Bild von Autor | Leinwand
Denken Sie, dass nur Mathematiker und Software program -Ingenieure in der KI arbeiten können? Nun, du liegst falsch, wenn du es tust. Viele Menschen, die in Information Science und KI erfolgreich sind, haben keinen technischen Hintergrund.
Additionally, ja, Sie können in KI übergehen, auch wenn Sie Ihre Karriere in Advertising and marketing, Psychologie, Recht, Design usw. begonnen haben.
Hier sind fünf praktische Möglichkeiten, dies zu tun.
1. Werden Sie die KI -Particular person in Ihrem Workforce
Sie benötigen keine Erlaubnis, KI in Ihrem Workforce zu verwenden. Nun, in den meisten Fällen tun Sie es nicht. Ein Downside könnte darin bestehen, Unternehmensdaten mit KI -Instruments zu teilen. Seien Sie jedoch derjenige, der diese Instruments erkunden, sich mit ihnen vertraut machen und möglicherweise mehr Effizienz für Ihr Workforce bringen wird.
Sie wissen, wie in jedem Workforce ein Excel -Champion oder ein SQL -Gott gibt? Sie können diese Particular person für KI sein. Die Idee ist, beispielsweise klein zu beginnen:
2. Erlernen Sie die technischen Grundlagen
Sie müssen kein maschinelles Lernmodell sofort kodieren. Beginnen Sie mit den Grundlagen des maschinellen Lernens und der KI. Machen Sie sich mit den grundlegenden Terminologie und den Werkzeugen vertraut.
Hier ist ein Überblick über die Technologie, die Sie kennen sollten.
Hier sind auch Instruments, mit denen Sie sich vertraut machen können.
Ressourcen für weitere Informationen:
3. positionieren Sie sich als KI -Übersetzer
KI existiert nicht in einem Vakuum; Es ist da, um tatsächliche Probleme zu lösen. Wenn wir über Geschäftsprobleme sprechen, ist Area -Experience für maschinelles Lernen und KI erforderlich, um angemessene Lösungen bereitzustellen. Ratet mal, wer dieses Fachwissen anbietet? Das stimmt. Du!
Verwenden Sie dieses Wissen, um sich als KI-Übersetzer zu positionieren, eine Brücke zwischen Technik und Nicht-Tech-Stakeholdern. Du kannst:
- Übersetzen Sie Geschäftsprobleme in Datenprobleme
- Wissen, wie KI in sie passt
- Spot Fehler in den Annahmen für maschinelles Lernenmodell angeben
- Erklären Sie die Modellausgaben nicht-technischen Stakeholdern
Auf diese Weise verstehen Sie zunächst bestimmte Aspekte der Modellierung des maschinellen Lernens, z. Verwirrungsmatrix und Genauigkeitin reale Auswirkungen. Aus diesem hochrangigen Verständnis der KI können Sie langsam in das Erstellen von tatsächlichen Modellen übergehen, wenn dies Ihr Ziel ist.
4. Beginnen Sie mit No-Code- oder Low-Code-Instruments
Sie müssen jahrelang nicht jahrelang an Ihren Python -Kenntnissen arbeiten, bevor Sie einige weniger komplexe Modelle für maschinelles Lernen aufbauen. Heute gibt es bereits viele Instruments, mit denen Sie ein KI-Projekt ohne oder niedrigen Code erstellen können, indem Sie ihre Drag & Drop-Schnittstellen verwenden.
