数据科学和人工智能岗位有何差别？

[微风]前言[微风]

数据科学（Data Science）和人工智能（Artificial Intelligence）的概念经常被人互换着使用。

而每个人对它们的定义都不一样。

为了解决日益激烈的争论，这里不再比较它们的定义；

而是去比较他们现实中的岗位-----数据科学家和人工智能工程师的工作描述。

通过现实案例的对比，进一步了解两者在专业领域中的差异。

这些差异可能不是最终的结果，也不能代表所有的数据科学（Data Science）或所有的人工智能（Artificial Intelligence）。

但重要的是，通过这些工作描述，我们可以概括招聘经理对这两种岗位之间差异的看法。

下面，我将从岗位描述、以及我个人申请这两个职位的经历中，总结出每个角色的目标和技能。

​[微风]数据科学[微风]

一名数据科学家的岗位描述包含了各种必备技能和工具。

下面是我汇总的一些主要技能、工具、以及数据科学的整体目标。

这些描述都是公司比较关注的重点，所以需要我们留心这两个职能间的交叉，以及相似的工具。

​​[浮云]目标[浮云]

建立一个问题陈述，理解业务需求，并利用数据分析与机器学习算法来解决问题。

然后，能够可视化你建立的模型，提供发现或见解。

比如，你可能会以数据科学家的身份执行以下操作：

你发现，人工对产品图像进行分类存在一定的问题。

你需要创建一个完善的问题陈述或假设，为自己、也为产品经理、业务分析师和其他利益相关者：

“因为人工分类耗时太长，我们决定采用机器学习算法来执行此操作，这样，会节省大量时间和金钱等资源。”

之后，你要和数据工程师等人员合作，获取必要数据、在工具中导入数据框架、应用探索性数据分析（exploratory data analysis）、特征工程（feature engineering）和模型比较（model comparison）。

项目结束时，你要创建一个图表来展示你模型的结果，图表可能还会用到特定的分组和过滤。

最后，你需要向利益相关者和经理展示成果、并接收他们的反馈，继续进行另一个项目、或改进当前的项目。

​[浮云]所需技能[浮云]

• Python或R
• Jupyter Notebook
• TensorFlow
• 统计
• NLP （自然语言处理）
• SQL
• Tableau或其他可视化工具
• 有信心在管理者面前演讲你的发现
• 和非分析/非技术专家沟通高级分析的能力（advanced analytic）

以上这些只是作为数据科学家的一些必备技能。

你可能已经注意到了解决复杂问题的重点，就是要向公司高管或利益相关者展示你的模型和发现。

而这一过程中，沟通很关键，这个技能可能不会在你研究生期间或在线训练中教授，所以要加强练习。

​​[微风]人工智能[微风]

图源：Kaleidico

人工智能可能是一个比数据科学更热门的话题，可以用于各行各业。

我们也看到了，人工智能和数据科学、机器学习之间的很多交叉。

虽然他们之间有很多共同的目标与技能，但是接下来，我想重点强调这两个岗位之间的差异。

​[浮云]目标[浮云]

​

重点研究新的算法，利用现有神经网络，在大型数据集上，部署并自动化整个流程和人工智能解决方案。

跟数据科学家一样，人工智能工程师也要去研究一个问题，获取数据，然后找到算法的解决方案。

但是，人工智能工程师还有一些额外的工作，比如提出新算法、执行建模等等。

他们工作的重点，是在应用程序中部署这些模型，比如神经网络和深度学习实践等。

这些差异也意味着这两个职位会用到不同的libraries。

比如，数据科学家可能倾向于使用sklearn，而人工智能工程师可能更多地使用TensorFlow和PyTorch。

​​[浮云]​所需技能[浮云]

• Java, Python, 或 C++
• AI 系统
• 使用TensorFlow，PyTorch进行深度学习
• 与研究团队和工程团队合作
• 认知硬件要求
• 部署生产模型
• 计算机科学（Computer Science）
• 架构或交付云解决方案
• Spark
• Scala

与数据科学不同，这些技能更侧重于软件工程，以研究与部署为中心。

比如，人工智能工程师可以频繁地研究深度学习和神经网络算法，而不是不用回归分析和决策树。

与数据科学的另一个区别是，人工智能工程师往往要求博士学位，而数据科学家通常需要硕士学位。

图源：Possessed Photography

你可以看到，这两种职位之间有很大的差别。

但是要记住，就像它们的职位描述有重叠一样，这两个职位本身也是如此。

比如，你可能会看到“数据科学，人工智能工程师”或“机器学习/人工智能工程师”之类的职位。

​​[微风]总结[微风]

总的来说，从研究这些职位描述和我自己申请这类职位的经验来看，人工智能看起来比数据科学更复杂。

从岗位描述中可以看到，这两个职位之间是有很多相似之处的，但实际上，这些都是由公司决定的。

上文中，我们探讨了一些主要差异，也找到了数据科学与人工智能之间的一些相似之处。

下面，我再次总结一下这两个职位间的主要区别，具体如下：

• 数据科学家：Python，R，统计知识，可视化工具，适合节奏更快，更简单的案例
• 人工智能：软件工程，深度学习，自动化，偏向研究，适合节奏较慢，更复杂的应用案例

我的总结就到这里了，希望我的文章为你带来实用、有趣的见解。

也可以在下方评论出你心中关于这两个职位的相似或不同之处。

期待你的精彩评论，感谢你的阅读！