机器学习科学家分享：如何开启AI职业生涯并解密前沿技术

Parmida Beigi 的职业生涯涵盖了机器学习和数据科学的多个方面。从她在计算机视觉和时间序列预测的博士研究，到在 Alexa AI 端到端系统的工作。如今，Beigi 致力于语音识别和自然语言处理等倡议，通过在本地信息团队的工作来帮助某中心的 Alexa 客户。她曾领导了改进实体搜索流量（例如“狮门大桥在哪里？”这类查询）相关性和排序的工作。

作为一位资深的机器学习从业者，Beigi 认为，向所有人揭开其领域的神秘面纱是她使命的一部分。她热衷于帮助他人的证据是公开且令人印象深刻的。Beigi 在其流行的社交媒体，如 Instagram、LinkedIn 和 Twitter 上回答问题并提供实用建议。使用简单的图形、短视频以及 @bigdataqueen 这个用户名，Beigi 邀请粉丝们了解她作为某中心机器学习科学家的日常生活和专业知识。

迄今为止，慷慨的知识分享为她赢得了近 10 万名粉丝。但她成为机器学习科学家/社交媒体达人的道路并非一帆风顺。起初，她认为自己可能会追随家人的脚步，成为一名医生。如今，她从事与口语理解、信息检索和排序相关的机器学习/人工智能项目。因此，Beigi 理解那些正在探索自己职业道路的人——不久前，她自己也在做同样的事情。

发现数据科学

在高中时，Beigi 最初专注于科学，作为进入医学预科项目的踏脚石。但她觉得缺少了什么。她的天生兴趣更倾向于数学和计算，于是她开始转向这个方向，并获得了电气和计算机工程学士学位。

在大学里，Beigi 选修了激起她对数字信号处理兴趣的课程。在攻读电气和计算机工程硕士学位期间，她将研究重点放在压缩感知、信号处理和图像/视频处理上，这使她在实际环境中磨练了技能。但 Beigi 并未完全脱离医疗保健领域。她的一个实习涉及不列颠哥伦比亚大学和 BC 癌症研究中心之间的研究合作。在该项目中，信号处理涉及使用化学电阻传感器测量患者呼吸中的特定生物标志物，然后使用统计方法寻找肺癌与吸烟习惯之间的特定联系。

“在那个时候，我不知道自己已经在为我的机器学习职业生涯打下基础，” Beigi 说，“信号处理中真正吸引我的是通过时频和时空表示来提取信号中嵌入的信息。”她补充说，她喜欢“能够解决难题并改善人类生活”。Beigi 在 BCCRC 健康科学会议上展示了她的研究，并获得了最佳演讲者奖。这项工作还促成了一篇发表在 IEEE Transactions on Biomedical Engineering 上的期刊论文。

被机器学习吸引

她继续在 UBC 攻读电气和计算机工程博士学位。在头几年，她从事计算机视觉和人工智能研究，并发现自己越来越被机器学习所吸引。每次在审阅期刊论文提交或参加 ICASSP 和 CVPR 等会议时遇到机器学习相关内容，她都会对其广泛的应用感到着迷，于是开始深入研究。

“我读了很多论文，上了几门在线课程，听播客——尽管当时没有那么多——用尽了我能找到的所有工具，”她说，“我建立了我的研究环境，以便能够基于我为论文收集的数据开发简单的基于机器学习的方法，看看它与我们之前使用的传统基于规则的技术相比效果如何。”她上瘾了。

Beigi 意识到，通过将机器学习整合到她的研究中，她可以学到更多实用的机器学习知识，并用来解决现实生活中的问题。她开始与加拿大温哥华的两家医院合作，发现那里需要创建用于图像引导程序的技术，以使医生能够确保硬膜外穿刺针的准确放置——这众所周知是棘手的。通过分析麻醉师插入针头时从患者背部采集的超声图像流，Beigi 利用图像处理技术以及时间序列分析和机器学习，开发了一种工具来为医生可视化和定位针头。

Beigi 在多个同行评审的期刊和会议上发表并介绍了她的研究，包括她基于机器学习的跟踪工作，该工作发表在 International Journal of Computer Assisted Radiology and Surgery 上。她还获得了 NSERC 亚历山大·格拉汉姆·贝尔奖学金，该奖项颁发给加拿大顶尖的博士学者。在完成论文答辩后，她在某航空航天制造机构担任机器学习科学家，利用她在传感器处理方面的专业知识，从事飞机预测性和预防性维护工作。

开启社交媒体之旅

这也是她开启社交媒体旅程的时候。

“我开始分享我作为自学成才的机器学习科学家的学习心得，以回馈社区并激励有抱负的技术人才，” Beigi 说，“我在学校并没有真正学过机器学习。在我研究生早期，当我完成研究和教学任务后，我自学机器学习。”正是这种个人、亲身体验的经历使她的内容如此具有亲和力。

进入人工智能或数据科学领域，哪些大学学位最好？自监督学习真的只是无监督学习的一个花哨名字吗？如何开始用 Python 编写机器学习代码？Beigi 说，她回答的最常见问题是如何进入数据科学和机器学习领域，以及人们询问没有博士学位是否还能进入该领域。

“数据科学不仅限于科技行业，所有行业都已开始受益于数据科学和人工智能解决方案，”她回答道，“通常，对于数据科学/机器学习通才，你不需要博士学位，也不一定是计算机科学或数据科学学位，这些可能只会帮助你进入候选名单，但最重要的是你是否能完成工作。”

她还通过提供具体细节来提供帮助，深入探讨工作需要哪些技能，无论学位如何。随着她社交媒体影响力的扩大，她也开始考虑换工作。她知道自己的下一步是进入美国——特别是硅谷。

她决定“做更多的研究，通过副项目获得更有针对性的知识和动手实践经验，然后申请不一定与我的博士工作密切相关的、能在实践和技术方面都挑战我的工作。”这就是她最终加入某中心的原因。

在某中心工作

Beigi 在求职期间面试了几家公司，在权衡了多个录用通知后，她决定在 2019 年加入某中心。三年多过去了，她从未后悔。

“虽然我在同一个团队待了三年，但我有幸将数据科学应用到各种垂直领域，这是我在某中心非常喜欢的一段经历，”她说，“某中心永远是第一天，客户是我们一切工作的中心。从客户出发，逆向工作，我能够处理端到端的 Alexa 组件，从语音识别到自然语言理解，一直到最终阶段，我们通过排序学习技术优化相关性，以最好地解决客户的查询。”

自 Beigi 加入某中心以来，她一直是该中心导师计划的成员，并一直作为 AMLC 审稿人致力于提高科学出版物的水准。

“一位优秀的数据科学家充满好奇心，他们审视一切背后的科学，探究事物如何以及为何运作，并识别模式、关联性和因果关系。这和数据科学项目本身不是很像吗？”她说，“就像科学一样，数据科学是一个广泛的术语。找到适合你的那种数据科学——你懂的比你自己认为的要多。”
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）