人工智能

雇佣 排名前3% of 人工智能工程师

PT视讯是一个顶级人工智能工程师、程序员和专家的市场. 顶级公司和初创企业选择PT视讯的AI工程师来完成关键的软件项目.

无风险试验,满意才付款.

客户的速度 PT视讯 AI工程师4.4 / 5.0截至2021年12月29日,平均有225篇评论

被领先品牌和初创公司所信赖

雇佣自由职业的人工智能工程师

苏哈塔转向Aditya

自由AI工程师

美国2019年3月7日起成为PT视讯会员

Abhimanyu是一名机器学习专家,拥有15年为商业和科学应用开发预测解决方案的经验. 他是一个跨职能的技术领导者, 在团队建设和与c级高管共事方面有丰富经验. Abhimanyu在计算机科学和软件工程方面拥有成熟的技术背景,并在高性能计算方面拥有专业知识, 大数据, 算法, 数据库, 和分布式系统.

显示更多

文斯扬科维奇

自由AI工程师

联合王国2018年8月27日起成为PT视讯会员

文斯是一名精通机器学习和机器人技术的工程师. 他有开发自主系统和人工智能(以感知为重点)的经验, 决策, 和控制. 他精通Python和c++,并曾作为顾问参与过各种项目, 帮助客户实现他们的目标.

显示更多

丹Napierski

自由AI工程师

美国2015年12月20日至今

Dan是一名软件架构师和技术专家,专注于区块链技术的应用. 他拥有多年为客户提供专业咨询服务的经验,从初创企业到跨国公司. 他的专长是将严格的测试和防弹的代码带到困难的工程挑战中. 他在人工智能的许多方面都有着深厚的专业知识, 区块链, 机器学习, 和自动化.

显示更多

Dilip马修•托马斯

自由AI工程师

印度2019年3月5日起成为PT视讯会员

除了获得博士学位.D. 在计算机科学和工程领域,Dilip拥有超过十年的行业经验. 自2015年以来, 他一直专注于机器学习和计算机视觉深度学习相关的项目. Dilip对细节有敏锐的洞察力,这有助于识别数据偏差,并为细粒度数据的图像分类开发模型, 对象检测, 文字识别, 图片的翻译, 和人脸识别.

显示更多

拉杰夫古普塔

自由AI工程师

印度2019年5月7日起成为PT视讯会员

Rajeev对数据和机器学习充满热情,在众多行业和应用中有超过五年的数据科学项目经验. 他目前专注于尖端技术,如TensorFlow, Keras, 深度学习, 以及大部分Python数据科学堆栈. Rajeev使用这些技能解决了NLP中的许多实际业务问题, 图像处理, 时间序列域.

显示更多

米格尔杜阿尔特

自由AI工程师

葡萄牙2015年8月20日至今

Miguel计划并实现全堆栈的解决方案, 通过务实和技术不可知论的方法,专注于解决问题和最大化用户和其他涉众的价值. 他倾吐了自己的科研背景, 他在那里开发了机器人仿真平台和分布式计算系统等复杂系统, 快速学习和应用新技术.

显示更多

Goran Trlin

自由AI工程师

波斯尼亚和黑塞哥维那2015年10月22日成为PT视讯会员

Goran是一位有15年经验的天才电脑程序员. 他在数十种编程语言和平台上拥有丰富的经验,并一直在努力学习更多. 他对广泛的软件工程主题感兴趣,并总是在寻找新的和令人兴奋的项目.

显示更多

我ć央行č强权统治下

自由AI工程师

克罗地亚2015年10月22日成为PT视讯会员

Josip是一名计算机科学专业人士,拥有来自各个领域的技能. 无论是单干还是团队合作,他都能很好地工作. He's highly motivated in tackling all kinds of CS problems; particularly in 算法, 人工智能, 数据库, 和web开发. 他一直在努力提高自己,学习更多知识,获得新的经验. 最近,Josip主要与角、反应和 .净.

显示更多

现在就注册看看更多的资料.

开始招聘

招聘指南

雇佣一个伟大的AI工程师指南

人工智能的发展已经非常快,而且越来越受欢迎. 但并不是所有负责招聘人工智能工程师的人都知道自己在寻找什么. 在采访了行业专家之后, 在这篇值得信赖的指南中,我们为您总结了他们的招聘实践.

阅读招聘指南
Trustpilot
媒体报道

... 允许公司快速组建具有特定项目所需技能的团队.

