国外机器学习工程师正面临失业,为什么他们还在坚持学习ML?

机器学习领域充满了厄运和阴霾:对机器学习人才的招聘正在逐渐放缓。

国外机器学习工程师正面临失业,为什么他们还在坚持学习ML?

对于这种情况,Chip Huyen给出了假设:投资者将会完全对人工智能失去希望。 谷歌已经停止了ML研究人员的招聘,Uber裁掉了一半人工智能团队的研究人员……拥有ML技能的人将比ML工作多得多。

我们的经济正在衰退!

很多人都在谈论人工智能的寒冬。

人工智能(AI)、机器学习(ML)和数据科学(DS)最先陷入困境,这是非常有道理的,因为它们是大多数企业的奢侈品。

但这并不意味着未来并不光明,如果你创造了价值。

人工智能寒冬不会影响大多数AI / ML / DS工作

人工智能寒冬是一个资金减少和对人工智能研究兴趣下降的时期。

但是我们大多数人都不做研究。我们阅读论文,只是为了获得想法并进行创新,但是我们用的还是现有的技术,与创新研究无关。

此外,构建基于ML的产品普及并不一定与即将开展的研究数量相关。

而且现在还有越来越多的未能付诸应用的研究成果。更有趣的是,工业界仍在追赶数十年前的机器学习的设施。

现在,“人工智能驱动”产品越来越受欢迎,因为机器学习更加容易实现,而不是因为新的研究。

我们不需要先进的人工智能来解决问题

事实恰恰相反。

经典算法+领域知识+小生态数据集能够解决大多数实际问题,而不是深层次的神经网络。就好像我们大多数人都不是在研究自动驾驶汽车,更多的是作为一个消费者。

在我看来,在大型科技公司之外,专注于极端的技术能力被高估了,这与解决问题的心态和一般的开发技能形成了鲜明对比。

除了技术之外,还有大量的枯燥的手动工作,这些工作早就应该自动化了,而且不需要技术上的突破。

机器学习应该专注于创造价值而不是改变世界

当你解决了一个任何一个实际应用的问题,每个人遇到该问题的人都会是赢家。

就像硅谷欺骗了我们,让我们相信我们应该采取登月计划,而不是改善我们的生活环境和我们认识的人的生活。

我爱Uber,因为它改变了世界。但是,如果让Uber存活下来每季度要花费50亿美元,那么这里面可能就是出现了问题。

有些公司带来的影响是长期的,会影响到全球70亿人。但更简单的改进,如减少“无聊”行业中的数据输入错误,也能创造价值。

学习机器学习是对抗AI恐惧比较好的方法

自动化会消灭很多机械重复的工作,因为没有什么能像恐惧那样卖掉了。不是因为技术失业迫在眉睫。

学习机器学习,然后尝试概念化、培训和部署模型来解决实际问题。你很快就会发现,这里面仍然困难重重,其次,我们离AGI(通用人工智能)还有多远。

基础设施极度不发达,真实数据也很混乱。

当你从Kaggle下载CSV来为特定问题训练模型时,已经完成了99%的工作。

让机器学习变得容易的工具之间还存在差距

在过去10年中,易用性为机器学习的采用做出了比任何算法突破更多的事情。

几乎可以说软件工程师可以使用现成的组件将ML解决方案拼凑在一起,虽然这不是很容易。

随着工具的发展,我们将看到纯粹的机器学习工作会减少,但是使用机器学习解决各种问题的软件工程师数量将大大增加。此外,还有更多科技之外的公司将从中受益。

如果你是一名开发了机器学习伟大工具的工程师,那么我们所有人将永远承你恩情……- Chip Huyen

ML在全球范围内推动着价值的增长,但我认为我们还没有触及表面,直到合适的工具出现。

先从软件工程开始

如果你没有人工智能相关学科的高级学位,那么就从学习软件工程开始,然后再进入人工智能领域。

学习软件工程就像是获得一个技术方面的MBA,我们将从学习基础知识开始,创建完整的堆栈解决方案,并理解有助于机器学习的代码。

随着行业格局的变化,就业机会也会更多,转行也会更容易。

许多软件工程师都在ML/DS领域取得了成功。

结论