902: In Case You Missed It in June 2025
29:29 Share

这是第 902 集，我们六月错过的内容集。欢迎回到超级数据科学播客。我是你的主持人，Jon Krohn。这是一集“以防万一你错过了”的节目，重点介绍了过去一个月我们在节目中进行的对话的最佳部分。在第 897 集中，我和 Diane Hare 进行了交谈，她是战略咨询公司 BizLove 的创始人兼首席执行官。

Diane 的公司帮助企业推动可持续的数字化转型，包括通过人工智能进行转型。她给了我们五个关键技巧来做到这一点。在这段剪辑中，她与我们分享了这些技巧。你知道，我们已经，我们已经阐述了我们在组织中围绕人工智能或任何其他，你知道，新技术的采用所面临的常见问题。

我们讨论过，你知道，你谈到了具体的解决方案，包括你成功地对人工智能产生了重大影响的情况的案例研究，并且你在这里和那里提供了一些，你知道，任何听众都可以获得的要点。我想知道你是否有一套特别的技巧，一个特别的技巧列表，这对我们的听众来说会有所帮助，能够从这个播客节目中获得思考

更有效地推动其组织中的变革，更有效地能够，你知道，不要停留在做什么上，并能够加速组织中的变革和成功。是的。所以我问了五个问题。

完美。第一个是自上而下，自下而上，这意味着如果你要推动组织变革，你不仅需要让你的高级领导者保持一致，你还需要让一线人员能够做到这一点。而你的工作通常是在两者之间架起桥梁。所以我从企业的角度说自上而下，自下而上。另一件事是大胆的主张和证据。

当你突破噪音，你是个讲故事的人，你说大话时，你必须用数据和证据来支持它们，因为不是每个人都会和你一起来，相信你，理解你。所以你需要确保你的表达方式能让所有不同的人群都相信和理解你。

另一个是我说的。当你试图推动变革时，你有两个杠杆可以拉动。我们现在进入第二个了吗？第三个。哦，我们进入第三个了。所以第一个，自上而下，自下而上。是的，是的。大胆的主张和证据是第二个。明白了。是的。下一个是，当你试图推动变革时，你有两个杠杆可以拉动。你可以激励或奖励。

公司经常加倍奖励，而忘记了激励。因此，专注于讲故事来讲述更广泛的影响，对吧？以一种鼓舞人心方式来描述投资回报率。对。所以我想，例如，如果你受到激励，就会有一些事情，你知道，有一些你正在追逐的年终奖金。所以，你知道，你，你，你，

你并不一定像内在动机那样被某种挑战或机会所驱动。你被外在的，是的，激励去某个方向。但是如果你受到鼓舞，那么，你知道，你会自然而然地想，哇，这是一个巨大的机会。这是我职业生涯中的一个时刻。你甚至不担心具体的奖金，因为你知道，如果你成功了，你就会得到认可，呃，

你知道，公司会有很大的影响，这对你是个很好的机会。是的。你产生的影响比你更大。当你受到鼓舞时，你是在为他人服务。你是在为更大的事业服务，它会利用你的随意努力，夜晚，周末，长时间工作，不是因为你必须这样做，而是因为你想这样做。然后下一个是……第四个。第四个，专注于……

18% 专注于早期采用者，而不是反对者。最后一个很简单，但他们称你为领导者，因为你有勇气先走一步。在变革项目中，你通常是局外人。你是那个反对墨守成规的人，你知道，

我们一直以来的经营方式，你疯了。我们不能改变。所以他们称你为领导者，因为你首先行动。你将不得不把自己置于一个脆弱、勇敢的空间，并且要知道这一点。很好。我没有把这些写下来。你能快速地为我们回顾一下这五个要点吗？当然。第一个，自上而下，自下而上。是的，是的。第二个，大胆的主张和证据。是的，是的。第三个……

两个杠杆，激励或奖励。第四，专注于早期采用者，你的 18%。第五个是，他们称你为领导者，因为你首先行动。所以要有勇气先走一步。我确实从 Diane 的方法中获得了启发。我想她在第三点打动了我。

你对听众有多少项目应该做，或者

他们是否应该在不同的模式下进行项目有什么具体的指导吗？我花更多的时间向正在寻找机器学习工作或数据科学工作的人解释这一点，这并不一定，你建议的是更广泛的人群。

当我谈论机器学习时，我经常说类似的话，也许你应该有一个机器视觉项目，一个 NLP 项目。在今天的 LLM 时代，你实际上可能有很多 NLP 项目，因为它已经变得如此普遍。但历史上，我会给出这些例子。哦，还有一个关于表格数据的项目也是个好主意。你有没有类似的东西，你通常会说，