尽管对编码员的需求不断增长,PT视讯却以其几乎达到常春藤盟校(Ivy league)水平的审核而自豪.

我们的客户
创建一个跨平台应用,供全世界使用
蒂埃里Jakicevic
创建一个跨平台应用,供全世界使用
奖状

如果没有PT视讯, Tripcents就不会存在. PT视讯 Projects让我们的基金会在产品经理的帮助下快速发展, 带领开发人员, 和高级设计师. 在60多天的时间里,我们从概念到Alpha. 它的速度、知识、专业技能和灵活性是首屈一指的. PT视讯团队和其他内部团队成员一样,都是tripcents的一部分. 他们和其他人一样为开发做出了贡献并获得了所有权. 我们将继续使用PT视讯. 作为一个创业公司,它们是我们的秘密武器.

首席执行官Brantley步伐 & 联合创始人

Tripcents

我对PT视讯的经验非常满意. 和我一起工作的专业人士在几个小时内就和我通了电话. 在和他讨论了我的项目后,我知道他是我想要的候选人. 我立刻雇佣了他,他也立刻参与了我的项目, 甚至通过添加一些很棒的设计元素来增强我们的整体外观.

导演保罗•Fenley

K邓恩 & 的同事

与我搭档的开发人员都非常出色——聪明、有动力、反应灵敏. 过去很难找到高质量的工程师和顾问. 现在不是.

瑞安·洛克菲勒,首席执行官

Radeeus

PT视讯立即理解了我们的项目需要. 我们请来了一位来自阿根廷的优秀自由职业者, 从第一天起, 投身于我们的行业, 与我们的团队完美融合, 理解我们的愿景, 并产生了一流的结果. PT视讯使得与高级开发人员和程序员的联系非常容易.

Jason Kulik创始人之一

ProHatch

作为一家资源有限的小公司,我们不能犯代价高昂的错误. PT视讯为我们提供了一个经验丰富的程序员,他能够立即投入工作并开始贡献. 这是一个伟大的经历,我们会在心跳中再次重复.

斯图尔特·柏克尼校长

站点专用软件解决方案

我们通过PT视讯聘请了一位拥有丰富亚马逊网络服务经验的开发人员. 我们面试了四位候选人,其中一位非常符合我们的要求. 这一过程迅速而有效.

Abner Guzmán Rivera,首席技术官和首席科学家

照片Kharma

Sergio是一个非常棒的开发者. 一流,反应灵敏,工作效率高.

Dennis Baldwin,首席技术专家和联合创始人

PriceBlink

和Marcin一起工作是一种乐趣. 他是主管, 专业, 灵活的, 并且非常快地理解需要什么以及如何实现它.

Andre Fischer首席技术官

POSTIFY

我们需要一位专业的工程师,他能立即开始我们的项目. Simanas的工作超出了我们的预期. 不需要面试和寻找专业的开发人员是一个非常好的时间节省,并使每个人对我们选择转换平台以使用更健壮的语言感到更舒服. PT视讯让这个过程变得简单和方便. PT视讯现在是我们寻求专家水平帮助的第一个地方.

Derek Minor,网络开发高级副总裁

Networld传媒集团

PT视讯的开发人员和架构师都非常专业,也很容易共事. 他们所提供的解决方案价格合理且质量上乘,从而缩短了我们的发行时间. 再次感谢,PT视讯.

首席执行官杰里米鞋号

Kognosi

PT视讯给我们带来了很棒的体验. 他们为我们的应用程序匹配了完美的开发人员,使这个过程非常容易. 它也很容易超出最初的时间框架, 我们能够在整个项目中保持同一个承包商. 我们强烈推荐PT视讯快速无缝地寻找高质量人才.

瑞安莫首席技术官

应用商业技术有限公司

PT视讯给我留下了深刻印象. 我们的开发人员每天都和我交流,他是一个非常强大的程序员. 他是一个真正的专业人士,他的作品非常出色. PT视讯 5星.

首席执行官皮特Casoar

Ronin Play Pty Ltd

与PT视讯合作是一次很棒的经历. 使用它们之前, 我花了很长时间采访其他的自由职业者,却没有找到我需要的. 在与PT视讯接触后,他们在几天内就为我找到了一个完美的开发者. 与我一起工作的开发人员不仅交付高质量的代码, 但他也会对一些我没有想到的事情提出建议. 我很清楚阿莫里知道他在做什么. 强烈推荐!

