844: In Case You Missed It in November 2024
38:08 Share

在这一集的“如果你错过了”中，我们回顾了上个月访谈中我们最喜欢的时刻，Jon Krohn询问他的嘉宾关于招聘和求职申请的未来、进入人工智能职业的多条路径、人工智能在开发改善医疗保健的蛋白质方面的潜力，以及“人工智能名人”并不一定等同于“人工智能专家”。附加材料：www.superdatascience.com/844 有兴趣赞助SuperDataScience播客的一集吗？请发送电子邮件至[email protected]以获取赞助信息。</context> <raw_text>0 这是第844集，我们在11月的“如果你错过了”节目。欢迎回到Super Data Science播客。我是你的主持人，John Krohn。这是一集“如果你错过了”的节目，突出了我们在过去一个月中与嘉宾的对话中最精彩的部分。

在我们的第一个片段中，我与Dipali Vyas进行了交谈，她是Korn Ferry的全球数据和人工智能负责人。我想知道像Korn Ferry这样的高管搜索公司如何在与客户和候选人之间加深关系，同时保持对关键职位数据的领先地位，并做招聘公司应该做的事情，找到最佳候选人。我的公司Nebula也处于招聘和人工智能的交汇点，因此我特别想听听Korn Ferry的人们如何解决这些问题。

在这24年中，他们引领你走到了今天，你是Korn Ferry的全球人工智能、数据科学和金融科技（FinTech）负责人。人们可能不知道Korn Ferry，它是世界上最大的招聘公司之一。你可能确切知道这些统计数据，但有几家绝对巨大的公司，而Korn Ferry就是其中之一。

在Korn Ferry，你负责跨行业的战略人工智能、数据和分析领导者的高管搜索和领导力咨询。哇，这听起来与我们的听众非常相关。你为客户提供人才管理、继任规划、多样性和包容性以及组织设计方面的建议。你是这一集的不可思议的嘉宾。让我实际上问一个问题。

随着招聘越来越依赖技术，尤其是近年来的人工智能驱动，高管搜索公司应该如何发展与客户和候选人的关系建立策略，以保持真实的人性元素和公平的评估？

同时还要努力利用数据和人工智能来获得这些效率。是的，这是一个在就业市场上正在进行的非常好的对话主题。老实说，有很多不同的元素涉及到招聘。公司是如何从高管搜索、评估或招聘的角度处理这一问题的？雇主在使用哪些人工智能工具来评估候选人？而候选人又是如何利用这些工具在寻找工作时脱颖而出的？

市场上发生了很多不同的事情。所以我会从几个不同的方面来分析。我认为我与之交谈的每一个客户都想了解人工智能。他们想使用人工智能，无论是为了招聘人才，还是为了提高生产力，或者是为了以某种方式优化人工智能在他们组织中的嵌入方式。对吧？所以，人工智能是一个话题，我会说，当你看图表时，它在垂直和水平上都在上升，他们想在任何地方使用它。这对求职市场的候选人意味着什么？

最近有一个有趣的统计数据出现在我的桌子上。所以，John，你知道，LinkedIn上几乎有十亿人。在人工智能工具出现之前，我在谈论候选人方面，当LinkedIn职位发布时，大约有250名申请者会申请该职位。

在人工智能工具出现之后，因为许多技术精明的候选人现在利用它来通过聊天GPT优化他们的简历，以便真正通过这些ATS系统。所以这个数字增加了10倍，对吧？所以现在每个申请有2500人。现在，双方都面临负担。

所以回到你问题的起源，关于公司将寻找什么以及候选人需要做什么，我认为大问题是，

候选人将如何从他们的黑白简历或数字简历跳出来，展示一个更真实的、可以展示他们自己的交付物，以便在这些客户面前展示他们想要的工作？

我的观点是，我希望在这个领域非常具有颠覆性，因为我已经在这个领域工作了25年或24年，我认为下一代将是视频。我真的相信这一点。

我认为，看看像LinkedIn这样的平台，他们正在尝试，但对他们来说并没有那么成功。所以他们以不同的方式进行。他们试图在视频上进行思想领导，他们试图将所有这些内容嵌入到信息流中。因此，他们关注的是信息流，而不是个人。

