据科学大放异彩的地方——当业务问题或不确定性出现，而知道答案对于做出正确决策至关重要时。你不会一开始就自己去发现问题，相反，你的经理和领导层会定义和界定需要回答的问题，但在一个好的岗位中，你在选择回答问题的策略和方法上会有一定的自主权。通过这样做，你将学会如何处理不同类型的数据问题，你将看到问题是如何被定义的以及它们从何而来，这种经验是无价的。

这就是数据领域初级从业者和高级从业者之间的区别——识别问题原型、在杂乱复杂的数据中搜寻以制定计划、然后执行计划并生成统计上严谨可靠的答案的能力。根据我的经验，这套技能可以带你进入任何你感兴趣的行业或领域，因为真正的技能是解决问题。你在大学里会学到很多（如果你认真对待的话），你需要这些知识来进步，但根据我的经验，真正的解决问题技能只有在你走出校园、在实际工作中才能学到。

不要过度专业化

相反，对大多数人来说，训练和构建前沿模型并不是通往持久职业生涯的道路。我们中大多数在这个领域工作的人永远不会接近“前沿”模型的构建，而我个人也不想去接近。技术会变化，执行机器学习任务的方法也会变化——我亲眼见证了这一点。一些狭窄领域的专家会专注于训练LLM，但我建议保持灵活性和多面性，尤其是在职业生涯早期，这样当这个领域不可避免地在你周围发生变化时，你会有更多选择。我很庆幸自己对神经网络有良好的基础知识，能够训练和调优它们，但我同样庆幸自己还了解GBM、NLP、聚类和其他技术，因为这些都只是我工具箱中的工具，我可以在合适的时候使用它们。LLM不会是机器学习的终点，我们需要关注接下来会出现什么。

谨慎使用LLM

你可能还想知道，在职业生涯中应该如何以及何时使用大语言模型（LLM（大语言模型）），这是所有白领领域的人都在问的问题，而不仅仅是数据科学家。我对此感到纠结，因为AI在许多情况下都是有用的工具——比如写代码——但将我们的批判性思维过程交给聊天机器人是危险的。我在其他地方讨论过这个问题，包括探讨其财务影响，我鼓励初级从业者，至少目前，确保自己具备手动完成工作的能力，即使他们不必每天都这样做。

我不建议采取拒绝使用它的僵硬立场，因为至少在编程方面，你真的可能会落后于同行，但我建议找到方法将它用于擅长的领域，并有选择地使用。我在工作中经常受到表扬，因为我所有的文字都是自己写的（比如这些文章，我从来、绝对不让AI碰它们），因为读起来有人的味道和感觉。人们欣赏我对工作和读者足够用心，亲自完成写作。此外，知道自己的大脑和双手在没有任何AI辅助的情况下完成了这项工作，也很有成就感。（自己写代码而不借助AI也有成就感，但为了完成工作我会妥协，因为我不一定相信我的代码会比在LLM辅助下产出的更好。然而，我绝对确信我的写作比LLM产出的更好，因为我对自己的想法和创造力有信心。）

最初问我这个问题的学生谈到，她对那些完全依赖AI完成学业、从不区分哪些任务中过程本身就是目的的同学感到非常沮丧。我认为这是年轻人的普遍担忧，我希望许多年轻人表现出的反AI情绪能遏制这种现象，但仍有待观察。任何时候你（或我）在做一项以学习为目标的任务时，AI都不应该参与执行该任务。练习和执行任务是学习技能的最佳方式。在职场中，仍然有一些任务，学习是目标的关键部分，但通常目标更多是完成工作。理解这种差异对于判断何时使用LLM可能合适、何时不合适至关重要。问自己：1. 做这件事的目的或目标之一是我要学到东西吗？2. 工作的质量、特征或性质是否存在差异，意味着我能比LLM做得更好？如果任何一个答案是肯定的，那么你需要自己去做。

预期意外

这一切都说明，踏上数据科学职业生涯充满了许多未知。这个领域在过去十年中发生了深刻变化，我们应该预期这种变化会持续下去。机器学习的下一个大创意即将到来，但我们还不知道它是什么。我们只知道，从业者将被期望学习它并弄清楚如何将其应用于商业问题，就像我们不得不对其他出现的技术所做的那样。我无法向你承诺“学习A、B和C，你就能找到一份好工作并建立一份能支撑你到退休的职业生涯”，因为这根本不是我们所处的世界。全球经济事件会到来，使找工作变得更容易或更困难，技术或政治现象将塑造经济，使某些技能比其他技能更有价值。通过能够解决问题来找到有价值的方式，利用任何出现的技术，是我在极其不可预测的未来中保持相关性和就业能力的最佳建议。

质疑前提

有些读者可能想知道我为什么不质疑前提，不反对那个迫使我们找到有价值、有就业能力的方式来证明自身存在合理性的经济体系和社会。这很诱人！我对经济结构和我们所处体系的残酷确实有强烈的感受。但质疑体系虽然合理，却无法帮助那些现在仍然不得不在其中生活的年轻人。一个大学生，尤其是没有重要资源或结构性特权的人，需要先找到付房租和买食物的方法，然后才能处于有效挑战资本主义意识形态的位置。所以，我在尽我所能回答如何到达那里的问题。我希望大学生和初级数据从业者不会将此视为对体系的任何认可，因为它不是——它只是对我们今天都面临的现实的承认。

在 www.stephaniekirmer.com 阅读我更多的作品。

延伸阅读

https://www.stephaniekirmer.com/writing/machinelearningspublicperceptionproblem/

https://www.stephaniekirmer.com/writing/closingthegapbetweenmachinelearningandbusiness/

https://www.stephaniekirmer.com/writing/thenewexperienceofcodingwithai/

https://www.stephaniekirmer.com/writing/thellmgamble/

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：Towards Data Science

原创地址：https://towardsdatascience.com/starting-a-career-in-data-science-in-the-age-of-ai/