機器學習就業形勢降至冰點？對創造價值的人來講，前景依然光明

本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

“AI領域的寒冬降至”——持這樣觀點的人不在少數，我們正在經歷衰退。人工智慧、機器學習和資料科學領域的研究和探索成本高昂，有些人認為投資者很快將會對人工智慧領域失去希望。

谷歌已經不再僱傭機器學習研究人員，優步也叫停了其半數人工智慧團隊的研究。放眼未來，機器學習領域的崗位數量與求職者需求相比，依然會是僧多粥少。

事實真的是這樣嗎?在筆者看來，只要你能創造價值，前方仍是坦途。

AI寒冬將不會影響大多數AI/ML/DS崗位

AI寒冬意味著人們對於AI研究的投資和興趣降低，但大多數人並不參與研究。人們的確會閱讀論文、汲取想法並展開創新，但真正使用的是已有的技術。

另外，製造ML驅動的產品的熱度未必與研究的開展量相關，更何況還有大量的研究成果尚未得到應用，業內仍在部署實現數十年前所開發的機器學習成果。“AI驅動”的產品如今更為流行的原因在於機器學習更加普及，而非新研究的出現。

並非只有最前沿的AI技術才能解決問題

經典演算法、領域知識與合適資料集的結合可以解決大多數實際問題，並不需要深度神經網路。

筆者認為，在大型科技公司外，專注於提升技術能力的重要性被高估了，與之對應，解決問題的態度以及基本的開發技能則被低估了。除了技術研發以外，還有大量枯燥的或者需要人力的工作亟待自動化。這一轉變本應早已完成，並且也不需要突破才能實現。

使用機器學習，但應專注於創造價值，而非改變世界

任何一個問題得到解決，就會帶來價值。矽谷讓我們將眼光放得過分長遠，而不是著眼於改善社群和身邊人們的生活質量。

我喜歡優步，它改變了世界。但要是每季度花費50億美元才能讓優步維持經營，那一定是哪裡出了問題。的確，一些企業有長期策略，能影響70億人的生活，但諸如在“枯燥”行業降低資料錄入錯誤這樣簡單的改進也能創造價值。

學習ML是戰勝對AI的恐懼的最佳途徑

我們都聽過“自動化造成失業”的說法，這並非因為技術發展造成的失業已經近在咫尺，而是因為這種散播恐慌的說法往往傳播得最快。

鑽研機器學習，接著嘗試概念化、訓練並部署模型來解決實際問題的過程依舊十分困難。通用人工智慧(AGI)取代人力依然任重道遠，基礎設施亟待完善，真實資料雜亂無章。

如果你從Kaggle下載了一個CSV檔案來訓練模型以解決某一問題，99%的工作都已預先為你做好。要是能有更多人參與其中，就能大幅減輕壓力。

簡化機器學習的工具不足

過去十年裡，針對機器學習應用所做出的簡化比任何一個演算法上的突破都要多。如今，軟體工程師能採取直接可用的元件，來迅速組合得到機器學習解決方案，但其在簡便性上仍有提升空間。

隨著工具不斷髮展，純粹的機器學習崗位會逐漸減少。相反，使用機器學習來解決各種問題的軟體工程師將會顯著增多。更多非技術性企業將會從中受益。Chip Huyen曾說：“如果你是一名能為機器學習創造優秀工具的工程師，我將永遠感激你。”

機器學習驅動世界範圍內的價值增長。但筆者認為，目前我們僅僅觸及了皮毛，期待未來會有更適用的工具出現。

先學習軟體工程

如果尚未取得人工智慧相關領域的高階學位，那麼你該先學習軟體工程，再鑽研人工智慧。學習軟體工程類似於攻讀技術領域的MBA。人們從中可以學到基礎知識、建立全棧解決方案，並理解有助於機器學習的程式碼。

隨著行業格局發生改變，軟體工程的工作崗位數量會增多，轉職也會更加容易。許多軟體工程師可以在機器學習或資料科學領域取得了不錯的成就。然而，後兩個領域的工作者在軟體工程方面卻往往乏善可陳。

AI領域從來不乏“負面新聞”，但只要我們做好應對的準備，那些想象中躲不過的“苦處”未必會發生。只要注重學習通用技能(包括機器學習)、解決實際問題和創造價值，你總能找到可以施展才華的舞臺。