编译 | 王晔 修改 | 陈彩娴
科研界的学历内卷早已不是新鲜论题，博士后文凭更被认为是进入高校任职不可以或缺的条件之一。致使于青年学生有这样一种感触：高校姑且如此，进大厂做研讨也是博士以上学历最佳吧？
不过，迩来有一位正在亚马逊担任使用科学家的我国人研讨者宣告了一篇文章，亲述了他如何在本科结业后仅拿着学士学位进入大厂做研讨的阅历。
一句话总结：很难，但也不是没有期望！
这位我国人的名字叫 david fan，2021年本科结业于普林斯顿大学核算机系，辅修计算学与机器学习，本科时刻曾受邓嘉辅导，在iccv上宣告过核算机视觉有关的论文。此外，他曾在罗格斯大学物理系、罗格斯新泽西医学院、哈佛医学院与普林斯顿大学视觉与学习实验室等机构做过研讨。
图注：david fan（图源：自个主页）
据其主页闪现，他在2021年8月参加亚马逊，先是在亚马逊页面效能（amazon web service, aws）担任软件工程师实习生，2021年8月转正，然后在2021年7月正式入职亚马逊担任研讨工程师、2021年5月转为使用科学家。
他是如何做到的呢？ai科技谈论对其自述做了不改原意的收拾与编译：
我当前是一名使用科学家，在亚马逊担任全职的机器学习（ml）研讨员，而且我并没有博士学位。在这儿，我参加了研讨立异难题，与聪明又前进的火伴一同作业，在做我喜爱做的作业的一起，还能获得高额的作业薪酬。
晓得到还有许多人对机器学习感快乐喜爱，但网上关于如何从软件工程过渡到机器学习的辅导却很少。所以，我宣告了这篇文章，共享我从大学进入软件工程领域，再到后来变成机器学习研讨员的进程，期望可以有学习辅导意义。
尽管这篇文章只是关于我自个的经历总结，但我信赖有一些要害是适用于每自个的。
1
大学四年（2015-2021）
我的大学之旅不是一条原封不动的直线，致使我对机器学习的研讨起步较晚。
刚进入普林斯顿大学那会儿，我对核算生物学研讨有着稠密的快乐喜爱，一向坚持研讨该方向，直到大三。那时分，我俄然知道到自个过于专心在生物领域了，我想打开能处置更多领域疑问的技能。
所以，我初步对机器学习感快乐喜爱，特别是具有实际使用意义的核算机视觉。
可是，那时我也只上过机器学习课程，短少实习经历。我的三段实习阅历（罗格斯大学物理系、罗格斯新泽西医学院、哈佛医学院）也都是有关生物信息学和软件工程的，初度独立提出研讨的项目也是关于生物信息学的。
其时普林斯顿大学只需少量教师从事核算机视觉和深度学习方面的研讨，他们的实验室也没有更多接收本科生的空位了。
走运的是，大四前的那个夏天（2021年），我与一位新聘任的助理教授（邓嘉）获得了联络，并变成了第一批参加他的实验室的学生之一。
2021年的夏天，我查阅论文、参加kaggle竞赛（座头鲸辨认竞赛）等自学深度学习，还有阅览文献、以预备结业论文的构思。
在我初度跟导师碰头时，我就告诉他我想研讨一个有望宣告论文的项目，因为我晓得不管是请求读研讨生仍是参加工业界的机器学习职位招聘，我都需要有论文宣告作用。所以他就组织我与一名巨大学的博士生一同做了一个3d视觉研讨项目。
在课程都是满的情况下，我坚相等均每周拿出25个小时用来研讨。尽管我对这个领域几乎完全陌生，但经过尽力我很快就跟上了发展，这些作业也为我的结业论文做出了重要奉献。
结业周前夕，咱们向 neurips 提交了一篇论文，但怅惘的是，这篇论文被拒了。但那年夏天咱们又进行了更深化的研讨，这篇论文后来也被 cvpr 接收了。
2
进入亚马逊
结业论文的研讨阅历重燃了我对研讨的热心，我抉择把机器学习研讨作为我的作业。
其时我现已收到了亚马逊软件工程方向的应届结业生offer。可是，我没有任何掌控可以得到研讨机器学习的职位。那时，我的论文没有被cvpr 2021接收，所以我其时仅有宣告过的论文是生物学和物理学方面的研讨。我没有具体的作用可以证明我在ml研讨方面做出过有意义的奉献。
所以，我抉择先测验参加机器学习基础设备团队，期望先在该领域获得一些作业经历，为今后的作业生计打基础。
我认为，与大大都短少研讨经历的工程师比较，我对机器学习软件生态体系的晓得是我的优势；而与短少产出经历的科学家比较，具有端到端交给的才能又能使我锋芒毕露。
尽管亚马逊应届结业生一般都是遵守团队的职位组织，但我仍是给招聘司理发了邮件，想经过网络联络进入亚马逊网络效能（aws）的云机器学习部分。
后来，我参加了sagemaker组，该团队首要担任出售机器学习一体化云平台。在sagemaker，我为降低深度学习模型的实时推理本钱和推迟作业了一年。我还为一项要害功用的发布做出了奉献，并撰写了随附的aws官方博客文章。