首席执行官乔治•程

Bulavard公司.

作为一名合格的PT视讯前端开发人员,我还经营着自己的咨询业务. 当客户来找我帮忙填补他们团队中的关键角色时, PT视讯是我唯一放心推荐的地方. 托普塔尔的所有候选人都是精英中的精英. PT视讯是我在近五年的专业在线工作中发现的最物有所值的.

伊桑•布鲁克斯首席技术官

Langlotz专利 & 商标工作的公司.

在讨价还价早期, 我们需要一流的开发人员, 以可承受的利率, 及时地. PT视讯交付!

首席执行官劳拉Aldag

讨价还价

PT视讯让你非常容易找到一个候选人,并让你放心,他们有能力提供. 我肯定会向任何寻找高技能开发人员的人推荐他们的服务.

Michael Gluckman,数据经理

Mxit公司——

PT视讯能够迅速将我们的项目与最优秀的开发人员匹配起来. 开发人员已经成为我们团队的一部分, 我对他们每个人所表现出的敬业程度感到惊讶. 对于那些希望与最好的工程师远程工作的人来说,PT视讯是最好的选择.

创始人Laurent爱丽丝

Livepress

PT视讯让找到合格的工程师变得轻而易举. 我们需要一个有经验的ASP.净 MVC架构师来指导我们的初创应用程序的开发, PT视讯在不到一周的时间里就有了三个很好的候选人. 在我们做出选择后,工程师立即上线并开始工作. 这比我们自己发现和审查候选人要快得多,也容易得多.

联合创始人杰夫•凯利

协同解决方案

我们需要一些短期的Scala开发工作,PT视讯在24小时内就为我们找到了一个优秀的开发人员. 这是任何其他平台都不可能实现的.

弗兰科斯巴达,创始人之一

WhatAdsWork.com

PT视讯为快速发展和规模化的企业提供了不妥协的解决方案. 我们通过PT视讯聘请的每一位工程师都迅速融入了我们的团队,在保持卓越开发速度的同时,他们的工作达到了最高的质量标准.

联合创始人格雷格•金博

nifti.com

如何通过PT视讯招聘AI工程师

1

与我们的行业专家之一谈谈

PT视讯的工程总监将与您一起工作,以了解您的目标, 技术需求, 和团队动力.
2

与精心挑选的人才一起工作

几天之内,我们会为您的项目介绍合适的人工智能工程师. 平均匹配时间在24小时以下.
3

合身,保证

和你的新人工智能工程师一起工作一段试用期(如果满意就给薪水), 在订婚前确保他们是合适的人选.

常见问题

  • PT视讯的AI工程师有何不同?

    在PT视讯, 我们彻底筛选我们的人工智能工程师,以确保我们只为您匹配最高水平的人才. 超过100个,每年有1万多人申请加入PT视讯网络, 只有不到3%的人能成功. 你将与工程专家(而不是一般化的招聘人员或人力资源代表)一起工作来理解你的目标, 技术需求, 和团队动力. 最终的结果是:专家从我们的网络中审查人才,定制匹配,以满足您的业务需求. 现在就开始.

  • 我可以通过PT视讯在48小时内聘请AI工程师吗?

    这取决于可用性和进度的快慢, 你可以在注册后48小时内开始与人工智能工程师合作. 现在就开始.

  • PT视讯 AI工程师的无风险试用期是多长时间?

    我们确保您和您的人工智能工程师之间的每次接触都有长达两周的试用期. 这意味着您有时间确认订婚是否成功. 如果你对结果完全满意的话, 我们将按时间向你收费,你们的婚约想继续多久就继续多久. 如果你不完全满意,你不会被收费. 从那里, 我们有两种选择, 或者我们可以为您提供另一位可能更适合的专家,我们将与他开始第二个, 无风险试用. 现在就开始.

分享
人工智能

如何聘请优秀的人工智能工程师

人工智能(AI)向开发者和世界传递着前瞻性和前沿技术的信号. 这就是为什么你雇佣AI工程师的过程现在比以往任何时候都重要.

许多工程师都渴望将自己的职业生涯转向人工智能开发. 人工智能在软件开发中的创造性新应用令人兴奋, 但我们这里的重点不会是 应用现有人工智能技术服务. 而不是, 我们首先要考虑的是如何聘用能够开发此类服务的人工智能工程师.

