[[328766]]

未來3到5年內(nèi)，哪個(gè)方向的機(jī)器學(xué)習(xí)人才最緊缺？今天我們就來梳理一下。全棧式工程師在初創(chuàng)公司受歡迎，領(lǐng)域?qū)＞乃惴ㄈ瞬旁诖蠊竞艹韵悖瑧?yīng)用型人才能夠快速提升業(yè)務(wù)，而工程化是落地的重要一環(huán)。

AI專業(yè)畢業(yè)后好找工作嗎？

此前，知乎上一位CV專業(yè)的985高校研究生曾坦言，當(dāng)初選擇該方向時(shí)，深度學(xué)習(xí)正處于大熱階段，無人駕駛，人臉識(shí)別聽起來就很高大上，似乎人人都想往這方向轉(zhuǎn)。

然而，到了找工作的時(shí)候，這哥們發(fā)現(xiàn)就業(yè)形式和他想的相差太大：

最近陸陸續(xù)續(xù)有公司開始秋招的提前批了，計(jì)算機(jī)視覺崗位招的清一色算法工程師，沒有論文，或者大賽獲獎(jiǎng)的找到算法崗的簡直不要太難，周圍的同學(xué)都開始紛紛轉(zhuǎn)Java開發(fā)，自己也開始慌了。

想到學(xué)了兩年的CV，最后工作找不到，一時(shí)間十分失落，感覺如果去做Java開發(fā)，還不如本科一畢業(yè)就出去工作，完全沒有讀研的必要。

那么，機(jī)器學(xué)習(xí)大規(guī)模發(fā)展是不是只是個(gè)幻覺？未來3到5年內(nèi)，哪個(gè)方向的機(jī)器學(xué)習(xí)人才最緊缺？

這可能是每個(gè)正在學(xué)習(xí)這個(gè)專業(yè)的人，最為關(guān)心的。

華為云開發(fā)者社區(qū)表示，目前機(jī)器學(xué)習(xí)人才還是稀缺。

每人每天至少產(chǎn)生1G以上的數(shù)據(jù)，還有大量的數(shù)據(jù)尚未加以利用。每一個(gè)垂直細(xì)分的應(yīng)用場景，都可以通過機(jī)器學(xué)習(xí)產(chǎn)生應(yīng)用價(jià)值。這也就意味著相關(guān)領(lǐng)域的人才大量的稀缺。

總結(jié)起來，主要有以下幾個(gè)方面的人才最為稀缺。

靈活解決問題的全棧工程師

全棧工程師是指掌握多種技能，勝任前端與后端，能利用多種技能獨(dú)立完成產(chǎn)品的人。

中科院大學(xué)，計(jì)算機(jī)應(yīng)用技術(shù)博士王晉東表示，全棧式的人才最為稀缺，現(xiàn)在很多搞模型的，或者偏重某一方面的，距離解決實(shí)際問題是遠(yuǎn)遠(yuǎn)不夠的。  

而人工智能全棧工程師比通常意義的全棧工程師更復(fù)雜一些，難度也更大，主要是算法實(shí)現(xiàn)跟傳統(tǒng)的全棧區(qū)別很大，從應(yīng)用層級(jí)來講，分計(jì)算機(jī)視覺、自然語言處理、語音識(shí)別三個(gè)大方向。

細(xì)分的話就更多了，計(jì)算機(jī)視覺方向來說又可細(xì)分為目標(biāo)檢測、姿態(tài)估計(jì)、人臉識(shí)別等，所以要做人工智能全棧需要投入更多的精力，也需要對各個(gè)方向的算法有深刻理解。

[[328768]]

人工智能全棧通常是基于大廠的云平臺(tái)進(jìn)行開發(fā)，人工智能領(lǐng)域很多基礎(chǔ)的組件已經(jīng)封裝好，對業(yè)務(wù)和整個(gè)項(xiàng)目的架構(gòu)有了全面了解，就可以上手開發(fā)了，需要結(jié)合業(yè)務(wù)快速變現(xiàn)的場景，對「全?！沟男枨髸?huì)多一些，在普遍繁榮時(shí)期是可以大有作為的。