有相关接：https://aws.amazon.com/cn/blogs/machine-learning/reduce-ml-inference-costs-on-amazon-sagemaker-for-pytorch-models-using-amazon-elastic-inference/
3
2021年6月：转机点
不久之后，我的结业论文被cvpr接收并宣告了。至此，我在大学结业大约一年后既有了一篇顶级ml会议的论文，也有了一项新功用发布的作用。
研讨按方案推进，此时，我有了满足的筹码与亚马逊的ml研讨团队攀谈。
风趣的是，在我即将提升二级软件工程师时，我对正本的方案有了不坚决。
因为我其时的团队不归于研讨团队，所以假定我想做研讨，就有必要转到研讨团队，但换团队就要从头调整提升时刻。其时我的兄弟和同龄人都现已初步升职了，我不想变成最终一个升职的人。
我也初步置疑，假定没有博士学位，我是不是可以在机器学习研讨上获得成功？
我与亚马逊的科学家以及一些有研讨布景但究竟选择从事工程的工程师一同喝咖啡、谈天，期冀从他们那里可以获得一些主张。
一方面，许多人告诉我，我仅有的选择是重回学校，读一个研讨型的硕士，最佳是博士。
另一方面，也有一小有些人给了我鼓舞。他们说我可以进行内部集结，而且他们也晓得一些成功集结的比方。
但总的来说，这些说话加深了我的疑虑，因为假定我失利了，我不只会丢掉前期的提升机缘，而且还会 “浪费”我生射中的几年时刻。
阅历自我思考后，我才知道到我的担忧在很大程度上是浅陋和琐碎的。当一自个需要承担更少来自家庭等的自个责任时，其实他更简略在人生前期进行比方变换作业路途之类的冒险赌注。
我知道到我不会因为没能在研讨中获得成功然后转回软件工程然后悔，但假定没有测验ml研讨我会非常后悔，因为我信赖自个有才能可以获得成功。我的竞赛要强心又使我无法承受推迟提升。
但走运的是，我可以知道到作业打开是一场马拉松竞赛，而不是四百米短跑。出资于长时刻成功而不是短期成功不只会让我更高兴，而且还能非常好地迎候ml变得愈加无处不在的将来。
所以我初步在亚马逊内部寻找 ml 研讨团队，并与一位刚在prime video树立新团队的司理获得了联络，该团队尽力于用机器学习了解视频。
因为我没有硕士和博士学位，所以我不能直接面试使用科学家的职位，但我可以面试研讨工程师。因而，我做了一个研讨工程师的内部面试，包括一轮 ml 算法面试和一轮编码面试。
在这个进程中，我亲历了令人惊奇的学位成见。尽管我经过了两轮面试，但后来我被奉告，包括我的司理在内的一些人都因我没有硕士和博士学位而标明担忧。
尽管如此，我的转组请求究竟仍是得到了附和，并变成了团队的第一个职工。2021年5月，我初步全身心肠投入到变成一名ml研讨科学家的方针中。
4
从工程师到科学家
在以研讨工程师的身份参加prime video后，我的下一步方案是经过内部集结变成一名使用研讨科学家。
因为亚马逊的使用科学家大多具有博士学位，因而我需要证明自个完全有才能独立结束广泛认为博士生或优良硕士生水平才干结束的研讨。然后我再对这些研讨项目进行总结，并以提升文件的方法搜集同行的反应，以便请求集结。
大大都使用科学家都是外部聘任的，很稀有工程师能在内部成功转型，特别是学位上还存在成见，因而，机缘对我来说是很可贵的。
很长一段时刻我都感触自个身处迷雾之中，因为没有人能辅导我结束这个进程。
经过估测变成一名研讨科学家的必备需求，并评价我间隔这些需求的间隔，我拟定了一个方案图，争夺在往常作业中少做工程项目，多做ml研讨。
可是，实际证明，实施这个方案比预期要困可贵多。尽管我的司理撑持我争夺变成一名研讨科学家，但公司的成果需求使我难以寻求自个的作业方针。假定我作为一名工程师占用了公司太多的时刻来做研讨项目，这天然会致使我的工程作用比其他工程师少。从绩效评价的视点来看，这对错常晦气的。
找到两者之间的正确平衡是一个奇妙的进程，我需要常常与领导谈论需求和方针，并在作业之余投入许多时刻从事研讨项目。
走运的是，我在新冠疫情迸发时刻结束了这一改动，因为分神的作业和交际活动比平常少得多。假定不作业更长时刻，我很可以无法搜集到满足的研讨数据和同行的反应定见，更不可以能转为使用科学家。
这时刻，我参加的一个研讨项目是与另一组的一位首席科学家协作，这位科学家可以供给反应定见，为我的调组请求助力。在这个项目中我做出了新的奉献，协助开发了一个最早进的用于影片场景切割的自监督模型并结束安设，这也是我的第二篇cvpr 论文，并在全公司进行了主题讲演。
