除了新的编程语言、机器学习和自然语言处理之外，成都软件开发人员还应专注于解决问题和沟通。
随着人工智能的不断发展，工人们也担心这种技术会取代他们。但正如贝雷斯捷夫首席执行官纳乔·德马尔科最近所言。福布斯科技理事会文章，这种分析问题的方式是不准确的。他提到像人工智能这样的技术会进一步改变我们的工作方式，"雇主重视能够适应新情况、学习新技能和迎接新挑战的工人。"考虑到这一现实，成都软件开发人员能做的最好的事情就是获得新的技能。
也许与直觉相反，最重要的技能并不都是与技术相关的。除了新的编程语言、机器学习和自然语言处理之外，成都软件开发人员还应专注于解决问题和沟通。这是因为人工智能的发展将不再像一个新的工具，而更像一个需要指导、指导和纠正的助手。
作为人工智能与它密切合作的人也必须不断发展。以下关键技能对于技术工人现在和未来几年学习是必不可少的。
机器学习(ml)是培训机器学习数据的做法。实现这个目标的方法是将它们暴露在一个大的数据集中，并教它们识别模式、做出预测和执行任务。
自主车辆是以这种方式训练的机器的很好例子。这些车辆依靠ML算法和模型来导航道路，探测障碍物，并在没有人类参与的情况下做出驾驶决策。对于这些机器，培训涉及接触大量数据，包括图像、传感器读数和人类驾驶员采取行动的例子。车辆学会识别模式，并根据这些数据做出预测。
MDL涉及几个步骤:数据收集、数据清理和准备、模型选择、特征提取、模型培训和评估。为了熟练掌握ML，技术工作者应该熟悉各种ML算法，包括基于标记数据的监督学习，基于未标记数据的无监督学习，以及基于试验和错误的强化学习。
人工智能的技术工作者应该熟悉有助于开发ML模型的各种工具。它们包括张力流、凯拉斯和科学学习。
深度学习是一种使用人工神经网络(ANNS)(基于人类大脑的结构和功能的一种ML模型)来模拟人类大脑的方法。这些模型用于识别数据中的复杂关系和模式。它们是完成涉及模式识别、回归、分类和生成建模的任务的强大工具。
深神经网络是具有多个隐藏层的神经网络。这些模型可以执行更高层次的任务，如学习分层表示和分析大型数据集。
对人工智能感兴趣的技术工作者应具备深入学习技术的技能。它们包括卷积神经网络(CNNS)，它可以处理和分析网格结构的数据;经常性神经网络(RNNS)，它可以处理顺序数据;生成性对抗网络(GANS)，它可以生成新的数据样本。工人们还应该熟悉深入学习的框架，其中一些与使用于XML的相同。它们包括张力流、火把和克拉斯。
统计被认为是人工智能技术工作者的核心技能，因为它为许多技术提供了基础，包括回归分析、假设测试、概率理论、贝叶斯推理、实验设计、模型评估和验证、抽样技术、时间序列分析、异常检测、估计和置信区间。人工智能领域的技术人员应该学习执行所有这些技术所需的统计技能。
数据科学涉及从大型和复杂的数据集中收集见解。它利用了统计分析和ML过程.想要从事数据科学工作的技术人员必须具备以下程序的技能:
数据挖掘是从大量数据中发现模式、关系和洞察力的过程。为了达到这个目标，技术工作者必须从具有计算技术和统计算法的数据集中提取可用的信息。数据挖掘的目标是发现隐藏的模式、趋势和关联，这些可能有助于识别异常情况、做出预测和做出数据驱动的决策。
数据清理(又称数据清理或数据擦洗)是确保数据可靠、准确和适合其他应用分析的过程。它包括识别和纠正或消除数据集中的错误、不一致、不准确和不一致之处。这一步骤在数据科学中很重要，因为低数据质量会导致数据收集、输入、存储和处理过程中的问题。
数据分析是一个以发现有用信息、得出结论和做出明智决定为目标的数据审查过程。它涉及各种技术、工具和方法来理解数据集中的模式、关系和趋势。这个步骤对于从原始数据中收集有意义的信息至关重要。
数据可视化是从它得到的数据和信息的视觉表示。数据可视化使用图表、图表、地图和其他可视格式，将从它获得的原始数据和信息转换为易于理解、解释和交流的基于图像的格式。数据可视化对于通信特别有用数据分析一系列技术和非技术利益攸关方的成果。
数据报告是以结构化和有组织的方式呈现数据的过程，以传递信息、见解和结论。它涉及以报告、仪表盘、演示或数据可视化元素。数据报告的目的是提供明确和有意义的数据表示，以支持一个组织内部或外部利益攸关方的决策和沟通。
AI的技术工作者也应该熟悉数据管理工具，包括SQL和Nosql数据库。在接下来的视频中，未来主义者伯纳德马尔强调了数据科学的重要性，并讨论了最近的趋势。
获得人工智能技能的最佳方法
对于技术工人来说，进化的必要性并不是什么新鲜事。在过去40年左右的时间里，技术变化很快，而且发展的速度也在加快。在人工智能迅速发展的环境中，发展和磨练各种技能至关重要。人工智能领域的技术工作者必须采用多维方法，将技术专长与软技能相结合，并致力于终身学习。
适应、协作、批判性思考和引导道德考量的能力至关重要。人工智能不断塑造世界。以下是获得必要能力的几种方法:
正规教育，例如修读计算机科学、数据科学或相关领域的学位或证书
在线课程和教程，包括通过网上学习平台，如课程、不透明和edx，让学生以自己的速度学习。
公开来源项目和社区，为开源人工智能项目作出贡献，让成都软件开发人员接触现实世界的应用程序和协作发展像吉特布这样的平台
卡格尔比赛(基于大众数据科学平台Kagle)，这使得成都软件开发人员能够解决现实世界中的问题，探索不同的数据集，并将他们的技能与他人进行对比。
实际项目例如从零开始创建AI应用程序和项目，帮助加强概念和开发实用技能。
协作学习包括加入以AI为重点的社区、论坛或会议，并提供向同伴学习、分享知识和在项目上协作的机会。
行业实习和工作经验包括确保参与人工智能的组织有实习机会或工作机会，并允许技术工作者在实际环境中运用他们的技能。
最后，成都软件开发人员必须采取持续学习和专业发展的态度。它包括审查当前的研究论文，跟踪AI的博客和出版物，出席会议，参加网络研讨会或研讨会，以不断了解技术的现状。