但人工智能全棧工程師發(fā)展如何，還要看整個(gè)行業(yè)大形勢，如果各個(gè)方向都開始優(yōu)勝略汰，「全?！故侨狈诵母偁幜Φ?，因?yàn)樗惴ㄊ莿e人的。 

專精一個(gè)領(lǐng)域的算法人才

有知友提到，專精一個(gè)領(lǐng)域的算法人才會(huì)比較吃香。

這里算法人才包括算法研究員和算法工程師。

算法研究員致力于解決更通用，更抽象的問題，如何解決GAN訓(xùn)練時(shí)的穩(wěn)定性等，而算法工程師更多關(guān)注如何解決問題，比如某個(gè)場景下出現(xiàn)了badcase，我就想辦法解決問題，是數(shù)據(jù)預(yù)處理，還是參數(shù)需要調(diào)整。

[[328769]]

此外能快速復(fù)現(xiàn)論文結(jié)果的算法研究員也是各大公司爭搶的香餑餑。因?yàn)閷W(xué)術(shù)界很多新成果只有一個(gè)描述，并沒有給出源代碼，想應(yīng)用它的研究成果，需要自己實(shí)現(xiàn)，所以能快速復(fù)現(xiàn)論文的算法研究員對公司來說也是很有價(jià)值。

我們?nèi)フ衅妇W(wǎng)站搜算法崗，可以大體看出資深算法專家薪資上限很高，但是崗位需求并沒有算法工程師多，畢竟企業(yè)還是要賺錢的，所以算法工程師（尤其是推薦方向）也很有市場。

研究員覺得工程師的活沒技術(shù)含量，工程師可能會(huì)覺得你天天整些虛的又解決不了問題，紙上談兵。算法作為一個(gè)公司的核心資源，兩者其實(shí)都有發(fā)揮的空間，跟公司的業(yè)務(wù)需求關(guān)系很大。

做算法研究也好，工程也好，選對方向很重要，單從行業(yè)飽和度來說，圖像也就是視覺方向確實(shí)人滿為患了，語音又特別難，而且缺乏大量的可用數(shù)據(jù)，自然語言處理方向倒是可以考慮一下。

一來各種SOTA模型大多針對英語的，到中文有個(gè)遷移問題，二來中文跟英文在文法、語義方面存在差異，有很多空白研究領(lǐng)域。       

知乎答主紫杉舉了一個(gè)例子，什么是精通一個(gè)領(lǐng)域。

他的一個(gè)名叫伊森的同學(xué)，從伊利諾伊香檳畢業(yè)（計(jì)算機(jī)專業(yè)名校），讀了兩年計(jì)算機(jī)研究生，是一位非常優(yōu)秀，有自學(xué)能力的學(xué)生。

結(jié)果面試時(shí)伊森沒能應(yīng)聘成功。伊森的背景和很多進(jìn)入人工智能領(lǐng)域的人很相似。答主分享了下面一段對話：

最后伊森還問他，如何在一周內(nèi)精通自然語言處理，然后答主只能告訴他不知道。

這個(gè)例子表明，有些同學(xué)擅長快速學(xué)習(xí)，卻很容易陷入每一個(gè)領(lǐng)域都想學(xué)的陷阱，到頭來覺得學(xué)了很多，實(shí)際遇到問題就無從著手，或者浪費(fèi)很長時(shí)間尋找問題根源。

如何才算精通一個(gè)領(lǐng)域？說自己精通某一領(lǐng)域，在人工智能領(lǐng)域往往是不太恰當(dāng)?shù)摹，F(xiàn)在無論是硬件還是算法都在快速的迭代，今天的SOTA明天可能就成兜底了，只有不斷迭代自己的知識(shí)，才能跟上業(yè)務(wù)和場景的發(fā)展，讓自己不落下風(fēng)。

熟悉業(yè)務(wù)又懂算法的應(yīng)用型選手

另外，既懂算法，又有某一行業(yè)的豐富經(jīng)驗(yàn)也很重要。機(jī)器學(xué)習(xí)雖然是通用技術(shù)，工程師也基本是計(jì)算機(jī)出身，但落地需要具體到行業(yè)應(yīng)用，如何結(jié)合行業(yè)實(shí)操，解決實(shí)際問題。        