论文联接：https://arxiv.org/pdf/2104.13537.pdf
在这之后，我写了一份转组文件，并经过了一位资深科学家的技能评价。
尽管我有一切的可交给作用来证明我契合使用科学家的需求，但因为要对我的文件进行内部检查，我的转组被推迟了。
直到2021年5月，在我进入机器学习领域3年后、也是我参加prime video11个月后，我转为使用科学家的请求总算被附和了！
如今，作为一名使用科学家，我领导着前瞻性的研讨，这些研讨有可认为prime video等产品带来新功用和优化。我用约一半的时刻来开发和出产撑持新功用的机器学习模型，剩下的时刻花在可宣告的研讨和撰写论文上。
与我当工程师那会儿比较，我如今对自个的作业方向有更多的自立权和一切权，这也给了我更大的作用感。
机器学习研讨是我现执政思暮想的作业，我非常走运可以经过做我喜爱的作业来获得酬劳。
5
有用性的主张
假定你是一论理学生而且断定对ml研讨感快乐喜爱，那么你当?茏龅淖罴训淖饕稻褪腔竦靡研媛畚牡难刑志鸵黄鹱髡呱矸荩踔潦堑谝蛔髡呱矸荨?br>
你也可以和有快乐喜爱协作的教员攀谈，看看是不是有项目需要协助进行实验。有时教师太忙、无法直接答复或辅导你，在这种情况下，你可以测验寻找在项目方面需要协助并情愿与你协作的研讨生。
学习额定的课程是有协助的，但收益会递减，因为进行研讨所需的大大都常识都是高度具体的，最佳经过阅览有关论文和经过实习进行为手实验来学习。
假定你现已要结业而且没有研讨经历，那么可以进行一到两年以研讨为中心的硕士学习。当你可以在作业作业中获得经历和酬劳时，以课堂为要点的硕士课程并不是对时刻的有用使用方法。
是不是要攻读博士学位是一个凌乱的论题，但根柢上我不认为博士学位关于作业研讨中的作业打开是必要的。只需当你想要有高度专心的时刻来处置一个非常具体的疑问，而且有快乐喜爱之后变成一名教授时，博士学位才是一个不错的选择。
相同，假定您在作业中并没有研讨经历，要么可以选择读硕，持续以研讨为要点，要么你也可以像我相同测验在内部进行转组，先参加一个研讨团队，变成一名软件工程师，然后逐步赢得更多的研讨作业机缘。
当你的学历不满足岗位需求时，内部集结比外部请求要更简略，因为招聘体系是高度主动化的，而且经过了优化、可以最大极限地削减误报。但第二个选择的缺陷是，在公司内部打开时，你需要花时刻来树立联络并赢得信赖。
对你有利的一点是，工程经历关于可拓宽性迭代实验很有价值，而且一般会让你比朴实的科学家更有优势（特别是经历方面）。
不管你在哪里，你都需要算力来做ml研讨，而ml研讨的核算量越来越大。假定你没有机缘进入学术界或工业界的核算集群，我会主张你树立自个的pc，并做一些比方ml 会议主办的竞赛之类的辅佐项目，以跟上ml的打开速度，打开归纳才能。我认为kaggle竞赛也是一个公正的学习选择，但不是培育归纳才能的抱负之选，因为这些项目一般与学术文献有关性不大，而是更偏重于实际世界的运用，与neurips等ml会议主办的竞赛构成了显着比照。
6
总结
回想我在亚马逊至今的阅历，我可以想到以下首要经历：
我是仅有一个可以抉择我的作业走向的人。作为一个刚结业的学生，我不了解我的司理的鼓励办法，当他们没有给我想要的项目时，我常常仇恨他们。其时我不理解、后来才晓得的一点是：我不大约期望别人为我出力。我需要为自个而战，创造我想要的机缘。命运=预备+机缘。尽管我很走运得到了参加prime video的机缘，但我之前也做了充分的预备，经过我的尽力作业和人脉来使用这个机缘。规则很少是原封不动的。尽管博士学位是机器学习研讨作业职位的硬性需求，但学位只是才能的代表。博士学位预示着一自个很可以有才能做独立的研讨，但也有许多人没有博士学位，却做了了不起的作业。归根究竟，仅有重要的是你是不是可以结束作业。学位可以使你更简略被招聘，但一旦你被招聘，没有人在乎你有啥学位。当对需求有疑问时，试着从招聘司理的视点思考这个人物的功能责任是啥。在我看来，这相同适用于mba和其他专业学位。做你自个喜爱的事。有些人主张为日子而作业，然后在作业之外做自个喜爱的作业。我认为这也可以，而且我很敬佩那些可以完成它的人，但我发现这对我而言具有应战性。当我刚初步在亚马逊的一个非研讨团队作业时，我企图在作业
之余坚持对研谈论文的重视，但这并不耐久，因为作业现已耗费了我许多的精力和膂力。当我的热情与我的作业交错在一一起，我就会更有动力前进自个。
补白：这篇文章来自 ai科技谈论 ，编译王晔。内容仅做交流共享之用，若触及侵权等行为，请先与本大众号联络删去，万分谢谢。