我认为，这就是许多在市场上的人和试图吸引人才的雇主领导者需要以不同的方式看待人才并评估人才的地方。

是的。

所以我在节目笔记中为你提供了那个链接。我还有Easy Apply Jobs Bot，这是另一个GitHub库。它只有500个星标，但作为替代方案可能值得一看。然后我们还有一些点击和指向工具，供那些不一定使用GitHub和代码的人使用。我们有Job Copilot和Lazy Apply。因此，你也可以为申请人数的10倍贡献一份力量。

你认为从候选人的角度来看，这有意义吗，Deepali？你认为人们应该利用这些工具，还是觉得这太过了？这只是喷洒和祈祷。你认为他们应该更有针对性吗？作为一名高管搜索顾问和事实上的职业教练，我

我倾向于说不。其实我说不的原因是，我会稍微收回一下。我可能对此有一个一和一的答案。John，你在过去18到24个月内在硅谷看到的，可能还有更广泛的很多裁员。

我意思是，我们已经在裁员游戏中待了相当长一段时间。事实上，我的TikTok因为我开始谈论裁员而病毒式传播，我不想仅仅成为裁员报道的权威，但这就是我因某种原因而获得知名度的地方，但我带来了就业市场的真实新闻。所以是的，确实有很多非常有才华的人被裁员，而

关于裁员的污名，他们开始感到恐慌，他们需要申请所有的工作以便找到一份工作。所以这个问题的第一部分是，

你能否利用这些工具在求职申请中变得更有效和高效？是的。答案是肯定的，对吧？如果你想要10倍的申请，因为你知道，你在家里，需要申请一定数量的工作，这是一个数字游戏，你需要在这些雇主面前出现。是的，去做吧。

我认为那些能够在求职中更加挑剔的人需要考虑他们将如何以不同的方式展示自己，而不是那些用聊天GPT包装的简历，对吧？因为它们在某个时候开始看起来都一样。

而这些工具所做的事情是，你能够下载职位说明。你能够上传你的简历。你能够匹配那些关键词，以便你能够通过ATS系统。如果你的简历没有被选中，那是有效的。我完全同意这一点。但现在你将不得不跳过另一个障碍。因此，你将需要做一些事情来展示那些软技能是如何更具可转移性的。

ATS是你我都非常熟悉的术语。但如果你是高管或招聘人员，你也会知道它。但如果你是候选人，你可能不知道。它代表申请者跟踪系统。它通常是一个点击和指向的工具，如今有很多内置的人工智能功能，基于出现在其中的关键词自动筛选一些申请者。

这些都是Dipali提供的非常有趣的见解，尤其是因为我觉得现有的招聘平台正面临一个瓶颈，即在候选人的申请中找到和匹配关键词并不足以筛选出我们所需的人选。在我的公司Nebula，我们采用了更严格的方法，使用大型语言模型对职位描述进行编码，并将其与候选人的资料进行比较。

这导致了一种更公平的方法，比大多数现有的数据驱动招聘方法对候选人的画像要细致得多。你可以在第837集中听到我们从这次精彩对话中得到的启示。

我们的下一个片段来自第839集，在这一集中，我们再次谈到了我在人工智能方面的商业冒险，因为在这一集中，我与Jess Ramos讨论了开发课程材料，这是我经常做的事情。听众当然是渴望学习者，当我们做节目深入探讨课程创作者时，我总是得到很好的反馈。

所以我问Jess她是如何让数据科学和人工智能主题对那些可能没有太多接触这些学科的人变得可及的。当人们开始新的职业，比如数据分析，或者可能是数据科学时，我们显然谈到了SQL作为一项重要技能。你认为这是人们应该学习的第一项技能，还是在第一批技能中？我想从SQL扩展一下，你知道，