中國科學(xué)院大學(xué)研究員表示，短期內(nèi)最缺的肯定是應(yīng)用型人才。

很多行業(yè)想轉(zhuǎn)型為數(shù)據(jù)驅(qū)動(dòng)或者AI賦能的，借助于外包或者咨詢公司通常很難成功，因?yàn)槿狈π袠I(yè)經(jīng)驗(yàn)，這時(shí)從傳統(tǒng)行業(yè)轉(zhuǎn)型到人工智能的應(yīng)用型人才就至關(guān)重要了，他們對機(jī)器學(xué)習(xí)的研究本身就植根于業(yè)務(wù)需求，所以更接地氣，落地也更快。

中科大研究員舉了一個(gè)很生動(dòng)的例子。

很多高校的財(cái)務(wù)人員，每天大量重復(fù)性勞動(dòng)，處理發(fā)票、報(bào)銷單，將紙質(zhì)單號(hào)手動(dòng)輸入電子系統(tǒng)里，過程非常的麻煩。但其實(shí)高校及科研單位研究計(jì)算機(jī)視覺、文字識(shí)別、目標(biāo)檢測的團(tuán)隊(duì)枚不勝數(shù)，為什么不能用機(jī)器學(xué)習(xí)的方法來節(jié)省時(shí)間呢？

這個(gè)例子就暴露了一個(gè)問題，大多數(shù)機(jī)器學(xué)習(xí)研究關(guān)注的是模型本身，是否是業(yè)界最先進(jìn)的（SOTA），卻忽視了算法的適用對象以及實(shí)際的應(yīng)用場景。因此，最稀缺的是既懂算法又能將算法進(jìn)行落地轉(zhuǎn)化的人。

答主微調(diào)拋出金句「對于絕大部分人而言，努力成為交叉領(lǐng)域的熟手，比成為計(jì)算機(jī)科學(xué)家要現(xiàn)實(shí)且有意義?！?/p>

學(xué)術(shù)模型工程化人才

算法要落地為產(chǎn)品，還需要模型的工程化，如果這塊能夠深入，那么必然是不可多得的人才。

像抖音的推薦系統(tǒng)，如何解決海量數(shù)據(jù)擁堵，移動(dòng)端優(yōu)化等工程上有非常多的挑戰(zhàn)。

結(jié)合上文答主紫杉舉的例子。

Nihil (尼希爾）是另一個(gè)他認(rèn)識(shí)的研究生，也是從伊利諾伊香檳大學(xué)畢業(yè)。他之前在LinkedIn（領(lǐng)英）做大規(guī)模搜索（Scaled Search），專門負(fù)責(zé)把理論算法擴(kuò)大到工業(yè)場景中，擅長搭建后臺(tái)，有很強(qiáng)的工程背景。兩年的斯坦福計(jì)算機(jī)碩士后，現(xiàn)在被Snapchat找去做大規(guī)模視頻搜索算法。

相比于上文的伊森，他是公司更想要的人才。為什么呢？

因?yàn)樗陬I(lǐng)英和Snapchat這樣的大公司做大規(guī)模搜索的算法，這其中的工程難度和實(shí)驗(yàn)室是不可同日而語的。

任何人都可以跑一個(gè)LSTM，但是當(dāng)訓(xùn)練數(shù)據(jù)極具擴(kuò)張時(shí)，LSTM需要跑3天才能見完所有的數(shù)據(jù)，在這個(gè)情況下，就需要更工程化的實(shí)現(xiàn)，做分布式計(jì)算或者優(yōu)化算法本身的效率，使用更快的數(shù)據(jù)結(jié)構(gòu)等。

這樣的場景就需要有研究背景的人才，能夠結(jié)合學(xué)術(shù)前沿切實(shí)的解決工業(yè)上的難題，深度學(xué)習(xí)50%是學(xué)術(shù)，50%是工程?，F(xiàn)特斯拉AI主管Andrej Karpathy主要就是干這活的。

此外，很多人提到調(diào)參工程師。

一位中國科學(xué)院大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)博士表示，AutoML越來越受重視，技術(shù)含量不高的調(diào)參工程師未來很可能被取代。

最后值得一提的是像Bengio、 Hinton這些深度學(xué)習(xí)領(lǐng)域的神級(jí)人物，當(dāng)然是很需要，但是這類人才真的是可望而不可及。