我建议申请入门级数据工作的人应该做 X 个项目，并且这些项目应该属于 X 类别？我认为有几种不同的方法可以解决这个问题。我认为对我来说最重要的事情是，当人们选择项目时，要做一些他们真正感兴趣的事情。因为很多时候你正在构建项目，你会遇到障碍。你是在自己的时间，周末，深夜做的。所以我认为很多项目都开始了，然后就停止了，因为人们缺乏完成它们的动力。

嗯，所以我认为根据你真正感兴趣的工作或你真正喜欢的爱好来选择项目。例如，如果你试图在 Facebook 或其他地方找到一份工作，我遇到过一个，比如，我会尝试创建一个他们感兴趣并关心的项目。我认为这是最重要的事情。嗯，但是

但是即使你只为 Meta 创建了一个非常棒的项目，我认为这已经足够了。但我在我加速训练营中设置它的方式是这样的，好吧，更多的项目并不等于不好，只要你没有花费大量时间，对吧？因为这是人们陷入的另一个陷阱，就像，哦，一旦我得到……

五个，你知道，我有一个 SQL 项目，我有一个 ETL 项目。然后我有一个仪表板项目。然后我开始申请工作。我认为这是一个陷阱。所以我的建议是，进步胜于完美。就像专注于朝着正确的方向迈出步伐，而不是追求完美主义。但是如果你可以在多个不同的行业中拥有一个项目，涵盖多个不同的工具，也许是一个数据可视化项目。如果我必须，如果我必须比我已经说的更简洁地回答这个问题。我会说，一个 SQL 项目，一个数据可视化项目，仅此而已就是一个好的开始。但很多时候，多多益善。

很好，完美。这正是我正在寻找的指导。对我来说，思考这些类型的角色，比如数据分析师的角色，有点棘手。这很完美。SQL 项目，一个数据可视化项目，这非常有意义。这真的很酷。与你之前所说的关于人们选择他们感兴趣的项目有关，你过去强调过

在你创建的内容中，如果你是一名数据专业人员，你应该尝试以数据驱动的方式生活。这可能与你的投资组合中的项目有关，但也可能更普遍。甚至是为了看看你是否正在考虑从实验室或你现在正在做的任何事情过渡到数据职业，而你实际上并没有花太多时间深入研究数据，

你可以在你自己的生活中找到一些东西，例如，你谈到过在 Power BI 中分析你的徒步旅行，用 Fitbit 追踪你狗的步数。所以这些想法，它们可以是

直接与某人的投资组合项目联系起来。你可以创建一个你徒步旅行的 SQL 数据库，或者做一些你徒步旅行的数据可视化，任何这些事情。这听起来确实很酷。你可以在某种 R 或 Python 的地理映射框架中对 GPS 数据进行一些很好的可视化。你可能现在没有人在学习 R 了。我在想我 20 年前开始学习数据的时候。而且

所以是的。所以我认为这是一个很有趣的想法。你还有什么，我看到你一直在点头，你现在做了一个深呼吸。所以我相信你有很多话要说。这实际上很有趣，因为是的，我完全支持个人项目。就像我说的，我认为创建项目时最重要的事情是完成它，你必须有动力。我认为如果你可以围绕你的生活做一些事情，你将更有动力去完成它。当我第一次在 2021 年创建我的训练营时，我实际上是围绕着它构建的

嗯，另一个，我想，首字母缩略词 PPP，个人，投资组合项目。我说，我教的一切都与在你生活中做一个项目有关。例如，当我们查看时，当我们学习仪表板时，我教了 Google Looker Studio，因为它免费而且我喜欢它。但是，无论如何，我们会，我们会创建一个我们屏幕时间的仪表板，比如我们在手机和不同的应用程序上花费了多少时间等等。

然后当我教 Python 时，我介绍了 Spotify API，我们分析了我们听的音乐。这非常有趣。但是个人项目的问题在于，很多时候数据收集非常困难。尤其是在苹果不希望你知道你在手机上真正花费了多少时间的情况下，这要困难得多。所以他们不允许你导出它。所以你必须手动完成。所以

呃，个人项目在简历上可能非常有意义，而且非常酷，但它们也可能更费时。所以这是一个权衡，对吧？因为点击下载 CSV 并将其放入 Tableau 所花费的时间要比手动完成所有这些工作少得多。所以我非常喜欢个人项目。呃，你只需要小心，不要让它们占据你的整个生活。呃，

