在作者聚焦系列中，我们与数据科学和人工智能社区的成员们探讨了他们的职业道路、写作灵感与创作源泉。今天，很高兴能与大家分享与Maria Mouschoutzi的对话。
Maria是一位数据分析师兼项目经理，在运筹学、机械工程和海事供应链优化领域拥有深厚背景。她将丰富的行业实践经验与研究驱动的分析方法相结合，致力于开发决策支持工具、优化流程，并在技术与非技术团队之间高效传递洞察。
在《AI与LLM中“思考”与“推理”的真正含义》一文中，探讨了人类与机器推理之间的语义鸿沟。理解这种区别，如何影响实际工作中的模型开发与结果解读？
近来，人工智能引发了巨大的炒作热潮。许多传统的基于机器学习的产品突然被重新包装为AI产品，任何贴上AI标签的事物似乎都迎来了新一轮的需求。正因如此，现在每个人都对AI是什么及其工作原理有一个基本的技术性理解至关重要，这样才能评估AI能为他们做什么，不能做什么。
事实上，人们对AI的本质抱有许多源自科幻叙事的固有印象。这些印象很容易让人被AI激动人心且充满潜力的前景所吸引，而忘记其当前的实际能力，最终误将其视为能解决所有问题的神奇方案。非技术背景的商业用户最容易对AI产生这种过度兴奋的情绪，有时会将其想象成一个能够为任何问题提供正确答案和解决方案的黑箱超级智能。
无论好坏，这与事实相去甚远。LLM——这场AI热潮背后的真正科学突破——在某些方面（例如生成电子邮件或摘要）表现出色，但在其他方面（例如执行复杂计算或分析多层次的因果关系）则不尽如人意。
对AI是什么及其根本工作原理的技术性理解，在实际工作中提供了巨大帮助。首先，它有助于发现有效的AI应用场景，并管理商业用户对AI能力的期望。在更技术性的层面，它使得能够区分在特定场景中需要使用的具体组件，从而确保交付的解决方案能为业务带来真正的价值。
例如，如果需要开发一个RAG应用来搜索特定的技术文档并基于文档中的信息进行计算，这意味着应用中需要包含一个代码终端组件来执行计算（而不是让模型直接回答）。
文章的初始灵感从何而来，尤其是像“茶水间闲聊”系列这类更具哲学思辨性的文章？
“茶水间闲聊”系列最初的灵感来源于办公室里的真实讨论以及朋友间的故事。由于在公司环境中，人们倾向于避免不必要的冲突，有时在茶水间的随意交谈中会表达出一些非常离谱的观点。而且，通常为了避免冲突或质疑同事，没有人会指出错误的事实。
尽管这类对话是善意且出于好意的——真的只是工作间隙的休闲——但它们有时会导致错误的科学事实被延续。特别是对于像统计学和AI这样复杂且不那么容易凭直觉理解的话题，很容易过度简化事物并延续无效的观点。
促使撰写整篇文章的第一个观点是：“如果你玩足够多轮轮盘赌，你最终会赢，因为概率大约是50/50，结果最终会平衡。” 现在，如果上过统计学课程，就会知道事实并非如此；但如果没有上过那门课，并且没有人指出这一点，可能会带着对赌博运作方式的奇怪想法离开讨论。因此，该系列最初的灵感主要来自被误解的统计学话题。
然而，如今与AI相关的话题也存在同样——甚至更多——的误解。AI引发的巨大炒作导致人们想象并传播各种关于AI如何工作及其能做什么的错误信息，而且有时他们对此抱有难以置信的信心。这就是为什么无论是对统计学、AI还是任何其他主题，教育自己掌握基础知识都如此重要。
能否详细介绍一下撰写一篇详细技术文章的典型流程，从初步研究到最终定稿？如何平衡深刻的技术准确性与面向普通读者的可读性？
每一篇技术文章都始于一个想要撰写的技术概念——例如，演示如何使用特定的库，或者如何在Python中构建某个问题。例如，在关于宝可梦的文章中，目标是解释如何在Python中构建一个运筹学问题。确定了这个想要聚焦的核心技术概念后，下一步通常是寻找一个合适的数据集来演示它。
这通常是最具挑战性和最耗时的部分——找到一个好的、开源的、可以自由用于分析的数据集。虽然市面上有很多数据集，但要找到一个完全免费、数据完整且足够有趣能讲出好故事的数据集并非易事。
