AI 训练师是一种新兴职业,其职责和工作内容因具体领域和应用场景而有所不同。
例如,在 AI 教育培训和商业应用方面,像星动 AI 联合创始人李先森所从事的工作,可能包括对学员进行 AI 相关知识和技能的培训,以及参与 AI 项目的测评和指导等。
在 AI 设计领域,AI 训练师可能需要负责 AI 风格的开发和调试工作,参与项目的整体风格和审美定义。根据产品需求完成风格渲染的研发、测试、配置和维护,熟练使用 StableDiffusion Web UI 等 AI 框架进行风格研发,负责 AI 模型(如 LoRA,Prompt/Prompt Sentence)的训练、参数调整以及性能优化,编写高质量的渲染记录文档,进行配置和模型训练质量控制,并为团队提供技术支持和指导,解决技术难题。
总之,AI 训练师需要具备相关的专业知识和技能,以帮助 AI 系统更好地学习和优化,从而实现各种应用目标。
OhTqYuth1rLcr92InIh)|序号|昵称|技能与经验|职业与工作领域|兴趣爱好与活动|坐标|<br>|-|-|-|-|-|-|<br>|129|U|业余配音演员,业余歌手,擅长音频剪辑,也可简单视频剪辑。||||<br>|130|萝卜|生图生视频剪辑均可,剪辑方面有从业经验。sd comfyui等在学。||||<br>|131|李先森|星动AI联合创始人,致力于AI教育培训和AI商业应用,AI培训师、AI测评师。希望与各位经常交流、学习、合作||||<br>|132|石头|在央视工作,爱好aigc,希望可以和各位老师多多学习交流||||<br>|133|桥豆麻袋|设计师职业,对ai比较感兴趣,也有一些简单的小尝试,希望大家多多指点||||<br>|134|Minmin|有用stable diffusion和controlnet做一些图像生成的经验,希望学习更多图像和视频生成的技术[呲牙]||||<br>|135|张律师|泰和泰律师事务所律师,对AI也很感兴趣,很高兴认识大家,希望能多多跨行交流||||<br>|136|Ren|来自汇丰,主要做开设海外账户和财富管理,包括储蓄保障和投资理财产品,我对AI挺感兴趣的,很高兴认识大家,希望能多交流学习,一起成长~||||
[heading1]AI stylist我们正在寻找会使用StableDiffusion,对AI设计充满热情渴望学习成长的伙伴中!需要熟练使用SD Web UI,根据需求测试并搭配Check Point,Prompt,LoRA,ControlNet等来达成目标。[heading4]岗位职责:[content]负责AI风格的开发和调试工作,参与项目的整体风格和审美定义;根据产品需求完成风格渲染的研发、测试、配置和维护;熟练使用StableDiffusion Web UI等AI框架进行风格研发;负责AI模型(如LoRA,Prompt/Prompt Sentence)的训练、参数调整以及性能优化;编写高质量的渲染记录文档,进行配置和模型训练质量控制;为团队提供技术支持和指导,解决技术难题。[heading4]任职要求:[content]具有至少半年的StableDiffusion Web UI使用经验,知道如何安装对应插件和models并使用;英文水平需要能看懂Web UI,Hugging Face上的英文文档;能根据需求去完成对应的渲染测试,包括但不局限于t2i,i2i以及视频渲染;能熟练的根据不同的check point,prompt和LoRA来结合CFG(和i2i的DS指)和ControlNet来达到测试需求;能够独立进行模型训练和参数调优;拥有良好的记录和沟通习惯,结构清晰,命名规范,逻辑性强,能够对团队进行技术指导;思路清晰、积极主动、认真踏实、良好的沟通能力和团队合作精神,有敏捷研发经验优先。
毫无疑问,AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员;初级医疗服务提供者将依赖聊天机器人进行分诊;几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而,为了真正改变这些领域,我们应该投资于创建一个模型生态系统——比如说,“专家” AI——它们像我们今天最优秀的医生和药物开发者那样学习。成为某个领域顶尖人才通常以多年的密集信息输入开始,通常是通过正规的学校教育,然后是某种形式的学徒实践;数年时间都致力于从该领域最出色的实践者那里学习,大多数情况下是面对面地学习。这是一个几乎不可替代的过程:例如,医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息,是任何教科书中都没有明确写出来的。通过学校教育和经验,获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此,但对于AI来说,这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点(“正确”和“错误”的例子)——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI,而不是仅仅依靠大量的数据,并期望一个生成模型解决所有问题。例如,我们首先应该训练生物学的模型,然后是化学的模型,在这些基础上添加特定于医疗保健或药物设计的数据点。预医学生的目标是成为医生,但他们的课程从化学和生物学的基础开始,而不是诊断疾病的细微差别。如果没有这些基础课程,他们未来提供高质量医疗保健的能力将受到严重限制。同样,设计新疗法的科学家需要经历数年的化学和生物学学习,然后是博士研究,再然后是在经验丰富的药物设计师的指导下工作。这种学习方式可以帮助培养如何处理涉及细微差别的决策的直觉,特别是在分子层面,这些差别真的很重要。例如,雌激素和睾酮只有细微的差别,但它们对人类健康的影响截然不同。