2019年1月29日 作者:Martin Fleming和Seth Dobrin
在这个数据不断膨胀的时代,根据海量数据中的洞见更准确地预测未来的结果,实现工作的自动化,提出行动的建议,对于不同规模的组织和企业而言,都变得越来越重要。
数据科学家的重要性也由此日益凸显。《哈佛商业评论》(Harvard Business Review)曾在2012年将数据科学家评为21世纪最性感的职业。随着关注度和需求量的增加,特别是面对不断激增的数据量,市场对数据科学家的角色与职能的需求,在过去几年中变得供不应求。
事实上,由于缺乏合格的人才,美国各地的许多组织处在急缺数据科学家的境况。美国职业社交网站领英(LinkedIn)2018年8月发布的最新劳动力报告显示,目前美国有超过15.1万个数据科学家职位空缺,纽约、旧金山和洛杉矶等地更是出现了“严重”短缺。
正是在这种戏剧性的背景下,IBM凭借自身多年来在教育与创新的深度融合,以及在人工智能研发和通过人工智能帮助客户成功的专注投入,在数据科学认证和技能培训领域发布了两项重要声明。
首先,IBM与The Open Group今日宣布推出一项史无前例的数据科学家认证计划,旨在为不同规模的组织和个人提供能力实践评估和数据科学技能验证。The Open Group是一家制定开放的、厂商中立的技术标准并提供认证的国际机构。
如同世界各地的IT专业人员一样,对数据科学家而言,The Open Group证书是一项全球公认值得信赖的通用认证,用以证明持证人掌握了足以胜任这个岗位的知识、技术和专业技能,可为数据科学能力与资质提供客观、可靠的评估。
IBM是全球首家为员工提供The Open Group认证的企业,因此IBM的员工可直接在IBM内部获得该认证。该认证还具有全球通用性,可以作为一种新的职业模式。数据科学家可以通过项目工作获得三个级别的认证,也能通过IBM Open Badge计划获得一系列荣誉徽章。最终,他们要通过相关经验能力的概述文件获得数据科学家认证,这份概述文件要经过业界公认的专家们的评估。
The Open Group标准与认证副总裁Andrew Josey表示:“随着数据科学家认证的推出,我们在为个人和组织提供数据分析职业的行业性认证方面迈出了第一步,帮助企业识别顶尖人才,也确保个人获得展示自身价值的机会。数据科学家在企业里从事关键性工作,因此确保他们掌握合适的技能,并能运用恰当方法解决手头的业务难题,至关重要。”
同时,一直走在数据科学行业前沿的IBM公司还在今天启动了一个面向内部的“数据科学学徒”(Data Science Apprenticeship)计划。该计划是IBM“新领”(New Collar)工作计划的一部分,为期24个月,面向没有大学文凭的求职者,内容主要包括教育、指导和实践经验。在学徒期间,员工将努力达到The Open Group数据科学家一级认证的要求。这项新计划已被美国劳工部认定为专业学徒项目。
数据科学技能培训和认证方面的这些举措,对于IBM、新兴数据科学家领域乃至整个商业界而言,都不失为明智之举。这些努力不仅会激发新一代数据科学家的力量,还将为企业寻找和聘用数据科学家提供有意义的凭证。这也将有助于揭开招聘流程的神秘面纱,进一步提升数据科学领域的水平,为企业带来透明度和信心。
IBM将支持这一专业联盟作为自身的使命,并作为其实现人工智能转型的关键所在。我们认为,在帮助企业从依赖直觉和经验转变为真正的数据驱动型公司方面,数据科学家会扮演排头兵的角色。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。