然后我会说一个相关的说明是，如果你现在担任的角色与数据无关，那么即使你没有进行任何分析，尝试像数据专业人员一样思考，我认为这也会非常酷。在我的数据职业播客的最后一集中，我与我的一个学生进行了交谈。她的名字是 Jen Hawkins，她是一名送货司机。

嗯，呃，像送货司机一样，你可能拥有最不像数据分析师的角色，对吧。你不是电脑，但她就像，当她必须进入一个门禁社区或门禁公寓楼时，她必须向收件人发送短信。她心想，我要对我的文案进行 A/B 测试，看看这是否能让我更容易或更快地进入。没有分析，真正的分析，像对这些数据的统计分析，但这本身我认为就是一个很好的要点。她在这方面做得非常好，以至于人们在查看她的领英时，看起来她在这个角色中就像数据分析师一样。她说，A/B 测试营销信息。这基本上是她在这个角色中的要点。她正在给人们发短信送包裹，但是

如果你能拥有分析性的思维方式，我认为这不仅会让你现在的工作更愉快，而且会让你在简历上留下很好的要点，并让你从创建可靠的投资组合中获得经验。我们在第 899 集中转向职业成功故事。我和 Kirill Aramenko 进行了交谈，许多听众会将他视为本播客的创始人兼最初主持人。

除了创办这个播客之外，他还是这个播客同名教育平台 SuperDataScience.com 的创始人。在第 899 集中，Kirill 回到他的播客，向我们讲述了 SuperDataScience.com 学生的经验，他们后来获得了非常棒的职业生涯。在这段剪辑中，他详细介绍了他的第三个例子，一位居住在洛杉矶的高级开发人员。第三个，Clara。她是一位居住在洛杉矶的高级开发人员，并且……

在她 40 多岁的时候，目标是获得年薪超过 20 万美元的职位。所以这个人，她在这个领域已经工作了 20 年或更长时间，并且拥有丰富的经验。事实上，她已经做了

各种各样的软件工程角色，开发应用程序，开发程序，为不同的公司开发不同的

公司。最近的五年，我想是五年，对不起，三年或五年。我不记得了。假设三年。她一直在使用 Python 创建软件。有趣的是，该软件处理数据，大量的 Excel 文件，大量的 CSV 文件，在医疗领域使用 Python。事实上，我们的许多成员，我不知道确切的百分比，但我与之交谈的许多成员都在医疗领域工作，支持

公司，无论是医院、制药公司还是其他与医疗相关的公司，如医疗设备公司、采购公司或供应链公司等等。无论如何，她一直在使用 Python 创建所有这些软件，特别是 Pandas 和其他工具来处理大量数据。所以有很多 Python 经验。

最近完成了我们的四门机器学习课程，从 A 到 Z 的机器学习、一级机器学习、二级机器学习、三级机器学习。她想进入机器学习和人工智能领域。为什么？原因是 Clara 40 多岁了。她预测她至少还能在职工作 15 年。她可以看到她目前所做的工作，虽然她

你知道，薪水很高，而且她非常擅长，但它在未来可能并不那么重要。正如我们与 Clara 讨论的那样，这不是一个自我实现的预言。她在这个角色中并没有学习新的技能，这些技能会，你知道，

为她将来打开更多的大门，让她随着技术的增长趋势而不断发展。她对申请非常有选择性。事实上，她几个月前辞去了工作，专门专注于学习和为新的角色做准备。她不着急。她想慢慢来，并且

基本上主要通过她的网络，而不是通过领英等方式申请数千份工作，主要通过她的网络，非常有选择性。

嗯，呃，是的，所以这就是她的目标，进入这个领域。有趣的是，Clara 的痛点是她发现有数千个，实际上是数千个求职者在竞争每个职位。即使在她拥有经验、专业知识和……

你知道，背景和她所做的所有项目的情况下，她发现很难……

突破并获得她正在寻找的工作。有趣的故事。你认为这是为什么？你认为她为什么会有困难？这是一个好问题。我认为这可能与这种现象有关，即有很多工作，但也有很多申请者，很难脱颖而出。我认为在过去的十年里，情况一直如此，当很多人通过直接提交简历的方式申请时，他们都会被 AI 工具进行预筛选。如果招聘经理直接与 Clara 进行了交谈，奇迹般地，

那么他们会意识到她很棒，他们会毫不犹豫地雇用她。但由于很难通过这种直接的方式接触到人们，我认为这就是问题所在。我认为 Clara 的想法是对的，她通过人脉和网络来更快地接触到人们。

