全文共1741字，預計學習時長6分鐘
圖源：unsplash
不久前，有人在工作中問了我一個問題。這讓突然我意識到曾經犯下了一個嚴重的錯誤，毀了我五年多的工作聲譽。
這項工作是我從博士階段就開始的，經過了兩任僱主。下文大致寫了我的經歷以及從中獲得的經驗教訓，希望你能引以爲戒。
什麼問題？
（一位數據科學家在上班第一天與公司的首席執行官進行了交談。首席執行官需要有人來預測哪些用戶會購買公司產品。數據科學家立刻開始了工作。）
在任職數據科學家有一段時間後，同事問我“你認爲什麼時候可以開始用到機器學習、人工智能和預測建模？”。
我並不明白他在問什麼。這麼多年來，我們不是一直在使用機器學習、人工智能和預測建模嗎？困惑歸困惑，我還是委婉地指出了兩年前的一個項目。
我說：“你還記得去年秋天我們做的那個項目嗎？公司一半的人都在會議室裏一直開會到深夜那一次。”
同事說：“當然啦！那真是太有趣了，那對於我們團隊來講至今難忘。我知道我們幹了件大事。”
我說：“我也很喜歡這個項目……事實證明，我們運用預測建模來確定邀請哪些客戶參與這個項目。所以我們一直在使用預測建模。而且是每天都在用！”
問題的真實面目
問題是我的同事們，也許是大多數人不知道自己已經（並且有很長一段時間）成功地應用了機器學習、人工智能和預測建模等相關技術，這是數據科學工作的核心。這得怪我。
（這是一個半自傳故事。在這個故事中，首席執行官要求新來的數據科學家預測哪些用戶會購買公司產品。數據科學家用邏輯迴歸集成完成該任務後，首席執行官問：“你試過機器學習嗎？”）
經驗教訓
這幅漫畫中的數據科學家，以及我在數據科學職業生涯初期的時候，對所做工作報告不足，描述不當。邏輯迴歸是一種有監督的機器學習技術。使用集成（多個實現相關模型）也是預測分析中常用的技術。
我曾以爲避免使用現代的、行話式的、籠統的、幾乎毫無意義的時髦術語，比如“機器學習”、“人工智能”和“預測建模”等詞彙，利人又利己。
圖源：unsplash
我曾用一些我所知道的術語代替這些籠統的時髦術語，以期實現更具體、更精確的解釋。這幅漫畫中的數據科學家也犯了和我類似的錯誤。
無意之中，由於沒有明確地將邏輯迴歸的集成描述爲有監督的機器學習算法，很少有人意識到這項工作就是數據科學的應用。
如何避免該錯誤
從這次經歷中，我得到了教訓並仍在學習中。下面列舉其中的一些：
1.讓他人清楚瞭解你的努力。這意味着你需要以儘可能多的溝通方式，去花時間溝通，準確地表達自己在做什麼以及爲什麼要這樣做。幸運的話，老闆或導師會幫助你做這樣的事情，但不要一直等待別人的許可。
爲避免此錯誤，可以尋求並使用儘可能多的溝通方式（例如，面對面交流、一對一溝通、小組討論、Slack、電子郵件、狀態報告等）。
還需注意的是，要找到別人能接收到你信息的溝通方式。如果不確定，請尋求幫助，以確定你所在公司中最有效的方式。
圖源：unsplash
2.用詞很重要。從對方的水平層次滿足其需求。在我的案例中，我沒能從同事的水平上滿足其需求，因爲他們期望聽到的是“預測分析”等詞彙，而我卻用“有監督的機器學習邏輯迴歸集成技術”給了他們重重一擊。我錯認爲，將這項工作深入淺出地解釋會利人利己，事實上，我讓事情變複雜了。
爲避免此錯誤，在你開始談論工作前，先聽聽你的聽衆認識哪些術語和短語。使用他們認識的術語和短語。細心並設身處地地來引入新的術語、短語。
3.過去的還會上演。回顧我在成爲數據科學家之前的工作，通常是教育工作者或大學管理者，我發現曾經對自己的工作報告不足或描述不當。
這個錯誤，無論是技術領域還是其他行業的專業人士都可能會犯，爲避免此錯誤，必須從過去經歷中吸取教訓，否則你將會重蹈覆轍。
如何描述自己的工作是一項藝術。在這方面的疏忽差點兒讓我的聲譽完全毀掉。我們已經在公司用到機器學習、人工智能和預測建模很長一段時間了。同事卻以爲還沒有開始！
學會溝通和表達，這在職場上很重要。
我們一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）