人们应该首先学习其他什么？人们应该优先考虑什么？是的，SQL是第一件事，还是在那一组中的第一件事？所以如果你是全新接触数据的人，完全没有任何基础，我会说绝对从一点数据可视化开始，也许在Power BI或Tableau或甚至Excel中玩一下，了解一些非常基础的知识。所以像列、

和行，不同的数据类型，如何以不同的方式可视化数据，也许像条形图、折线图，一些基本的统计数据，比如最大值、最小值、平均值等等。所以如果你是全新接触，我绝对会从这里开始。但

我实际上告诉人们，他们应该真的从SQL开始，只要你有一点数据基础，因为我认为SQL可以很好地拓宽你的数据经验。你开始学习数据集是如何合并在一起的。你会学到很多关于数据清理以及如何重塑和转换数据的知识。所以我认为一旦你掌握了这些技能，你就可以轻松掌握其他任何东西。所以如果你已经知道如何在SQL中做得很好，你可以进入Power BI或

Tableau或任何你想使用的BI工具，并应用那些相同的概念并转移那种知识。所以我确实认为SQL可能是最好的投资之一，因为

这是所有公司都会使用的技能，无论你在哪里工作。它还为你提供了良好的知识，可以转移到你公司再次使用的任何BI工具上。然后，当然，Python或R也可以在后面学习。不错。所以很多人，在他们的职业生涯开始时，他们会考虑...

他们可以遵循的教育项目。所以，你刚刚给出了一个很好的列表，列出了人们想要学习的技能，但很多人，他们想要在其他人中学习，或者与其他人一起学习，拥有老师给予他们指导和辅导，正如我们在本集早些时候讨论的，辅导的重要性。因此，网上有很多关于数据分析、商业分析、数据科学的课程和训练营。你自己也

走过了我们可以称之为更传统的路线，获得了数学的本科学位，然后获得了商业分析的研究生学位。所以

你对这两种不同的路径有什么看法？我实际上，我想有三种。因为有，所以有你在上一个回答中提到的内容。实际上是某人可以完全无结构地做的事情，你只是在与像ChatGPT这样的东西聊天，甚至只是你自己的自我引导的教育路径。

所以更正式的一步可以是参加一个训练营或一系列你为自己策划的在线课程。然后最正式的就是获得学位，去大学获得正式的教育，正式的文凭，证明你拥有分析技能或机器学习或数据科学技能。那么你对这些不同的路径有什么看法？你会对不同类型的听众推荐什么？

是的，所以我认为这个选择确实取决于个人，尽管这听起来很老套。但我认为每个人都有不同的目标。每个人的财务状况和时间限制也不同。你知道，如果某人有一份全职工作，他们可能在某些选项上没有那么多灵活性。

但我会说我很高兴我上了研究生院。对我来说，这是一个个人目标，我从小就梦想着上研究生院。我曾经想，我长大后要获得博士学位或硕士学位。所以对我来说，这确实是一个教育目标。而且这显然是一个非常结构化的学习数据分析的方式。当我毕业时，我拥有了申请工作的所有技能，加上拥有额外学位的额外信誉。所以我认为这是一个巨大的优势，但我知道现实中，财务上，并不是每个人都能上研究生院。很多人也无法暂停他们的生活一年或两年，参加全日制研究生项目。所以我并不是说每个人都应该上研究生院，但

嗯，我认为在自学方面，我认为这两种路径是一种结构化的方式，比如训练营，或者有点像

你的自学路径，你可以选择自己的课程等等。我认为如果你有自律和动力，绝对可以策划自己的学习路径，学习所有正确的技能，参加几门课程，也许花几百美元在几门你知道会非常好的课程上，为你打下基础。

这完全足够让你在数据领域找到一份工作。但当然，这需要很多自律，很多时间。你必须自己构建项目，真正练习并提升这些技能，以便你能够通过面试，因为你不会拥有与在简历上放上硕士学位相同的信誉。但你会节省很多钱，可能也会节省很多时间。我认为训练营的路径是...