你怎么看？人际网络，理想情况下是面对面的，我认为很容易获得。

获得职业机会的最佳方式。不是每个人都能做到这一点。你可能会有家庭情况，或者只是你的地理位置。如果你想获得数据科学或人工智能方面的工作，也许没有你可以做的面对面的事情。远程是唯一的选择。在这种情况下，可能仍然有一些像 superdatascience.com 这样的平台，你可以在其中参与，你可以一起进行协作项目，了解人们。这会给你一种同事的感觉。你会记住你参与过的项目，你一起工作过的人，他们的专业知识。这就像在办公室与某人一起工作并了解他们能做什么一样。也许几年后他们会为你打开一扇门。你做得越多，你

如果你必须在线与人合作，那么你就会与人合作。但理想情况下，你是在与人见面。在美国，有一些东西叫做 meetup.com。通过 meetup.com，你可以在美国的任何主要城市或加拿大找到你感兴趣的任何聚会。它不是专门针对技术的。

我相信有像微波重新编程厨师聚会这样的东西。那里有各种各样的特定事物。但是，你知道，尤其是在数据科学方面，你知道，有很多这样的聚会，你可以参加，你可以处于任何阶段，你知道，你可能刚刚开始。你可能正在考虑，你知道，也许你像一名医生，你

你厌倦了只与一个人打交道，并且你对某种你想要构建的医疗人工智能系统有远见，嗯，来扩大你的影响力。所以你可以开始参加这些聚会，并与人见面，然后决定，好吧，也许像，你知道，我该如何进一步采取措施？嗯，你知道，我是否应该加入像 superdatascience.com 这样的平台，或者在当地大学进行面对面的硕士学习？嗯，

所以你可能处于非常早期的阶段，你只是在探索数据科学或人工智能领域的职业是否是你感兴趣的，一直到成为一名大专家

如果你是一名专家，你可能会参与演讲。这些聚会通常会有这种情况。它可以围绕一两个演讲者谈论现实世界的项目或他们正在开发的一些开源库。你从演讲者那里学习东西，但在这些演讲者周围，你也有很多社交互动。很多这样的聚会都有饮料。披萨通常是他们订购的食物。

而且，你知道，有时它是由当地的数据科学或人工智能公司赞助的，或者也许有一些小费用，比如 5 美元或 10 美元，你可以投入进去，以便能够，你知道，购买披萨和啤酒或其他东西。是的，正是在这些社交互动中，你，是的，你认识了人们，有些人只是，你知道，你与他们产生共鸣，你与他们更多地聊天。你几次在那里看到他们，并且

而且，是的，你可能会找到你的下一份工作。你可能会找到你的浪漫伴侣。你可能会找到你的好朋友。你永远不知道。你知道，在某种程度上，我认为，你知道，那些事情，那些联系，它们不会，在线建立它们有点困难，但它会发生。我个人在 meetup.com 上有很多很好的经验。它实际上对我的职业发展至关重要。

这些活动的好处是它们可以在世界任何地方发生。如果你想提升你的职业生涯，甚至只是结识一些志同道合的人，请寻找与你相关的聚会。

我的最后一段剪辑取自第 895 集。在其中，我和 Sean Johnson 进行了交谈，他是旧金山 AIX Ventures 的联合创始人兼普通合伙人。作为早期创业公司的投资者，Sean 给了我一些关于他正在寻找什么以及他如何评估市场的宝贵见解。当你评估你投资的这些早期人工智能创业公司时，

你寻找的关于产品市场匹配的一些不明显的迹象是什么？或者更笼统地说，你在这些投资中寻找什么？你如何评估市场是否已经为这种特定类型的人工智能及其特定应用做好了准备？你知道吗？早期阶段实际上是人们的游戏。当你只是，你知道，或者创始人只是有他们的想法时，你支持创始人，你知道，

也许他们有一些原型或一些产品，但这实际上是一场关于人的赌博。而且，你知道，他们会带着改变世界的愿景走出去，他们会学到很多东西。

这将导致枢轴，你知道，微观和宏观。所以，你知道，我们不会，我们不能说，你知道，我不认为风投是天才的市场计时器。对。我认为，你知道，他们可以感觉到这一点，但也要认识到创始人会做他们需要做的事情。

我们真的只是关注投资那些能够以光速执行并根据需要进行尽可能多的调整以找到他们提供的产品与市场之间的共鸣点，然后，你知道，进入伟大的增长轨迹的团队。

这很有道理。但这让我产生了一个类似的问题，那就是你如何识别这种创始人或这种创始团队？我想，你知道，我过去邀请过一些客人，一些投资者，他们说过，对于人工智能创业公司，他们通常会寻找这种三条腿的凳子。

