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。
ending
安利2个开源免费福利。
我的个人AI 网站:https://ai-jupyter.com
普通人了解AI应该做的最重要两件事:
- 应该先从AI工具使用开始
- 应该先了解AI基础名词
普通人了解AI大忌:
- 不应该上来就学AI理论
- 不应该排斥AI,认为AI无用
基于上面,我也花费不少时间,做了一个详细的开源教程:《普通人学AI指南》.PDF
咱们先别弄那些高深的AI理论,先玩熟AI基本概念、AI工具、自己电脑搭建AI和知识库。
PDF 指南思维导图
AI 大模型时代并不是你工作的终点,而是新旅程的起点。通过不断学习、积极转型和勇敢探索,正在用自己的方式书写着属于自己的辉煌篇章。让我们一起期待在 AI 大模型新时代创造更多的可能!
大模型的学习路线
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?
- 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。
版权归原作者 一顿码 所有, 如有侵权,请联系我们删除。