这取决于训练营。我不喜欢看到一些训练营收取10,000美元、20,000美元。我是说，我的研究生项目是20,000美元。所以我想，如果你要花10,000或20,000美元，或者申请贷款，你不如直接获得硕士学位，因为如果你要进行那种财务投资...

你至少应该获得一个文凭挂在墙上，并在简历上放上几个字母，你知道吗？所以我对那些提供的价值非常昂贵的掠夺性训练营并不太喜欢。但我也认为确实有非常好的

训练营。所以向Zach Wilson致敬，他的数据工程训练营。他显然非常可信。他的价格非常实惠。这是我愿意投资的东西，而不是那些大公司在掠夺新手。那是很好的指导。在这一集中你又给出了更多真实的观点。我很感激你的坦诚，以及你知道，像

在这一集的早些时候，谈到你薪水的具体数字。现在谈论这些具体数字和你在训练营中获得的价值。我完全同意你。确实有一些掠夺性的价格存在，你可以在你描述的两条路径中获得更好的价值。

以10,000或20,000美元获得研究生学位，或者策划自己的路径。正如你所说，这需要更多的动力。虽然我刚刚想到，如果你能以某种方式找到甚至只是少数其他人

也对发展数据分析、数据科学、机器学习的职业感兴趣。他们可能是你在网上认识的人。你可以在LinkedIn上发布，说，嘿，我在考虑进入数据分析的职业。我来自这个背景。以下是我考虑学习的一些资源，或者让我们一起制定一个课程计划并互相监督。你可以，正如你所说，花几百美元...

你可以在一个10,000或20,000美元的训练营或甚至一个10,000或20,000美元的硕士学位中开发所有相同的技能。而这种独立性，展示这种独立性，你将自己培养出很多技能，这些技能是...

可雇佣的技能，表明你能够组织一个团队，或者作为个人能够策划出成功的正确资源。我是说，这是一项高度可雇佣的技能。但同时，这些也是让你成为优秀企业家并自己赚钱的技能。完全是。我不知道。所以有很多不同的想法可以让人们深入思考。是的。我希望我没有对训练营说太多坏话。

我的意思是，还有，我的意思是，你知道，可能还有，呃，你知道，虽然我会仔细考虑，但可能也有一些情况，你会想，好的，你知道吗？我现在有这个职业空档。我有三个月或六个月，因为我在一个大银行工作，他们给了我六个月的休假。

对这个人来说，钱不是问题，因为他们刚刚离开了一家投资银行，或者无论如何，他们离开了一家投资银行的软件开发工作，他们想成为数据科学家。我想进入机器学习。你不想花一年或两年的时间去获得硕士学位，尤其是如果你是兼职追求的话。所以你会想，好的，虽然这个训练营有点贵，但我可以立即沉浸在其中。通常在这种价格下，他们确实会与行业公司建立很多合作关系。

这也是我认为你购买这个价格标签的一部分。是的，我同意。我认为合适的训练营对某些人来说真的很好，尤其是因为有些人确实想要这种结构。他们想要被告知确切的学习内容、学习方式和学习时间。所以我认为这很好，加上行业联系。但我认为一旦你进入10,000美元、20,000美元的范围，我就有点怀疑，

这真的有那么大的价值吗？我不知道，但这只是我的看法。我不会花那么多钱，除非是为了获得硕士学位。Jess对不同路径的看法让我产生共鸣，因为虽然我通过获得专注于机器学习的博士学位走了一条更传统的道路，但我在这个领域遇到了很多走其他路径进入数据科学和人工智能的人。

我觉得我们彼此之间有很多可以学习的东西，因为我们所有的生活、教育和职业经历的结合使得协作项目变得更加信息丰富和持久，并使我们正在开发的人工智能系统变得更加有影响力。好的，我的下一个片段来自第835集，与Brian McCann的对话，他是You.com的首席技术官。再次，这个片段讨论了我个人喜欢的话题，

