[[335970]]

大數(shù)據(jù)文摘出品

來源：medium

編譯：Hippo

招聘崗位正在被凍結(jié)。

一些猜測(cè)認(rèn)為投資者終將對(duì)人工智能失去希望。谷歌已經(jīng)凍結(jié)機(jī)器學(xué)習(xí)研究人員的招聘，Uber已經(jīng)裁掉了他們一半的人工智能研究團(tuán)隊(duì)……

在未來擁有機(jī)器學(xué)習(xí)技能的人將比機(jī)器學(xué)習(xí)所需崗位多得多。

我們正在經(jīng)歷經(jīng)濟(jì)衰退。人們都在討論人工智能嚴(yán)冬。

人工智能(AI)，機(jī)器學(xué)習(xí)(ML)和數(shù)據(jù)科學(xué)(DS)幾個(gè)領(lǐng)域最先出現(xiàn)收縮是合情合理的，因?yàn)閷?duì)大多數(shù)企業(yè)來說這些都是奢侈品。

但如果你能創(chuàng)造價(jià)值，未來也未必就一片黑暗。

人工智能嚴(yán)冬并不會(huì)影響大多數(shù)相關(guān)領(lǐng)域工作

人工智能嚴(yán)冬是指對(duì)人工智能相關(guān)研究的投資和興趣的降低的一個(gè)時(shí)期，但我們中的大多數(shù)人所從事的并不是研究工作。我們不斷地研習(xí)論文、獲得靈感并進(jìn)行創(chuàng)新，但我們所用的依舊是現(xiàn)有的技術(shù)和方法。

此外，機(jī)器學(xué)習(xí)賦能的產(chǎn)品的普及與大量開展研究并沒有必然的聯(lián)系。

如果一味大量的進(jìn)行研究，只會(huì)使越來越多的研究成果無法付諸實(shí)施。事實(shí)上有趣的是，整個(gè)產(chǎn)業(yè)只是在努力實(shí)踐數(shù)十年前就已經(jīng)發(fā)明的機(jī)器學(xué)習(xí)方法。

如今，“人工智能驅(qū)動(dòng)”產(chǎn)品越來越普及，主要是因?yàn)闄C(jī)器學(xué)習(xí)更容易實(shí)現(xiàn)，而不是源于新的研究成果。

并不需要前沿的人工智能就能解決問題

反之亦然。

經(jīng)典算法+專業(yè)知識(shí)+小數(shù)據(jù)集就可以解決大多數(shù)實(shí)際問題，很多問題的解決并不需要深度神經(jīng)網(wǎng)絡(luò)。我們中大部分人也并不是在攻克自動(dòng)駕駛汽車這樣的難題。

我認(rèn)為，除了大型企業(yè)以外，與解決問題的心態(tài)和基本的開發(fā)技能相比，我們太過分強(qiáng)調(diào)專注于尖端技術(shù)能力了。

在科學(xué)技術(shù)之外，很多枯燥的或是需要手工的工作早就應(yīng)該實(shí)現(xiàn)自動(dòng)化了，而做到這些并不需要在技術(shù)上有所突破。

應(yīng)用機(jī)器學(xué)習(xí)，但請(qǐng)專注于創(chuàng)造價(jià)值而不是改變世界

當(dāng)你成功解決了一個(gè)問題(任何問題)，每個(gè)人都會(huì)有所收獲。

硅谷誘使我們輕信我們應(yīng)該去“登月”，而不是致力于改善我們的當(dāng)?shù)厣鐓^(qū)以及提高我們身邊人的生活水平。

我愛Uber，這家公司確實(shí)改變了世界。但是，如果為了維持Uber基本運(yùn)轉(zhuǎn)每季度要花50億美元的話，那么也許是哪里出了問題。

是的，確實(shí)有些公司是做長(zhǎng)線生意并將影響到70億人。但是，一些簡(jiǎn)單的提升也能創(chuàng)造價(jià)值，諸如在“無聊“的行業(yè)從事減少數(shù)據(jù)輸入錯(cuò)誤這樣的工作。

