AI相关,细分技术领域,薪资前20岗位,都有哪些。
今天这篇文章与铁铁们分享一下。
1 薪资榜单
如下图所示,排名第一:深度学习算法工程师,平均月薪达到3万1千+;
排名第二的架构师,薪资与之相似;
机器学习算法工程师,月薪2万6千+;
AI算法工程师首选语言一般Python,想要做算法工程师的老铁,熟练应用Python是基本要求:
再往后的开发还有go语言,语音图形等开发,要想多拿薪水,开发方向绑定AI是一个很好的选择。
榜单最后一名UE4工程师,全名:Unreal Engine 4,一种游戏开发岗位,应用于VR技术。
另外,2024年生成式AI的平均薪资分布如下图,薪资还是很好,关键现在掌握好岗位所要求的技能:
2 AI岗位分布
AR/VR 边缘计算岗位分布前10城市:
量子计算 区块链岗位分布前10城市:
人工智能 数字孪生岗位分布前10城市:
物联网 隐私计算岗位分布前10城市:
3 生成式AI学习路线图
要想胜任上面AI岗位,学历背景+技能,两者缺一不可。
学历背景好,可以弥补技能不足;
技能强,可以一定程度弥补学历背景的短板。
两者有一种平衡关系。
学历背景不多说,接下来,重点总结AI大模型(生成式AI):所需关键技能。
1. 机器学习和深度学习基础
-
概率论与统计学:理解基本的概率和统计学知识,这对于理解生成式模型的工作原理至关重要。
-
线性代数和微积分:掌握矩阵运算、微分和积分等数学工具,用于优化和训练神经网络。
2. 生成式模型
-
生成对抗网络(GANs):掌握GAN及其变体(如DCGAN、CycleGAN、StyleGAN等)的工作原理和实现方法,用于图像生成和变换。
-
变分自编码器(VAEs):理解VAE的理论和应用,主要用于生成连续数据如图像。
-
自动回归模型:如PixelRNN、PixelCNN,主要用于生成高质量的图像。
3. 自然语言处理(NLP)和生成
-
语言模型:掌握语言模型的原理,如GPT(Generative Pre-trained Transformer)、BERT等,用于生成文本。
-
序列到序列模型(Seq2Seq):用于翻译、对话生成等任务。
-
注意力机制:理解和实现注意力机制,特别是在Transformer架构中,用于处理序列数据。
4. 音频和音乐生成
-
神经网络音频合成:如WaveNet,用于生成高质量的音频和音乐。
-
音频处理基础:理解基本的音频信号处理,如频谱分析、滤波等。
5. 计算机视觉
-
图像合成与变换:使用深度学习技术进行图像风格迁移、超分辨率生成、图像修复等。
-
三维生成:理解和实现用于生成3D模型和场景的技术,如3D GANs、神经渲染。
6. 工具和框架
-
深度学习框架:如TensorFlow、PyTorch,用于模型开发和训练。
-
图像处理工具:如OpenCV,用于预处理图像数据。
-
音频处理工具:如Librosa,用于音频数据的分析和处理。
7. 优化与训练技巧
-
优化算法:如SGD、Adam,理解其在训练生成模型中的应用。
-
正则化技术:如L1/L2正则化、Dropout等,用于防止过拟合。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。