Brian和我讨论了人工智能模型在生成特别设计用于执行今天只有我们身体中的自然蛋白质才能完成的任务的蛋白质方面的潜力。除了生成文本之外，你还重新利用语言模型进行蛋白质生成，这对我来说是有道理的，因为你知道，我有生物学背景和神经科学背景。

所以，你知道，我意识到，也许并不是我们所有的听众都意识到，你体内的蛋白质为你完成所有功能性工作，几乎你身体能做的每一件事都是因为，除了某些小的、相对小的例外，但一般来说，蛋白质在做所有的工作，蛋白质是一种序列，就像它们是一维序列，就像字符字符串，对吧？

你知道，由这些叫做氨基酸的东西组成，每种氨基酸都有稍微不同的属性，但基本上，你创建了这条氨基酸链。你可以把它们想象成字母表的字母，它们允许你创造出我们身体所拥有的巨大、不可思议的功能能力，你知道，这种能力。

使你的眼睛能够看见的蛋白质与使你的肝脏解毒酒精的蛋白质，你的皮肤能够完成所有皮肤所做的事情。你知道，我显然可以谈论，举例子可以持续几个小时。生物学有很多东西。我们身体做的事情也很多。所有这些都是由这些相对较少的氨基酸的一维序列编码的，在人类中大约有20种。

所以有趣的是，你与我们之前讨论的MoonHub有联系，这只是一个大胆的猜测。我不知道你的答案会是什么，但大约一年前，我去了柏林，采访了Ingmar Schuster，他有一家初创公司，他们的业务就是这样。他们的业务是创造蛋白质。Axozyme？

是的，正是Exosign。当我和Inkmar在一起时，他提到你的联合创始人Richard Socher最近在柏林的Mirantics AI校园里。所以我不知道，这似乎在某种程度上有联系，这可能是虚假的。是的，我得找一天见见他。我与蛋白质世界的联系经历了巨大的变化。

主要是通过与Salesforce时期的Progen论文的共同作者。正如你所说，我们采用了控制模型，训练它用于蛋白质生成，称之为Progen。我们正是以你所想的方式思考。蛋白质序列的数量远远超过二级和三级结构，而后者的生成成本很高。如果我们能制作一个仅依赖序列的模型呢？这演变成了一家名为ProFluent的初创公司。

那里的首席执行官名叫Ali Madani。好人。他们做得很好，因为我们已经证明你可以生成这些蛋白质，并且可以在湿实验室中合成它们。你可以获得在自然界中不存在但具有更好适应性的蛋白质。

更低的能量。因此，它们在设计的任务中表现得更好，整体上更好。这就是ProFluent的由来。所以我仍然与那个世界保持联系，虽然不是通过Ingmar直接，但我很乐意与他交谈。也许我们见过面，可以重新见面。但我认为一般来说，继续推动深度学习与机器学习之间的许多

对于我来说，这一转变是尽可能地让算法不受干扰。与其设计特征，不如不这样做。只需将它们作为参数。然后我们就摆脱了变压器。与其有这种递归和我们的概念偏见，不如让我们有一个架构，

更多或更少地进行矩阵乘法，然后允许在上下文中共享信息。上下文、上下文、上下文，继续添加上下文，更大的上下文窗口、上下文向量，无论是什么。尽可能统一，因为无论是视觉和语言，还是语言的不同部分，比如代码，代码在语言模型中帮助进行逻辑任务的事实，对吧？帮助你在LSAT问题上表现得更好，这很有趣。

事实上，字面上将控制模型（一个训练于英语的模型）用于蛋白质训练的训练曲线更稳定，学习曲线更快，而不是从头开始训练。这很奇怪。英语与氨基酸序列有什么关系？好吧，在对齐和序列生成方面有一些足够普遍的东西，或者在这里发生了一些事情。相似性，正是在这一切的核心。

我认为我们需要继续将所有这些推向自然科学，越来越多。因此，生物学、化学、物理学，我，你知道，如果有，我不知道我是否之前说过，或者至少在公开场合或录音中说过，但我认为我在2013年对

