《人工智能训练师国家职业技能标准》发布，有哪些值得关注的信息？ 第1页

打开这份职业技能标准，我最感兴趣的是职业定义部分：

使用智能训练软件，在人工智能产品实际使用过程中进行数据库管理、算法参数设置、人机交互设计、性能测试跟踪及其他辅助作业的人员。
本职业包含数据标注员、人工智能算法测试员两个工种。

为啥要强调数据标注员、人工智能算法测试员呢？我觉得要从人工智能的应用落地说起。

与行业外的认知不同，人工智能工程师并非专注构造一些精妙的模型，他们的很多工作时间都需要花在数据收集和清洗上。根据 Anaconda（一家数据科学的公司）的综述^[1]表明，机器学习应用流程中，近七成时间将消耗在数据处理上。

在一个典型的数据专业人员的一天中，数据处理仍然占据了大部分的时间。报告中，受访者们几乎一半的时间都花在了数据加载和清理的综合任务上。数据可视化任务排在第二位，花费了大约21%的时间。建模任务消耗了数据专业人员剩余的三分之一的时间，其中选择占11%，训练和评分占12%，部署占11%。
数据准备和清理占用了真正的数据科学工作的宝贵时间，并对整体工作满意度产生了负面影响。这种效率上的差距为行业提供了一个机会，使其能够努力解决这个问题，因为目前还没有出现一个解决方案。

而我们也知道，本世纪的人工智能大热也有两个助推剂，硬件设备性能的提升和大数据的使用。前者带来了生产力，而后者带来了薪柴。

斯坦福大学李飞飞老师主导的 ImageNet 正是这样的一个典型案例。

她创新性地使用数据众包流程，让来自世界各地的外包劳动者们经过简单训练，共同完成一个海量图像数据集的标注。

2009年发布论文和比赛至今，已经改变了计算机视觉甚至人工智能研究领域的进程。

与此相呼应的，就是数据方面的工作（数据标注）被首先设置在职业技能标准中。

而除了数据处理之外，人工智能从业者们还需要掌握模型测试相关的技能：问题建模，模型选择，模型评估，模型调优，模型部署等，这其实就是人工智能训练师的日常了。

我们知道，对人工智能感兴趣，甚至希望转向相关职业的人有这样的特征：

• 有一定的数理基础、编程或建模能力
• 在原领域有一定的深入研究，希望使用人工智能赋能工作

那么对这些人来说，从事AI相关职业并不会太难，处理好数据，再掌握模型测试相关技巧即可。

如果想要具体了解怎么做，这时候就可以对照职业技能标准的表格去点亮科技树啦~

时代一直在变化，人工智能训练师们能创造怎样的未来呢？

参考

1. ^Anaconda-SODS-Report-2020-Final https://know.anaconda.com/rs/387-XNW-688/images/Anaconda-SODS-Report-2020-Final.pdf

谢 @多潘立酮 @白小鱼 邀请

你属于什么级别？

这份《人工智能训练师技能标准》一共18页，大家可以直接跳到把人工智能训练师分为了五级，大家可以直接跳到最后两页，看看自己所拥有的技能属于哪级？

虽然看着好像自己能考一级，但这里面还是有工作年限要求的。

1. 五级：有一年以上的相关工作经验才能报考。
2. 四级：取得五级证书三年以上（也就是最少工作4年）
3. 三级：取得四级证书三年以上（也就是最少工作7年），并且要有大专以上学历（从这里开始卡学历）
4. 二级：取得三级证书四年以上（也就是最少工作11年）
5. 一级：取得二级证书四年以上（也就是最少工作15年）

虽然三级以上最低要求是大专学历，但大专学历能在这行混下去的真的不多。

我们直接看看那个要求15年工作经历的一级高级技师的要求，看起来要求有点抽象。

1. 业务分析。说实话，业务方面要考核确实是不容易的事情，不同的公司做AI，业务显然是不一样的，估计可以考核的内容是一些行业通用数据分析的指标，例如广告里的CPA,CPC等等，用户相关的DAU，MAU，留存率等等指标，以及怎么用指标分析问题。至于文中提到的「创新」，不知道该怎么考核，可能根据过去的工作成绩考核？
2. 智能训练，看起来会涉及一些常用算法的考核，例如RandomForest原理，以及算法性能优化，例如怎么选择超参（GridSearch之类的），怎么根据业务流程，选择合适的算法等等
3. 智能系统设计，看起来是涉及两部分，第一部分是主观题，会给定一个问题，你去设计整个系统流程，可能会像kaggle那种考法。第二部分是项目管理，可能会涉及项目管理知识，例如Scrum之类的。
4. 培训与指导。对于15年工作经历的AI从业者来说，这个不算什么难事

这份技能标准的意义

过去我们做AI项目，我们都吐槽自己是打杂的，因为太多事情都需要一个人完成。然而，AI项目里并不是每个环节都需要计算机学位才能做的，例如数据标准，数据采集，这些都是纯体力活，请来一个年薪百万的大牛，结果一个月里有半个月都在做数据标记和采集，确实对于企业来说是人力成本的浪费。

任何一个产业，都会经历从粗放到细分的过程。这份技能标准的好处时，把人工智能整个技术链条上的每个环节细分了。在这份《人工智能训练师国家职业技能标准》指导下，能催生一部分人参与到AI项目的「数据采集」，「数据标记」环节，让更多的人参与到AI的链条上，也降低了项目的人力成本。

局限与挑战？

1. 这份《人工智能训练师国家技能标准》是针对工程岗位的，针对研究岗位，可能不太适用。
2. 感觉这份指南主要针对职业教育出来的毕业生，而现在AI行业的工作主要以硕士以上为主，这份指南很难适应这种情况，因为计算机科班出身的应届生可能一进大厂就在做三级技工的工作了，而要拿三级技工证书，得七年。换个说法吧，一个工作了七年拿了三级技工证书的大专生，而一个刚毕业的博士生，哪个更容易进大厂？
3. 但企业是否认这份技能？我觉得五级、四级比较容易量化，企业可以招有五级四级证书的技工来做数据标记，但一级到三级我觉得不一定。比较越高级的技能要求的创造力就越高，而创造力这东西，确实不好量化，不好打分。
4. 四级技工需要至少4年的工作经历，不知道谁能坚持做4年做数据标记的工作。
5. 即使是五级、四级工人，也面临着来自数据标记众包平台的威胁，例如亚马逊的 Mechanical Turk。在论文《The Limits of Global Inclusion in AI Development》^[1]，调查发现，完成 ImageNet 的数据标注的散工们，时薪中位数只有 2 美元左右，算一个月工作25天，每天8小时，月薪也就2800人民币左右。
6. 况且且从四级到三级，有一个鸿沟，要求的技能截然不同，普通人要跨越这个鸿沟，可能需要读一个计算机学位才行。当然，对于三级以上的人来说，会把这个鸿沟看成「护城河」

总的来说，这份技能标准在优化AI企业用人方面还是有指导意义的，至于企业认不认这个证，就另当别论了。

作者： @桔了个仔 ，人工智能从业者，专注AI风控技术，写作爱好者，天天和猫咪一起写代码，写知乎。面向人生编程，欢迎关注，一起进步，一起吸猫。更多精彩内容见下面的索引。

参考

1. ^ https://arxiv.org/abs/2102.01265