國外機器學習工程師正面臨失業，為什麼他們還在堅持學習ML？

機器學習領域充滿了厄運和陰霾：對機器學習人才的招聘正在逐漸放緩。

對於這種情況，Chip Huyen給出了假設：投資者將會完全對人工智慧失去希望。 谷歌已經停止了ML研究人員的招聘，Uber裁掉了一半人工智慧團隊的研究人員……擁有ML技能的人將比ML工作多得多。

我們的經濟正在衰退!

很多人都在談論人工智慧的寒冬。

人工智慧(AI)、機器學習(ML)和資料科學(DS)最先陷入困境，這是非常有道理的，因為它們是大多數企業的奢侈品。

但這並不意味著未來並不光明，如果你創造了價值。

人工智慧寒冬不會影響大多數AI / ML / DS工作

人工智慧寒冬是一個資金減少和對人工智慧研究興趣下降的時期。

但是我們大多數人都不做研究。我們閱讀論文，只是為了獲得想法並進行創新，但是我們用的還是現有的技術，與創新研究無關。

此外，構建基於ML的產品普及並不一定與即將開展的研究數量相關。

而且現在還有越來越多的未能付諸應用的研究成果。更有趣的是，工業界仍在追趕數十年前的機器學習的設施。

現在，“人工智慧驅動”產品越來越受歡迎，因為機器學習更加容易實現，而不是因為新的研究。

我們不需要先進的人工智慧來解決問題

事實恰恰相反。

經典演算法+領域知識+小生態資料集能夠解決大多數實際問題，而不是深層次的神經網路。就好像我們大多數人都不是在研究自動駕駛汽車，更多的是作為一個消費者。

在我看來，在大型科技公司之外，專注於極端的技術能力被高估了，這與解決問題的心態和一般的開發技能形成了鮮明對比。

除了技術之外，還有大量的枯燥的手動工作，這些工作早就應該自動化了，而且不需要技術上的突破。

機器學習應該專注於創造價值而不是改變世界

當你解決了一個任何一個實際應用的問題，每個人遇到該問題的人都會是贏家。

就像矽谷欺騙了我們，讓我們相信我們應該採取登月計劃，而不是改善我們的生活環境和我們認識的人的生活。

我愛Uber，因為它改變了世界。但是，如果讓Uber存活下來每季度要花費50億美元，那麼這裡面可能就是出現了問題。

有些公司帶來的影響是長期的，會影響到全球70億人。但更簡單的改進，如減少“無聊”行業中的資料輸入錯誤，也能創造價值。

學習機器學習是對抗AI恐懼比較好的方法

自動化會消滅很多機械重複的工作，因為沒有什麼能像恐懼那樣賣掉了。不是因為技術失業迫在眉睫。

學習機器學習，然後嘗試概念化、培訓和部署模型來解決實際問題。你很快就會發現，這裡面仍然困難重重，其次，我們離AGI(通用人工智慧)還有多遠。

基礎設施極度不發達，真實資料也很混亂。

當你從Kaggle下載CSV來為特定問題訓練模型時，已經完成了99%的工作。

讓機器學習變得容易的工具之間還存在差距

在過去10年中，易用性為機器學習的採用做出了比任何演算法突破更多的事情。

幾乎可以說軟體工程師可以使用現成的元件將ML解決方案拼湊在一起，雖然這不是很容易。

隨著工具的發展，我們將看到純粹的機器學習工作會減少，但是使用機器學習解決各種問題的軟體工程師數量將大大增加。此外，還有更多科技之外的公司將從中受益。

如果你是一名開發了機器學習偉大工具的工程師，那麼我們所有人將永遠承你恩情……- Chip Huyen

ML在全球範圍內推動著價值的增長，但我認為我們還沒有觸及表面，直到合適的工具出現。

先從軟體工程開始

如果你沒有人工智慧相關學科的高階學位，那麼就從學習軟體工程開始，然後再進入人工智慧領域。

學習軟體工程就像是獲得一個技術方面的MBA，我們將從學習基礎知識開始，建立完整的堆疊解決方案，並理解有助於機器學習的程式碼。

隨著行業格局的變化，就業機會也會更多，轉行也會更容易。

許多軟體工程師都在ML/DS領域取得了成功。

結論

在人工智慧領域有太多的炒作了，就像股市一樣，不管上漲得多高，隨之而來的都是“下跌”，但如果我們有所準備的話，這也不一定是壞事。

如果我們專注於開發一套通用技能(包括ML)，解決實際問題，並創造價值，我們總會有事情要做，而不至於失業。

【編輯推薦】