深度学习转型的看法是好的，但我们对如何进行人工智能的概念任务的强加是坏的。因此，我们需要朝着更统一的方向发展。我对科学的感觉也是如此。我们一直在进行科学的方式在某种程度上受到我们对世界的看法和投射的限制，也许人工智能，广义上讲，某种计算算法的方法可以为我们解锁。这可能会感觉非常相似。起初可能会觉得不那么可解释。人们总是回过头来说，从机器学习到深度学习的转变不那么可解释。混合所有数据，哦，这不那么可解释。哦，我们无法再解释词向量中到底有什么。

我认为有机会去追求一些关于我们对宇宙理解的非常根本的东西，通过让这些系统尽可能多地获得上下文。我随身携带一本拓扑书和几种不同的分支。我觉得有一些东西缺失，我们可能无法弄清楚，但也许人工智能可以为我们解决。我们可能无法用我们当前的术语来解释它，

<context>844: 如果你在2024年11月错过了 在这一集的“如果你错过了”中，我们回顾了上个月访谈中我们最喜欢的时刻，Jon Krohn询问他的嘉宾关于招聘和求职申请的未来、进入人工智能职业的多条路径、人工智能在开发改善医疗保健的蛋白质方面的潜力，以及“人工智能名人”并不一定等同于“人工智能专家”。附加材料：www.superdatascience.com/844 有兴趣赞助SuperDataScience播客的一集吗？请发送电子邮件至[email protected]以获取赞助信息。</context> <raw_text>0 但这将是一个更好的预测工具，我们会找到使用案例。这对我来说完全有道理。我认为你说得对，100%。为了让这个问题更具体一点，或者用稍微不同的方式来解释，当我们上大学时，你在不同的系学习哲学和计算机科学，而这些不同的系

涵盖了随着时间演变的标准课程。这是哲学中重要的内容。这是计算机科学中重要的内容。你将在这里学习算法和数据结构。每个人都会在这里学习。但将哲学的内容归类到这个建筑里与这些人一起，而计算机科学则归类到这里，这种限制

使得像你这样的人可以同时学习哲学和计算机科学，在某种程度上，你的思维可能能够在它们之间建立联系，并对语义意义以及自然语言模型或统一模型如何工作产生有趣的想法。但我们人类只能接触到有限的事物。然而，人工智能系统可以以

远远超过我们的方式进行扩展。它不仅可以学习哲学和计算机科学，还可以学习每一个学科，并将所有学科放入高维向量表示中。或者一个上下文窗口，是的。对。以某种方式，是的，以我们可能无法理解的方式，它将能够做出预测或跨越所有知识同化思想，而人类永远无法做到。我认为是这样。还有...

是的，所以我期待未来几十年的科学，因为我们将学习如何越来越多地整合这些工具。

也许我们对宇宙的基本理解将会改变，我们不一定会遇到现在的一些问题。我喜欢布莱恩在思考如何利用人工智能解决人脑根本无法处理的许多问题时的做法。他的这一集让我深思，我知道很多听众也很喜欢它。我的最后一段剪辑来自于第833集，嘉宾是马丁·古德森博士。

马丁是Evolution AI的首席科学家和首席执行官，尽管他在皇家统计学会等学术团体中担任过许多其他角色，他认为这为他的职业生涯打开了许多大门。

考虑到这一点，以及他与欧洲委员会的工作，我问马丁他对我们可能称之为人工智能名人的人（如埃隆·马斯克和比尔·盖茨）与许多真正的人工智能专家在学科上的实际深入知识之间明显脱节的看法。

我最后一个问题与你有关，涉及公众对人工智能的看法，这似乎受到许多高调科技人物的影响。因此，例如，在录制时，我一直在观看比尔·盖茨的Netflix特别节目《接下来是什么》，至少第一集全是关于人工智能的。我一直在自言自语地笑

因为，抱歉比尔·盖茨，他是一个非常令人印象深刻且相当博学的人，但在这档节目拍摄时（看起来大约是一年前），显然比尔·盖茨对人工智能的理解与我期望的这档播客的大多数听众的理解相去甚远。

