人工智能的未来已经到来。从科技和金融，到医疗、零售和制造业，几乎每个行业都已开始合并人工智能（AI）进入其技术平台和业务运营。其结果是对能够设计、实施、利用和管理AI系统的工程师的人才需求激增。
在未来十年中，对人工智能人才的需求只会继续增长。美国劳工统计局预计人工智能工程师的需求将到2030年增长23%和需求机器学习（ML）工程师，人工智能的一个子领域增长高达22%.
在科技行业，这种需求正如火如荼。需要技能的职位生成人工智能2023年增长了惊人的1848%近期劳动力市场分析显示分析还发现，2023年，人工智能角色的帖子数量超过385000条。
图1:2022-2023年需要生成人工智能技能的招聘岗位增长
为了利用人工智能的变革潜力，公司不能简单地雇佣新的人工智能工程师：他们还不够。为了解决全球AI工程人才短缺的问题，你必须提高现有工程师的技能并进行再培训。
AI和ML的基本技能
人工智能及其子领域，机器学习（ML）和自然语言处理（NLP），都涉及对大数据集的训练算法，以生成能够执行复杂任务的模型。因此，不同类型的人工智能工程角色需要许多相同的核心技能。
代码信号人才科学团队技术主题专家对人工智能工程角色进行了广泛的技能映射，以确定这些角色所需的技能。这些是他们为两个流行的人工智能角色确定的核心技能：ML工程和NLP工程。
培养团队的人工智能技能
A类麦肯锡最近的报告发现提高技能和再技能是组织填补团队AI技能缺口的核心方法。麦肯锡高级合伙人亚历山大·苏哈列夫斯基（Alexander Sukharevsky）在报告中解释道：“在寻找人工智能人才方面，所有受访者中最受欢迎的策略是重新雇佣现有员工。我们调查的公司中，近一半是这样做的。”
那么：在现有团队中开发所需AI技能的最佳方式是什么？为了回答这个问题，我们首先需要深入研究人类如何学习新技能。
有效技能发展的组成部分
如今，大多数企业学习计划都采用传统的课堂学习模式，即一个老师一节课，为许多学习者服务。员工从选择计划开始，通常没有什么指导。课程开始后，课程可能会使用视频进行指导，然后进行测验，以衡量他们对信息的记忆。
此模型存在几个问题：
- 几十年的研究表明，传统的一对多学习模式并不是最有效的学习方式。教育心理学家本杰明·布鲁姆观察到，通过一对一辅导学习的学生在两个标准差上优于同龄人；也就是说，他们的表现比在传统课堂环境中学习的人中的98%要好。一对一辅导相对于课堂学习的优势被称为教育中的二西格玛问题（参见下图2）。
- 多项选择测验对员工的技能，尤其是人工智能和ML工程等专业技术技能的表现不佳。测验也没有给学习者在现实环境或工作流程中应用所学知识的机会。
- 如果没有基于当前技能、优势和目标以及团队需求的指导，员工可能会选择与其技能水平或目标不匹配的课程或学习计划。
图2：按教学风格对学生表现分布的比较显示，平均表现分数存在2西格玛差异。
培养团队成员对团队所需AI和ML技能的掌握需要一个学习计划，该计划提供以下内容：
- 一对一辅导。当今最优秀的课堂技术学习课程使用AI助教，这些助教具有情境意识，并与学习环境充分融合，为大规模学习者提供个性化的一对一指导和反馈。
使用人工智能来支持他们的学习对您的开发人员和其他技术员工来说并不奇怪：最近的调查显示81%的开发人员已经在工作中使用AI工具，其中76%的人使用AI学习新知识和技能。
- 基于实践的学习。几十年的研究表明人们通过积极的实践学习得最好而不是被动地接受信息。你用来提高团队人工智能和ML技能的学习计划应该以实践为中心，并利用编码模拟真实AI和ML工程工作的练习。
- 结果驱动的工具。最后，最好的技术提升计划确保员工实际掌握相关技能（不仅仅是勾选一个方框），并将学到的知识应用到工作中。学习计划还应让管理者了解团队成员的技能增长和掌握情况。您的平台应包括基准测试数据，以便您将团队的技能与更多的技术人才进行比较，以及与现有学习系统的集成。
深度挖掘：基于实践的人工智能技能学习
下面是来自神经网络导论与TensorFlow课程在里面代码信号开发.
示例练习：在神经网络中实现层
在这个练习中，学习者建立了设计神经网络层的技能，以提高网络的性能。学习者在屏幕右侧的真实IDE和内置终端中实现他们的解决方案，并在屏幕左侧的面板中与Cosmo进行交互，Cosmo是一名人工智能导师和指导。
实践描述：既然您已经训练了一个具有附加纪元的模型，那么让我们调整神经网络的架构。您的任务是在神经网络中实现第二个密集层，以潜在地提高其学习能力。记住：有效配置层对模型的性能至关重要！
结论
随着AI技术对所有行业越来越多的组织变得至关重要，对AI和ML工程师的需求将在未来几年继续增长。寻求填补团队AI和ML技能缺口的公司必须投资提高技能，并用关键的AI和洗钱技能重新培训现有技术团队。