學(xué)習(xí)機(jī)器學(xué)習(xí)是對(duì)抗人工智能恐懼的最佳方法

我們聽到自動(dòng)化會(huì)殺死就業(yè)，往往因?yàn)闆]有什么能比恐懼更加暢銷，而并不是因?yàn)榧夹g(shù)性失業(yè)即將來臨。

掌握機(jī)器學(xué)習(xí)技能，然后嘗試概念化，訓(xùn)練和部署一套模型用來解決實(shí)際問題。你會(huì)很快發(fā)現(xiàn)這依舊是一件很困難的事，然后你就會(huì)明白我們距離被通用人工智能取代還有多遙遠(yuǎn)。

基礎(chǔ)設(shè)施建設(shè)還遠(yuǎn)遠(yuǎn)沒有達(dá)到成熟水平，真實(shí)的數(shù)據(jù)也還一片混亂。

當(dāng)從Kaggle下載一個(gè)CSV格式的數(shù)據(jù)集來為某個(gè)問題訓(xùn)練模型時(shí)，99%的工作已經(jīng)為你做好了。

如果更多的人這樣做，他們晚上會(huì)睡得更好。

讓機(jī)器學(xué)習(xí)簡(jiǎn)單易用?現(xiàn)有的工具還有很大的差距

在過去10年中，相較于算法突破，易用性為機(jī)器學(xué)習(xí)應(yīng)用所做出的貢獻(xiàn)更多。

現(xiàn)在雖然軟件工程師已經(jīng)快要達(dá)到使用開箱即用的組件就能拼湊組合一個(gè)機(jī)器學(xué)習(xí)的解決方案的水平，但目前要做到這一點(diǎn)還依舊并不簡(jiǎn)單。

隨著工具的進(jìn)步，純粹的機(jī)器學(xué)習(xí)開發(fā)工作將會(huì)減少，取而代之的是大量增加的軟件工程師用機(jī)器學(xué)習(xí)去解決各式各樣的問題，這會(huì)讓更多科技公司之外的公司從中獲益。

機(jī)器學(xué)習(xí)正在全球范圍內(nèi)推動(dòng)價(jià)值增長(zhǎng)，但我認(rèn)為我們甚至幾乎還沒有觸及皮毛。如果我們能有合適的工具，這一天才會(huì)真正到來。

首先要掌握軟件工程

除非你已經(jīng)獲得人工智能相關(guān)課題的高等學(xué)位，否則請(qǐng)幫自己一個(gè)忙，首先學(xué)習(xí)軟件工程，然后再涉足人工智能。

學(xué)習(xí)軟件工程就像獲得一個(gè)技術(shù)方面的工商管理碩士學(xué)位(MBA)一樣(當(dāng)MBA確實(shí)有價(jià)值時(shí))。你將學(xué)習(xí)基礎(chǔ)知識(shí)，創(chuàng)建完整的成套解決方案，然后再去了解能夠提升人工智能水平的代碼。

隨著行業(yè)格局的演進(jìn)，會(huì)有更多的工作機(jī)會(huì)，掌握軟件工程將更容易改變職業(yè)生涯。

許多軟件工程師能夠進(jìn)一步在人工智能或數(shù)據(jù)科學(xué)中取得成功，但反過來卻鮮有成功案例。

結(jié)論

圍繞人工智能有大量的炒作，任何上升之后隨之而來的都會(huì)是“下降”，但是如果我們有充分的準(zhǔn)備，這不一定是一件壞事。

如果我們專注于培養(yǎng)通用技能(包括人工智能)，解決實(shí)際問題并創(chuàng)造價(jià)值，那么總會(huì)有事情要我們?nèi)プ觥?/p>

相關(guān)報(bào)道：

https://towardsdatascience.com/ml-engineers-are-losing-their-jobs-learn-ml-anyway-87e19523cd9b

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文