DeepLearning.AI 专访：ML 工程师 Gerry Patia 如何通过黑客松逆袭进入 Robinhood
在金融科技领域，机器学习（Machine Learning）正扮演着守护用户隐私与安全的关键角色。DeepLearning.AI 近日专访了 Robinhood 的机器学习工程师 Gerry Fernando Patia，讲述了他如何克服出身背景、学历限制及签证障碍，最终在硅谷顶尖平台实现职业梦想的故事。
职业背景与核心职责
Gerry 毕业于加州州立理工大学普莫纳分校（Cal Poly Pomona），并非常春藤盟校出身，且作为国际学生面临诸多挑战。目前，他负责构建 Robinhood 内部的集中式机器学习基础设施，赋能数据科学家高效训练并部署生产级模型。
“作为 ML 工程师，我的核心职责是帮助数据科学家更高效地构建模型。数据科学家通常负责直接影响产品的模型构建，而我则专注于搭建支撑这些模型运行的基础设施。”
从理论到实战：Andrew Ng 与黑客松的力量
Gerry 的 AI 启蒙源于好莱坞电影，但真正改变他命运的转折点是他自学 Andrew Ng 的Machine Learning Specialization。这门课程为他提供了坚实的理论机器学习基础。
然而，仅有理论不足以在竞争激烈的科技行业立足。面对就业市场的严峻现实，Gerry 采取了极具前瞻性的策略：
- 主动构建作品集：他意识到学校课程往往缺乏实战性，因此主动利用课外时间提升技能。
- 参与国家级黑客松：他积极参加了包括 HackHarvard、HackTech 和 HackBrown 在内的多个顶级黑客松活动。
- 以赛代练：通过赢得多个黑客松奖项，他在招聘官（Recruiters）中建立了良好的声誉，从而获得了与顶级公司的面试机会。
给求职者的关键建议
针对希望进入知名科技公司的求职者，Gerry 分享了以下宝贵的“做”与“不做”建议：
- 不要局限于学校课程：学校旨在塑造基础理解，但往往不够实用。求职者应主动学习企业真正需要的技能。
- 打造实战项目：通过个人项目或贡献开源项目来展示能力，这是弥补学历短板的最佳途径。
- 提前准备面试：即使凭借黑客松建立了良好声誉，Gerry 依然坚持大量练习面试题目，以确保万无一失。
- 寻找社群支持：对于跨国迁移者，融入当地社群（如他的足球俱乐部）对于维持自我价值感、适应新文化至关重要。
结语
Gerry 的故事证明了在 AI 领域，持续学习（Continuous Learning）和主动构建能力（Building Portfolio）比单纯的学历背景更为重要。他每周都会研究新技术（如区块链、ChatGPT），并强调利用世界提供的丰富资源投资自己。
正如 DeepLearning.AI 所言："我们很幸运生活在一个拥有如此多学习资源的时代。找到最适合你的方式，并抽出时间投资于自己！"
了解更多关于 Andrew Ng 的机器学习课程，请访问 DeepLearning.AI
