機(jī)器學(xué)習(xí)領(lǐng)域充滿了厄運(yùn)和陰霾：對機(jī)器學(xué)習(xí)人才的招聘正在逐漸放緩。

[[334700]]

對于這種情況，Chip Huyen給出了假設(shè)：投資者將會完全對人工智能失去希望。 谷歌已經(jīng)停止了ML研究人員的招聘，Uber裁掉了一半人工智能團(tuán)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(jīng)濟(jì)正在衰退!

很多人都在談?wù)撊斯ぶ悄艿暮?/p>

人工智能(AI)、機(jī)器學(xué)習(xí)(ML)和數(shù)據(jù)科學(xué)(DS)最先陷入困境，這是非常有道理的，因為它們是大多數(shù)企業(yè)的奢侈品。

但這并不意味著未來并不光明，如果你創(chuàng)造了價值。

人工智能寒冬不會影響大多數(shù)AI / ML / DS工作

人工智能寒冬是一個資金減少和對人工智能研究興趣下降的時期。

但是我們大多數(shù)人都不做研究。我們閱讀論文，只是為了獲得想法并進(jìn)行創(chuàng)新，但是我們用的還是現(xiàn)有的技術(shù)，與創(chuàng)新研究無關(guān)。

此外，構(gòu)建基于ML的產(chǎn)品普及并不一定與即將開展的研究數(shù)量相關(guān)。

而且現(xiàn)在還有越來越多的未能付諸應(yīng)用的研究成果。更有趣的是，工業(yè)界仍在追趕數(shù)十年前的機(jī)器學(xué)習(xí)的設(shè)施。

現(xiàn)在，“人工智能驅(qū)動”產(chǎn)品越來越受歡迎，因為機(jī)器學(xué)習(xí)更加容易實現(xiàn)，而不是因為新的研究。

我們不需要先進(jìn)的人工智能來解決問題

事實恰恰相反。

經(jīng)典算法+領(lǐng)域知識+小生態(tài)數(shù)據(jù)集能夠解決大多數(shù)實際問題，而不是深層次的神經(jīng)網(wǎng)絡(luò)。就好像我們大多數(shù)人都不是在研究自動駕駛汽車，更多的是作為一個消費(fèi)者。

在我看來，在大型科技公司之外，專注于極端的技術(shù)能力被高估了，這與解決問題的心態(tài)和一般的開發(fā)技能形成了鮮明對比。

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

機(jī)器學(xué)習(xí)應(yīng)該專注于創(chuàng)造價值而不是改變世界

當(dāng)你解決了一個任何一個實際應(yīng)用的問題，每個人遇到該問題的人都會是贏家。

就像硅谷欺騙了我們，讓我們相信我們應(yīng)該采取登月計劃，而不是改善我們的生活環(huán)境和我們認(rèn)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(fèi)50億美元，那么這里面可能就是出現(xiàn)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(jìn)，如減少“無聊”行業(yè)中的數(shù)據(jù)輸入錯誤，也能創(chuàng)造價值。

學(xué)習(xí)機(jī)器學(xué)習(xí)是對抗AI恐懼比較好的方法

自動化會消滅很多機(jī)械重復(fù)的工作，因為沒有什么能像恐懼那樣賣掉了。不是因為技術(shù)失業(yè)迫在眉睫。

學(xué)習(xí)機(jī)器學(xué)習(xí)，然后嘗試概念化、培訓(xùn)和部署模型來解決實際問題。你很快就會發(fā)現(xiàn)，這里面仍然困難重重，其次，我們離AGI(通用人工智能)還有多遠(yuǎn)。

基礎(chǔ)設(shè)施極度不發(fā)達(dá)，真實數(shù)據(jù)也很混亂。

當(dāng)你從Kaggle下載CSV來為特定問題訓(xùn)練模型時，已經(jīng)完成了99%的工作。

讓機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的采用做出了比任何算法突破更多的事情。

幾乎可以說軟件工程師可以使用現(xiàn)成的組件將ML解決方案拼湊在一起，雖然這不是很容易。

隨著工具的發(fā)展，我們將看到純粹的機(jī)器學(xué)習(xí)工作會減少，但是使用機(jī)器學(xué)習(xí)解決各種問題的軟件工程師數(shù)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(fā)了機(jī)器學(xué)習(xí)偉大工具的工程師，那么我們所有人將永遠(yuǎn)承你恩情……- Chip Huyen

ML在全球范圍內(nèi)推動著價值的增長，但我認(rèn)為我們還沒有觸及表面，直到合適的工具出現(xiàn)。

先從軟件工程開始

如果你沒有人工智能相關(guān)學(xué)科的高級學(xué)位，那么就從學(xué)習(xí)軟件工程開始，然后再進(jìn)入人工智能領(lǐng)域。

學(xué)習(xí)軟件工程就像是獲得一個技術(shù)方面的MBA，我們將從學(xué)習(xí)基礎(chǔ)知識開始，創(chuàng)建完整的堆棧解決方案，并理解有助于機(jī)器學(xué)習(xí)的代碼。

隨著行業(yè)格局的變化，就業(yè)機(jī)會也會更多，轉(zhuǎn)行也會更容易。

許多軟件工程師都在ML/DS領(lǐng)域取得了成功。

結(jié)論

在人工智能領(lǐng)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(zhǔn)備的話，這也不一定是壞事。

如果我們專注于開發(fā)一套通用技能(包括ML)，解決實際問題，并創(chuàng)造價值，我們總會有事情要做，而不至于失業(yè)。