我们采访了领先的人工智能招聘经理,他们如何为自己的团队筛选最佳候选人. 如果你已经习惯了,请随意加入 我们关于采访主题的部分.

寻找AI工程师候选人

在许多方面, 寻找人工智能工程师是一项标准任务:本地化推广, 口碑网络, 或者通过社交媒体揭露你正在处理的更有趣的问题都是很好的策略.

正如前面提到的, 你可能会找到擅长应用人工智能服务的候选人, 但他们肯定不擅长推进新的研究领域. 与仅仅将Linux作为桌面操作系统的人相比,这类似于雇佣一个Linux内核黑客. 这两个角色的经验和技能水平不同, 但从本质上讲,它们是截然不同的. 任何参与雇佣人工智能工程师的人——包括招聘人员和人力资源部门——都必须理解这一区别.

事实上, 一位招聘经理惊讶地发现,有这么多自称是人工智能专家的人申请这样的高级职位,却连基本的“算法和大o符号”都不懂, 更不用说为什么你更喜欢使用U-net或resnet或直接的机器学习回归,而不是复杂的CNN.”

有时候你只需要虚张声势一下就可以了. 但对于那些既诚实又有足够自知之明的申请者来说, 一份足够详细的招聘启事会帮助你过滤掉至少几个不适合的人.

举几个例子 马特波特的招聘启事:

“我们对深度学习有一个广泛的议程,包括 语义标记和分割, 三维物体分类与姿态估计, 从RGB深度, 估算看不见的3D表面, 结构/深度夷平, 关键点匹配, 密度和音响. 我们也 与一些领先的学术研究实验室密切合作 在这个国家.”

对于那些习惯于通过人工智能云来获取结果,但却处于人工智能工程职位的候选人来说,我们上面强调的措辞应该是一个危险信号. 我们的第二个例子可能更直接:

“作为计算机视觉团队的一员, 你将负责开发健壮的全自动计算机视觉算法 处理任何现实世界的环境…

“我们致力于…… 点云对齐, 生成/纹理的3D网格从点云, 3 d网格操作, 摄像机标定, 大满贯, 多视点立体, 机器学习, 和语义理解.

这里没有犯错的余地. 如果一个求职者试图蒙混过关获得这样的工作, 从背景调查到面试的任何一步都应该非常清楚,他们不能胜任这项工作. 在每个阶段都要提前问出你最关键的问题——理想情况下,你的候选人会这样做 返回忙还将帮助.

上述的工作描述也会让你避开那些可能有技能水平但没有具体专业知识的求职者. 这可能是,也可能不是你想要的.

AI工程师的角色和技术领域

你可能会招聘几个技术领域的人才. 机器学习——特别是计算机视觉——是最具竞争力的子集之一, 自然语言处理也是如此.

关注细节是很重要的. 也就是说,一位人工智能招聘经理建议我们:

先撒一张大网. 像“数据科学家”或“机器学习科学家”这样的普通角色可以有很多不同的含义. 如果你有一个特定的领域, “计算机视觉工程师”或“自然语言处理”有特定的含义.

换句话说, 你不会想要高质量的, 可塑造的人才由于类别差异而溜走,这是可以通过明确的方向来克服的. 在面试解决问题的过程中,当你决定你的候选人是否具有合适的个性和技能组合时,这些细节可以被发现.

所以你应该做到多具体? 这取决于你的紧迫感,以及应聘的人是多是少. 如果需要的话,你可以随时调整你的描述.

学术出版物、开源项目和工作与生活的平衡

大多数人工智能工程师都会有学位. 许多人还将撰写和发表研究生研究报告. 但是,对于AI工程师来说,在简历中加入开源项目很重要吗? 不总是这样——如果你有的话, 他们会被检查的, 但这并不一定意味着你生活中的每一分钟都投入到人工智能的工作中.

事实上,一个成熟的人工智能工程师应该有其他的义务. 这是一个令人耳目一新的认识,甚至可能标志着文化的改变. 为了吸引最优秀的候选人加入你的团队,要尊重他们对个人时间的承诺. 他们对人工智能的兴趣可能会激发他们解决问题的热情, 但最终,它可能对促进一种平衡的文化最有帮助.

数学与AI开发

人工智能的普及意味着它对评估考生的数学能力至关重要. 考虑到数学技能,那些在计算机科学方面有经验并对人工智能感兴趣的人,将会成为真正高效的人工智能工程师.