所选数据集的“风味”会对文章的受欢迎程度产生很大影响。用宝可梦来构建运筹学问题听起来比用员工排班表有趣得多！总的来说，数据集应该在主题上契合所选的技术话题，并构成一个相对连贯的故事。
确定了文章的技术主题和要使用的数据集后，接下来是编写实际代码。这是一个相当直接的步骤：使用数据集编写代码，并确保其运行并产生正确结果。
完成代码并确保其正确运行后，便开始起草文章正文。通常以简短的介绍开头，说明最初对这个特定主题产生兴趣的原因（例如，想为博士研究制作一个复杂的可视化，而searoute这个Python库让事情变得简单），以及这个话题对读者有何用处（阅读讲解如何调用宝可梦数据API的教程，有助于理解如何编写调用任何API的代码）。
在适当的地方，还会添加一些关于所演示用例背后理论前提的简要通用解释，以及对将使用的代码库的简短介绍。
在技术文章的主体部分，通常会展示如何用Python代码片段构建代码，并逐步解释一切是如何运作的，以及在一切正确运行时预期会得到的结果。
还喜欢添加GIF截图来展示代码中嵌入的任何交互式图表——这能使文章更加有趣、易于理解，并对读者更具视觉吸引力。
就是这样！一篇技术教程就完成了！
最初是什么促使开始与更广泛的数据科学社区分享知识与见解？写作过程对专业实践有何反哺？
早在2017年撰写学位论文时，首次偶然发现了Medium和Towards Data Science出版物。在阅读了几篇文章后，完全被其中丰富的技术材料、多样的主题和富有创意的文章所吸引。感觉那是一个数据科学社区，作者背景多样，技术水平各异——有针对各个层次和不同领域的文章。
除了欣赏那些能让人学习和理解更多数据科学知识的技术教程外，也喜欢文章的创造性和故事性。与GitHub页面或Stack Overflow的答案不同，大多数文章都带有一定的创造性和艺术性。非常享受阅读这类文章——它们帮助学到了很多关于数据科学和机器学习的知识，久而久之，内心也默默产生了自己撰写此类文章的愿望。
经过一段时间的思考，终于鼓起勇气起草并提交了第一篇文章，并于2023年初首次在TDS上发表。自那以后，又为TDS撰写了多篇文章，每一篇都像第一篇一样充满乐趣。
为TDS撰写技术文章的一大乐趣在于分享那些自己曾觉得难以理解或特别有趣的内容。有时，像运筹学、概率论或AI这样复杂的主题会让人感到害怕和 intimidating，从而 discouraging 人们甚至不愿开始阅读和学习更多相关知识——自己也曾有过这种感受。
通过创建一个简化、直接、甚至看似有趣的复杂主题版本，感觉能够让人们以温和、不那么正式的方式开始阅读和学习，并亲眼看到它其实并没有那么可怕。
另一方面，写作在个人和职业层面都提供了巨大帮助。书面沟通能力得到了极大提升。随着时间的推移，向非技术背景的商业受众阐述复杂技术主题变得更容易了。最终，迫使自己以简单的术语向他人解释一个主题，这反过来也促使必须完全理解该主题，避免留下任何模糊之处。
回顾职业发展历程，最希望早些关注的一项非技术技能是什么？
在数据相关的职业生涯中，最重要的非技术技能是沟通能力。
虽然沟通在任何领域都很有价值，但在数据岗位上尤其关键。它本质上是连接复杂技术工作与实际业务理解的桥梁，有助于成为一名全面的数据专业人士。
这是因为，无论技术能力多么强大，如果无法向商业用户和管理层传达工作成果的价值，这些技术能力也无法走得很远。
重要的是能够向非技术受众解释工作的价值，用他们的语言交流，理解他们关心什么，并以一种展示工作如何使他们受益的方式来传达发现。
数据和数学，尽管价值巨大，但对商业用户来说常常显得 intimidating 或难以理解。能够将数据转化为有意义的商业洞察，然后有效地传达这些洞察，最终才能使数据分析项目对公司产生真正的影响。