所以这对我来说是一个非常有趣的经历，因为我认为他是那种会很好理解这些事情的人。但在第一集中，对我来说最搞笑的部分是比尔·盖茨有一个黄色的记事本，上面写着“训练”这个词在一个框里，然后像是

从框外写下的东西。当他在解释一些我们之前讨论的相同类型的事情时，比如监督学习、强化学习，拍摄的人做出了直接的导演决定，使用了他记事本的特写镜头，展示这个东西，像是“哦，比尔·盖茨的记事本。看看他画的这个伟大的示意图。”我只是想，什么？什么？

“训练”这个词在一个框里。嗯，

所以，是的，我对至少2023年比尔·盖茨的期望，我对比尔·盖茨2023年对人工智能的知识的期望，远低于我对他的预期。因此，你有一句话，来自你做的另一个播客，你说，确实，我在人工智能领域没有认识的人认为埃隆·马斯克是人工智能专家，您知道的，

我想他是那种我期望在人工智能理解上比比尔·盖茨更偏离的人，但

是的，我们有这个问题，公众的看法受到这些高调科技人物的影响。似乎像费菲·李或杰夫·辛顿这样真正了解情况的人，并没有与这些其他人分享同样的影响力，公众似乎认为，哦，埃隆·马斯克、比尔·盖茨，这些是人工智能专家。是的。问题是什么？对。我没有真正问问题，是吗？没有。

好吧，我想我只是引出了你的观点。你问了问题，对吗？我想我不能问问题。我可以问一个问题。我们能对此做些什么？是的，是的，是的。就是这样。我们能对此做些什么？所以你之前提到我有一个我负责的机器学习聚会，你知道，算是组织委员会的一部分。

我们有很多学者来做演讲，其中一些人做得非常好。实际上，这真的很惊人，我非常喜欢，演讲绝对精彩。但我必须说，我们经常，有时可以说，有时我们会请到一些学者来做演讲，他们真的在夸大其词。

如果你在这个领域之外，就像你提到的一些人，阅读一些论文是非常容易的。但你可以通过阅读档案上的东西轻松成为一个自称的专家。你知道，你可以阅读那些论文，轻松成为一个自称的专家。问题是，问题之一是，有很多问题，但我只想强调一个。一个是...

学者们在发表东西时夸大其词。论文的标题简直是荒谬，他们没有证据来支持他们的主张。我不会提及名字，因为这不公平，但我们确实有一些人来聚会，他们做演讲，随便编造一些非常夸大的说法。一旦你对他们进行审查，这些说法就会崩溃。他们没有证据。

你我都在一个世界级的遗传学研究所相遇。那是世界级的。所以我们亲身体验了什么是真正的严谨，以及科学方法是什么。

在最高水平。我不是说我在最高水平工作，但我们确实与在最高水平工作的人一起工作。我们当时吸取了很多教训。我有时对我们的一些演讲者感到相当恼火，我必须说。我们最近有一个人来，他们做了一个演讲，他们说，

哦，你知道，我不会在这里谈论任何技术内容，因为我认为你们不会感兴趣。我们没有时间谈论技术内容。你知道，你在一个技术聚会上。你应该接受审查。我认为我们都需要在

提高机器学习中的科学文化标准方面做得更好。我认为如果我们这样做，我们会做得更好。这将有助于解决你所谈论的问题。在我们那个时代，工作在遗传学领域时，人们会在大学里写论文，然后你会有一个公关部门，他们会编造这些极度夸大的标题，进入报纸。

但现在人们直接跳过公关团队，他们自己就这样做。学者们直接这样做。他们把公关人员的工作切掉了。我认为这不是积极的。所以我想我们应该，是的。我们该怎么办？我们应该停止这样做。

好了，今天的“如果你错过了”节目就到此为止。为了确保不遗漏我们即将推出的任何精彩节目，如果你还没有订阅这个播客，请务必订阅。但最重要的是，我希望你能继续收听。下次见，继续在外面摇滚，我期待着很快与你一起享受另一轮Super Data Science播客。