数据科学和人工智能岗位有何差别?
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,在这里,我不再对它们的定义进行比较,而是去比较他们现实中岗位—–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。如果你想了解更多数据分析相关内容,可以阅读以下这些文章:
数据科学家V.S数据分析师面试全对比
Google 数据科学家面试全纪录
数据科学家面试必须掌握的十个SQL概念
北美人工智能:2021找AI相关工作的五个技巧
数据科学
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。
目标:
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。
所需技能:
- 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。
人工智能
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。
目标:
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。
所需技能:
- 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。
你可以看到,这两种职位之间有很大差别。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。
总结
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,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!你还可以订阅我们的YouTube频道,观看大量数据科学相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/
原文作者:Matt Przybyla
翻译作者:Lea
美工编辑:过儿
校对审稿:Jiawei Tong
原文链接:https://towardsdatascience.com/data-science-vs-artificial-intelligence-heres-the-difference-534b82ee9ac4