深厚的数学知识——尤其是线性代数——是判断一个人工智能工程师是否能胜任这项任务的良好指标. 你的候选人还应该能够编程和模拟现实世界的解决方案:虽然数学知识是关键的角色, 这并不一定意味着将知识付诸实践的能力.

因为原始数据可能相当混乱, 在构建模型之前,您需要测试应聘者在清理和修复数据方面的知识和速度. 此外,他们是否能够根据这些模型创建规则来进行预测? 你的受访者应该意识到他们数据中的偏见,并应该在思考他们的数据集在现实生活中是如何运作的时候表现出主动性. 人工智能工程师还应该知道,在处理他们正在清理和修复的数据时,应该考虑道德责任.

可靠的问题

当你收集和创造 人工智能面试问题,是一致的. 与我们交谈的经理们通常会使用一组首选问题的几种变体. 这将更准确地衡量他们的知识,以及他们是否适合你的团队.

在面试中,你不太可能有时间去训练一个网络. 然而, 您可以通过白板讨论结构和过程来判断工程师对框架的了解程度.

我们采访的一位招聘经理提到过, “很多应聘者都知道Keras是什么,在示例目录中运行过演示,也看过OpenCV,但却不能真正告诉你RANSAC或图形切割是如何工作的.作为招聘经理或团队领导, 要承认,虽然候选人对框架的掌握是有用的, 数学潮流的变化往往要慢得多. For example, Theano may be on its way out; but 正如其创建者所指出的它的概念在深度学习框架的生态系统中一直存在.

所以,如果你能意识到框架背后的数学原理,就说明你是一个多才多艺的候选人. 鼓励在面试中应用数据——但你主要测试的是数学,而不是编码.

示例场景

你会向你的候选人提出什么样的问题? 再一次, 人工智能是一个广阔的领域, 因此,并不是所有这些都适用于AI工程师将面临的每一个专业. 但这些会让你知道你应该进入的深度:

  1. 假设我们有 五维数据向量被分开. 你的候选人会用它们做什么? 要求他们使用更传统的技术. 使用传统数学他们能获得什么信息? 注意他们使用矩阵的能力, 坐标系的转换, 正如前面提到的, 线性代数.
  2. 向候选人提供一个开放式的、公开的问题,然后要求他们这么做 解决一个NLP的数据,以建立一个基本分类器或回归. 有很多解决方案, 也许面试官可以自己想出五种方法, 即使它们中没有一个是最有价值的解决方案. 在这里,您正在寻找最小的性能, 他们是否能解释它会产生什么错误, 以及他们一开始是如何衡量工作表现的. 不要提供任何建议或交叉验证:这有助于将对人工智能仅感兴趣的人从那些深刻理解该主题的人中剔除出去.
  3. 对于计算机视觉项目,给人工智能工程师 一个被展开为矢量的图像. 你把每一排都排好. 让他们把它还原成没有原始尺寸的形状. 固定数量的像素只会有一定数量的变化. 定义一些指标来定义哪些比率是正确的. 一些复杂的概念,他们可能会寻找一些边或者应用一些变换或者大系数. 他们不需要成为一个专家来做一些有趣的事情. 把它和实际问题结合起来——你不能只做一个.
  4. 你会如何使用深度学习 一个例子相对较少的图像分类任务? 由于深度学习使用复杂模型(大型网络),最好的方法是使用预先训练的网络. 这意味着网络参数已经被调优,有限的数据足以进行训练, 特别是对于一个预先训练过的网络,只有最后一层需要训练. 还可以使用数据扩充, 其中包括转换训练数据以获得相似的, 但是不同的训练例子. 例如,训练图像可以稍微缩放、旋转、反射等等.
  5. 你想要什么样的 pre-trained网络 为什么? Ideally one trained on a similar dataset; a simpler one in the exploration phase, 然后一个更大的用于微调. 预训练的网络是指已经在标准数据集上得到优异结果的网络, 如ImageNet. 你的数据集不一定要和这些一样, 但是越接近, 结果越好. 因为有更小和更大的预先训练的网络架构可用, 为了快速测试,你可以从一个较小的开始, 如果结果是有希望的, 进入一个更大的预先训练的网络.
  6. 网络有时 过度拟合训练集. 如何检测和避免这个问题? 当网络在训练集上表现很好(误差很小)时,就会发生过拟合, 在测试集上明显更差. 小型训练集容易受到这个问题的影响, 因为网络最终会学习它们的特性,而不是学习一般有用的特性. 正如前面提到的, 数据扩充有效地增加了可用训练样本的数量, 所以它可以帮助过拟合. 其他防止过拟合的方法包括退出和正则化, 哪些是你的候选人应该能够详细解释的.
  7. 是一个 线性激活的多层神经网络 比单层线性神经网络更强大? 为什么? (一个相当困难的问题, 但这将展示对线性函数结果的深刻理解.)我们的直觉可能会告诉我们,深层网络可能比浅网络更强大. 然而, 因为每一层都是一个线性函数, 线性函数的组合也是线性的, 这样就不会获得任何表达能力.
  8. 为什么一个 具有s形激活的多层神经网络 如果强烈使用L2正则化,它就会线性化? (也困难, 但演示了正则化的知识和sigmoid函数的行为-这是被使用的很多.)首先, 我们必须理解L2正则化倾向于降低神经网络的权重大小. 如果我们有强正则化,那么它们将趋于零, 而logits(乙状窦激活之前的那一层)也会非常小. 现在看看下面的s形函数, 你会注意到输入接近于零, 函数具有非常线性的形状/行为. 因此, 如果你过于强烈地正则化一个s形网络, 你会得到一个类似于线性网络的东西, 几乎没有表达能力.

