表面光鲜，实则搬砖，机器学习社区自嘲不为人知的AI工程师真相
贾浩楠发自凹非寺量子位报道|公众号QbitAI
机器学习工程师岗位 ， 还香吗？
在培训机构或求职网站随便一搜 ， 机器学习简直不要更热 。
文章图片
但是 ， 国外的同行们却在一则Reddit热帖上 ， 吐槽揭露ML工程师“表面光鲜 ， 实际搬砖”的一面 。
说出了培训机构不会告诉你的机器学习业内真相 。
那这些“过来人”怎么掉进一个个暗坑的？他们的经历对你有什么警醒借鉴的意义呢？
机器学习岗 ， 怎样避免沦为数据标注师
Reddit热帖下 ， 网友们吐槽最多的 ， 就是学习和工作的巨大差距产生的幻灭感 。
文章图片
学了一大堆牛X高大上的理论知识 ， 以为自己能上手酷炫的神经网络 ， 调参、训练、部署一条龙 ， 但实际上 ， 这些内容大概只占全部工作的10%-20% 。
而且在一些团队中 ， 会有专门的岗位来负责这些工作 。
其余大部分人的职责是收集数据、给数据打标签、处理数据质量 ， 或者用Python写基础架构 。
当年梦中的那个引领AI潮流的少年 ， 就这样成了数据标注师 。
文章图片
但是 ， 网友也承认这一点确实是业内的普遍现象 。 而且 ， 刚刚工作的新手 ， 从低层技术开始做起 ， 也是符合常理的 。
大家的建议是：面对这种大量重复劳动 ， 先别急着上手 ， 去查一查资料 ， 很多类似工作已经有成熟快速的方法 。
当你跨过了基础工作这一关 ， 要面对的 ， 是ML项目中可能出现的各种令人头疼的问题 ， 而这 ， 是考验你能否成为优秀机器学习工程师的重要挑战 。
机器学习之路布满荆棘
哪些在工作岗位上很重要的东西 ， 是机器学习教程不会教你的？
网友们总结了最重要的4条:
正确认识业务处理凌乱的现实世界数据集工程导向 ， 而不是在JupyterNotebooks中编写研究代码可视化
这些都是网友们在工作经历中吃了很多亏后 ， 总结出的经验 。
比如 ， 很多ML工程师只有给定一个抽象化的问题才能上手 ， 缺乏应对实际工程问题的能力 。
文章图片
而一个合格的、被业内广范认可的机器学习工程师 ， 他可能并不精通算法的数学原理 ， 而是能够在约束条件众多的实际情况下应用算法解决问题 。
比如 ， 在很多情况下 ， 普通的旧算法（例如K-Means ， 高斯混合的EM等）非常有用 。 烧GPU并不是唯一办法 。
避免纸上谈兵 ， 这是机器学习算法工程师正确认识业务的一部分 ， 除此之外 ， 重要的点还有合理的工期规划 ， 和良好的沟通能力 。
文章图片
规划传统工程项目时 ， 设定里程碑、期望值、是（相对）简单的 。
但对于机器学习项目来说 ， 在最初目标和前期阶段之后 ， 很难给出具体的计划 ， 因为变数实在太多了 。
这就需要在项目初期阶段就保持头脑清醒 ， 不要给自己挖坑 ， 同时也要和boss以及同事说明沟通 。
文章图片
一位网友谈到了切身体会 。 他放弃了机器学习算法岗位 ， 原因是老板根本不关心他为了完善算法细节付出了多少艰苦的劳动 ， 只看最后的可视化效果 。
当boss发现可视化效果并不高级时 ， 认为他一直在浪费时间没好好工作 。
所以 ， 比其他软件工程师更强的抗错能力 ， 也是你必备的 。
如果你能抗过以上所有挫折和困难 ， 还有艰难的一关要过 。
机器学习业内的谎言
任何人都可以轻松成为数据科学家/机器学习工程师软件工程师可以轻松成为数据科学家 。 学习应用“现成库”就可以轻松上手搞AI 。 搞AI无需学习高等数学/统计学一种特定算法可以应用于任何领域并获得成功
这些 ， 就是Reddit网友当年少不更事是信过“鬼话”、踩过的坑 。
文章图片
那么 ， 真下决心走机器学习这条路 ， 应该相信什么呢？
首先是要对行业现状有大致了解 。
对于普通开发来说 ， 机器学习岗位数量要比其他开发岗少很多 。 网友反映 ， 在北美地区 ， 100-150个后端开发的公司可能只有有2-5个搞AI的人 。
其次 ， 是很多有AI需求的公司没有必要的GPU等基础设施 ， 你去了才发现只能使用免费的Collab 。
文章图片
从个人求职角度讲 ， ML项目大多很比较专 ， 比较小众 。 你之前的项目经验 ， 全国可能只有不多的几家公司感兴趣 。
明白了这些 ， 你还要清楚怎样正确地踏入机器学习的门 。
多数有AI需求的公司 ， 要求的是后端+DevOps+AI+前端这样的一体化岗位 。 这就需要你的全栈能力 。
文章图片
编写 ， 测试 ， 部署 ， 在生产中跟踪模型、构建大规模数据是一个竞争力出众的机器学习工程师必备的 。
而这些能力的基础要求 ， 就是数学 。
文章图片
你当然不需要像搞科研那样精通数学 。 但扎实的高数、概率论、统计学基础必不可少 。
对于有些培训课程打出的所谓不要求任何基础就上手AI的 ， Reddit网友直接说：“没有数学基础和过往编程经验的人 ， 写出的代码是十分可怕的 。 ”
大牛不仅仅止步于机器学习
当然 ， 数学基础再好 ， 代码写得再漂亮 ， 也只是一个优秀的机器学习工程师 。
真正的大佬 ， 是不会止步于此的 。
文章图片
一位现在在搞神经科学的网友给出了独到的建议：
如果想做真正创新 ， 有趣的工作 ， 那么仅凭机器学习知识是不够的 。 还需要其他专业知识 。
文章图片
在特定环境中 ， 清楚需要用那种ML算法来结解决问题 ， 并且能高效处理数据 ， 这样才能让你做出行业内独树一帜的先进成果 。
以上就是Reddit机器学习社区的“过来人”给大家的忠告 。
—完—
量子位QbitAI·头条号签约
【表面光鲜，实则搬砖，机器学习社区自嘲不为人知的AI工程师真相】关注我们 ， 第一时间获知前沿科技动态
推荐阅读
- 蒸包子却蒸出“死面”包表面像烫了一样，问题原来在这
- 火星|火星人在“生火做饭”？火星表面升起“烟云”，延绵1800公里
- nasa|NASA“毅力号”在火星表面留下足迹
- 毅力号|NASA“毅力号”首次启动并在火星表面留下足迹
- 买牛肉，选表面干的还是湿的？牢记“3不买”，牛肉新鲜肉香十足
- nasa|NASA：“毅力”号火星车首次在火星表面行驶
- 鸡块|为什么鸡块裹面糊时，明明只淋了表面，底面也能被裹好？
- 表面活性剂|穿越古今的表面活性剂
- 乙肝|乙肝在研新药RG6346，1期阳性数据，表面抗原实质持久下降
- 粒子|火越旺，云越多，烧山的火造就天上的云？看似无关，实则联系紧密