Sie werden Ihnen auch helfen, sich als Übersetzer zu positionieren. Diese Instruments + Ihr Domänenwissen kann zeigen, dass Sie:
- Verstehe ein reales Downside
- Kann eine KI -Lösung identifizieren
- Verwenden Sie diese AI -Lösung, um das Downside zu lösen
Hier sind einige Instruments, die Sie nützlich finden.
| Kategorie | Werkzeug | Was Sie tun können |
|---|---|---|
| No-Code-KI-Bauherren | Lappen.ai | Coaching Picture-Klassifizierer mit einer Drag-and-Drop-Benutzeroberfläche. |
| Lehrbare Maschine | Erstellen Sie einfache Klassifizierungsmodelle im Browser. | |
| Monkeylearn | Erstellen Sie benutzerdefinierte NLP -Modelle für Gefühl, Thema oder Absicht. | |
| Offensichtlich Ai/Zams | Laden Sie eine CSV hoch und führen Sie Binärklassifizierung oder Regression aus. | |
| Low-Code-KI-Bauherren | Knime | Erstellen Sie ML-Workflows mit visuellen Knoten (Niedrigcode, intestine für tabellarische Daten). |
| Datarobot | Laden Sie Daten hoch, wählen Sie Modelle aus und stellen Sie sie mit minimaler Codierung bereit. | |
| Microsoft Azure ML Designer | Erstellen und Bereitstellen von maschinellen Lernmodellen mithilfe von Drag-and-Drop-Modulen für die Datenvorbereitung, Schulung und Bewertung. | |
| KI-betriebene Instruments für kreative und Produktivität | Landebahn ML | Entfernen Sie Videohintergründe und generieren Sie Bilder aus dem Textual content. |
| Dauerhaft | Erstellen Sie eine Zielseite für ein Geschäft in Sekunden. | |
| Jasper Ai | Schreiben Sie Anzeigenkopie, Produktbeschreibungen, Weblog -Intros. | |
| Canva ai | Automatisch generierte Bildunterschriften, Bildhintergründe entfernen. | |
| Begriff ai | Fassen Sie Notizen zusammen, entfernen Sie Inhalte, extrahieren Sie wichtige Punkte. | |
| Beschreibung | Bearbeiten Sie Podcasts oder Movies wie ein Textdokument. | |
| Chatgpt | Brainstorming -Ideen, Berichte zusammenfassen, Inhalte entfernen. |
5. In Ai-Adjazent-Rollen drehen
Ein großer Begin für das Drehen der KI ist es, in Rollen zu gehen, für die KI -Kenntnisse erfordern, aber kein tatsächliches Modell aufbauen müssen. Solche Positionen sind:
- Projektmanager – für die Koordinierung zwischen Stakeholdern und Maschinenlerningenieuren/Datenwissenschaftlern
- Technische Autoren – zum Dokumentieren von Workflows und zum Schreiben von Benutzerführer
- Produktdesigner – zum Verständnis, wie Benutzer mit KI -Systemen interagieren
- Politikanalysten – zum Markieren von Risiken wie Equity und Erklärung in KI -Systemen
Alle diese Positionen geben Ihnen auch die Möglichkeit, beim Gehen zu lernen. Es kann eine solide Grundlage für den Übergang in das tatsächliche Modellgebäude bilden wie KI wird immer mehr Teil vieler Berufsrollen.
Abschluss
Datenwissenschaftler und maschinelle Lerningenieure sind nicht die einzigen Positionen, die in der KI arbeiten. Viele Menschen mit nicht-technischer Hintergrund tun es auch.
Schreiben Sie beim Übergang nicht das ab, was Sie bereits als nutzlos kennen. Finden Sie einen Schnittpunkt zwischen maschinellem Lernen und Domänenwissen und beginnen Sie von diesem Punkt an. Wenn Sie dann mehr über KI erfahren, können Sie entscheiden, ob Sie sich mit dem Aufbau von tatsächlichen Modellen für maschinelles Lernen einlassen oder eine Brücke zwischen technischen und nichttechnischen Stakeholdern bleiben möchten.
Nate Rosidi ist Datenwissenschaftler und in Produktstrategie. Er ist außerdem eine zusätzliche Professorin für Lehranalysen und Gründer von Stratascratch, einer Plattform, die Datenwissenschaftlern hilft, sich auf ihre Interviews mit echten Interviewfragen von High -Unternehmen vorzubereiten. Nate schreibt über die neuesten Traits auf dem Karrieremarkt, gibt Interviewberatung, teilt Datenwissenschaftsprojekte und deckt alles SQL ab.