首席执行官，这是一个擅长销售想法的人，首席技术官显然是技术娴熟的人，但在人工智能创业公司中，你还有一个人工智能专家，你知道，首席技术官可能更关注平台的可扩展性、可靠性，这些问题。你有一个第三位联合创始人，他是人工智能专家，在……

在或接近前沿，就像你描述的那样，Richard Socher 或 Chris Manning 可能会参与他们的研究。这对你投资的团队来说也同样适用吗？不，我会说，100%。我们思考问题的方式是，我们首先关注团队并评估两个因素。一个是人工智能原生性，对吧？我们是否认为这个团队在人工智能方面非常深入，或者

或者不是？然后是市场敏锐度或商业敏锐度，对吧？他们在这个领域是否有专业知识？他们在进入这个市场方面是否有任何权利？这就是我们关注的重点。然后我们问自己，鉴于一个团队和我们认为

那种市场格局在哪里，他们需要改进什么，对吧？就像你一样，它永远不会完美。你找不到总是最佳人工智能原生性和最佳商业敏锐度的团队。因此，如果你投资一个更具人工智能原生性而商业敏锐度较低的团队，那么问题是，你如何降低团队的商业敏锐度风险？也许是顾问，你知道，等等。然后，你知道，我认为当像我们用 ChatGPT 看到的那样出现技术拐点时，什么，什么，什么，

市场……市场上发生的事情是，你有一些现在可能达成的共识应用程序，对吧？就像每个人都知道我们应该做人工智能驱动的辅导一样。所以……

每个人都认为，让我们构建人工智能驱动的辅导。但是你必须在那里做的是，我们认为，投资那些能够真正为消费者带来其他团队无法提供的体验的极端人工智能原生团队。而且

随着时间的推移，你开始摆脱这种共识驱动的投资，你回到市场敏锐的投资中，你不需要那么多人工智能原生团队。这会很好，但拥有非共识的市场洞察力变得更加重要。所以，你知道，我们思考问题的方式是，如果你考虑五年前的 SaaS 投资，SaaS 投资，你知道，没有人，就像在 MCV 堆栈上没有太多差异一样。这不像你说的那样，哦，对。就像模型一样，你知道，模型技术是独一无二的。数据库是独一无二的，或者控制器是独一无二的，或者视图是独一无二的。都是，你知道，Mongo 和对。就像

MySQL，它在中间，我们称之为 Node.js 或 Ruby，然后是 React 或 HTML、CSS、JS。

这都是商品，对吧？就像，好吧，想法是什么？你将如何配置它？在当前的技术框架内，人工智能将实现这一点。现在，如果出现一种新的架构来取代转换器，那么游戏就又开始了，对吧？现在，将根据该技术可以创造的东西做出全新的一系列共识赌注。

创造。但现在，我认为我们正在从你真正需要人工智能原生团队在一个共识世界中过渡到，你将开始需要更多市场敏锐的团队在一个非共识世界中。对。这听起来是一个很好的平衡。我想我在思考这个问题时过于简单化了，是的，这是一个创始团队。每个情况都不同，这很有道理。

在本期“如果你错过了”节目中，Jon 回顾了他 6 月份在超级数据科学播客上的采访。倾听 Diane Hare、Avery Smith、Kirill Eremenko 和 Shaun Johnson 的观点，他们将讨论 AI 从业人员的最佳投资组合、如何在 AI 职位饱和的求职市场中脱颖而出、如何判断 AI 初创公司是否发展潜力巨大，以及如何在企业中领导 AI 变革。

<raw_text>0 是的。关于这个问题，John，我想补充最后一点，那就是关于是否需要团队中的 AI 专家这个问题。你的 CEO 擅长市场，CTO 擅长构建，那么你需要 AI 专家吗？我在很多团队中都见过这种情况，甚至包括我在 Lilt 的最后一个团队。我认为……

让团队适应的最佳方法是拥有 AI 工程师，他们能够熟练地使用生产中的技术进行构建，并且能够阅读论文并了解技术如何变化，并将这些变化整合到技术栈中。

我认为你不需要一位只读论文的博士。理想情况下，你的生产构建人员也能够阅读论文，这就是我们的看法。这也是个好消息，因为 AI 博士很贵。

好了，今天的“如果你错过了”节目就到这里。为了不错过我们即将播出的任何精彩节目，请订阅本播客（如果你还没有订阅的话）。但最重要的是，我希望你能继续收听。下次再见，继续努力吧！我期待着很快与你一起再次收听超级数据科学播客。 </raw_text>