在数据科学和人工智能领域，领域知识的重要性往往超越了算法的复杂性。这正是AI企业家兼数据科学家Ng在一次机器学习竞赛中获得10,000美元奖金后所领悟到的核心经验。该奖项肯定了她在Web3信用评分领域的杰出表现，也印证了她的观点。
领域经验比算法复杂度更重要-AI洞见
尽管此前从未处理过区块链数据，也没有将神经网络应用于信用评分，但她在 FinTech 领域六年的积累，使她能将这一问题视作标准的信用风险评估任务，从而迅速找到有效的解决路径。
解决问题比完美模型更重要-AI实践
Ng 将这次竞赛的经验总结为两点。
首先，“能上线的模型比完美的模型更有价值”。她在比赛中仅投入 10 小时，提交了一个可用的 MVP（最小可行产品）方案，而非过度优化的模型。这一理念同样适用于产业实践：真正能带来业务价值的，是在生产环境中运行的模型，而不是停留在 Jupyter Notebook 中的实验成果。
其次，她意识到，心理障碍比技术壁垒更常阻碍行动。起初，她差点因为缺乏 Web3 经验而放弃参赛，但最终发现，理解核心问题并保持兴趣，比提前掌握全部技术更重要。
从企业到独立顾问的转变
在企业技术岗位多年后，Ng 转向独立顾问的原因，是希望打造属于自己的产品与解决方案。她的独立工作分为两条路径：一是承接与数据科学和机器学习相关的咨询项目，二是研发一款 AI 语言学习产品。
作为会九种语言的多语者，她在产品中融入文化语境和真实对话情境，旨在帮助用户突破“课本式”学习的瓶颈。这种将技术挑战与文化理解结合的方向，正是她最感兴趣的领域。
以问题为先的 AI 项目方法论
在为企业客户开展 AI 项目时，Ng 始终坚持“问题优先”的原则。她的流程包括三步：
- 诊断问题：找出具体且可量化的痛点，例如分析餐饮客户的评论数据，定位导致差评的菜单项或服务环节。
- 定义成功标准：设定可衡量的目标，如节省时间、提升质量或增加收入。
- 制定并选择解决方案：可能是数据可视化、RAG 系统，或预测模型。只有当 AI 真正适合解决该问题时，才会引入相关技术。
这种方法使她的客户能够更快做出决策，并从数据中获取更清晰的洞察。
对新人数据科学家的建议-AI洞见与AI实践
Ng 发现，许多初入行者最大的误区，是试图掌握所有知识点，而不是先明确职业方向。她建议先选定感兴趣的角色，如产品数据科学家、机器学习工程师或 MLOps 工程师，然后集中精力提升相关核心技能，并在真实项目中应用这些技能。
她本人正是通过专注于信用和欺诈风险领域的特征工程与业务影响评估，顺利完成了从分析师到 ML 工程师的转型。
关注 TTS 技术与语言保护
在技术趋势方面，Ng 特别关注 文本转语音（TTS）技术在濒危语言保护上的潜力。当前大多数 TTS 研发集中于数据量庞大的主流语言，而全球 7000 多种语言中，许多正处于消失的边缘。
随着迁移学习与语音克隆技术的进步，仅需数小时音频数据即可合成高质量的语音，为小语种留存提供了可能。Ng 认为，这是 AI 在文化保护领域最具人文价值的应用之一。