乙状结肠函数

此外,深度学习的一些具体问题:

  1. 为什么ReLUs在深层网络中的激活功能比s形激活更好?
  2. 一般来说,为什么自动编码器的输出比GAN的输出更模糊呢?
  3. 为什么使用批处理归一化的深度网络能够训练得更快?
  4. 残差连接背后的基本思想是什么?
  5. 初始模块背后的基本思想是什么?
  6. SqueezeNet的好处是什么?这个架构是如何实现这些好处的?
  7. 培训rnn的主要难点是什么?有哪些解决方案?
  8. 卷积神经网络如何用于时间序列分析?

记住,没有适用于所有业务和项目的公式. 如果你不知道哪些问题和场景适用于你的背景, 明智的做法是听取团队成员的意见.

人工智能工程师面试步骤

这取决于你的团队规模.

在一个小团队中,面试者可能会期待对话. 当领导一个小团队时,你需要考虑技术技能和 融入团队.

在更大的团队中, 招聘经理可能更关心应聘者是否接受公司文化. 如果招聘经理对你的部门或项目的细节无法理解, 首席技术官通常是接触候选人并进行初步交谈的主要部分.

最初的谈话大约持续了十分钟. 如果候选人成功, 与技术团队的两到四名成员坐下来讨论是很正常的. 在这段时间, 他们可能会被要求解一个预先设定好的函数,或者在白板上做一些张量装箱.

同样重要的是,你要根据面试者声称的他们的专业知识来定制你的问题. 由于人工智能和机器学习的普及, 重要的是要评估你的候选人是否有深度, 学术理解能力强,能从理论上解决问题.

在这一步之后,候选人可能会被交还给开始这个过程的CTO. 虽然公司鼓励招聘团队要全面,但最好不要拖拖拉拉. 人工智能开发领域的流行意味着,真正有潜力的候选人正受到机会的轰炸.

做出你的决定

人工智能和机器学习是一个竞争激烈的领域. 对于在这篇文章中提到的所有领域都能胜任的工程师的需求是非常高的.

在做决定的时候, 分析你的候选人的决策过程,无论是面对面还是虚拟的. 申请人采用什么框架,为什么? 这些方法是否与您的团队处理问题的方式兼容,即使框架本身并不兼容?

让受访者有时间和空间来讨论他们所做选择的结构和过程. 正如我们的一位专家所强调的,“我们喜欢框架. 申请人应该知道为什么他们会在使用它们的时候做出这样的选择, 基于较低级别的知识.”

在这一点上,希望你能在AI开发领域开辟出一条新路.

我们要感谢凯文·比约克, 高级软件工程师 at Matterport; Jason Laska, 机器学习工程师在R&D at Clara Labs; and Steve Macenski, 高级软件工程师, Simbe 机器人的机器人学和导航学领导为我们整理这篇文章. 也要感谢PT视讯的自由撰稿人Radu Balaban和Cristian Garcia,感谢他们宝贵的投入.

PT视讯人工智能专题出版物

顶尖的人工智能工程师需求量很大.

开始招聘