数据科学和人工智能岗位有何差别？

今日份知识你摄入了么？
数据科学（Data Science）和人工智能（Artificial Intelligence）的概念经常被人互换着使用。而每个人对它们的定义都不一样。为了解决日益激烈的争论，在这里，我不再对它们的定义进行比较，而是去比较他们现实中岗位-----数据科学家和人工智能工程师的工作描述。
通过现实案例的对比，进一步了解两者在专业领域中的差异。这些差异可能不是最终的结果，也不能代表所有的数据科学（Data Science）或所有的人工智能（Artificial Intelligence）。
但重要的是，通过这些工作描述，我们可以概括招聘经理对这两种岗位之间差异的看法。下面，我将从岗位描述、以及我个人申请这两个职位的经历中，总结出每个角色的目标和技能。
数据科学

本文插图
图源：Kaleidico 摘自Unsplash
一名数据科学家的岗位描述包含了各种必备技能和工具。下面是我汇总的一些主要技能、工具、以及数据科学的整体目标。这些描述都是公司比较关注的重点，所以需要我们留心这两个职能间的交叉，以及相似的工具。
目标：
建立一个问题陈述，理解业务需求，并利用数据分析与机器学习算法来解决问题。然后，能够可视化你建立的模型，提供发现或见解。
比如，你可能会以数据科学家的身份执行以下操作：
你发现，人工对产品图像进行分类存在一定的问题。你需要创建一个完善的问题陈述或假设，为自己、也为产品经理、业务分析师和其他利益相关者：
“因为人工分类耗时太长，我们决定采用机器学习算法来执行此操作，这样，会节省大量时间和金钱等资源。 ”
之后，你要和数据工程师等人员合作，获取必要数据、在工具中导入数据框架、应用探索性数据分析（exploratory data analysis）、特征工程（feature engineering）和模型比较（model comparison）。项目结束时，你要创建一个图表来展示你模型的结果，图表可能还会用到特定的分组和过滤。最后，你需要向利益相关者和经理展示成果、并接收他们的反馈，继续进行另一个项目、或改进当前的项目。
所需技能：

Python或R
Jupyter Notebook
TensorFlow
统计
NLP （自然语言处理）
SQL
Tableau或其他可视化工具
有信心在管理者面前演讲你的发现
和非分析/非技术专家沟通高级分析的能力（advanced analytic）

以上这些只是作为数据科学家的一些必备技能。你可能已经注意到了解决复杂问题的重点，就是要向公司高管或利益相关者展示你的模型和发现。而这一过程中，沟通很关键，这个技能可能不会在你研究生期间或在线训练中教授，所以要加强练习。