賈浩楠發自凹非寺

　　量子位報道公眾號 QbitAI

　　機器學習工程師崗位，還香嗎？

　　在培訓機構或求職網站隨便一搜，機器學習簡直不要更熱。

　　但是，國外的同行們卻在一則 Reddit 熱帖上，吐槽揭露 ML 工程師“表面光鮮，實際搬磚”的一面。

　　說出了培訓機構不會告訴你的機器學習業內真相。

　　那這些“過來人”怎么掉進一個個暗坑的？他們的經歷對你有什么警醒借鑒的意義呢？

　　機器學習崗，怎樣避免淪為數據標注師

　　Reddit 熱帖下，網友們吐槽最多的，就是學習和工作的巨大差距產生的幻滅感。

　　學了一大堆牛X高大上的理論知識，以為自己能上手酷炫的神經網絡，調參、訓練、部署一條龍，但實際上，這些內容大概只占全部工作的 10%-20%。

　　而且在一些團隊中，會有專門的崗位來負責這些工作。

　　其余大部分人的職責是收集數據、給數據打標簽、處理數據質量，或者用 Python 寫基礎架構。

　　當年夢中的那個引領 AI 潮流的少年，就這樣成了數據標注師。

　　但是，網友也承認這一點確實是業內的普遍現象。而且，剛剛工作的新手，從低層技術開始做起，也是符合常理的。

　　大家的建議是：面對這種大量重復勞動，先別急著上手，去查一查資料，很多類似工作已經有成熟快速的方法。

　　當你跨過了基礎工作這一關，要面對的，是 ML 項目中可能出現的各種令人頭疼的問題，而這，是考驗你能否成為優秀機器學習工程師的重要挑戰。

　　機器學習之路布滿荊棘

　　哪些在工作崗位上很重要的東西，是機器學習教程不會教你的？

　　網友們總結了最重要的 4 條:

正確認識業務
處理凌亂的現實世界數據集
工程導向，而不是在 Jupyter Notebooks 中編寫研究代碼
可視化

　　這些都是網友們在工作經歷中吃了很多虧后，總結出的經驗。

　　比如，很多 ML 工程師只有給定一個抽象化的問題才能上手，缺乏應對實際工程問題的能力。

　　而一個合格的、被業內廣范認可的機器學習工程師，他可能并不精通算法的數學原理，而是能夠在約束條件眾多的實際情況下應用算法解決問題。

　　比如，在很多情況下，普通的舊算法（例如K-Means，高斯混合的 EM 等）非常有用。燒 GPU 并不是唯一辦法。

　　避免紙上談兵，這是機器學習算法工程師正確認識業務的一部分，除此之外，重要的點還有合理的工期規劃，和良好的溝通能力。

　　規劃傳統工程項目時，設定里程碑、期望值、是（相對）簡單的。

　　但對于機器學習項目來說，在最初目標和前期階段之后，很難給出具體的計劃，因為變數實在太多了。

　　這就需要在項目初期階段就保持頭腦清醒，不要給自己挖坑，同時也要和 boss 以及同事說明溝通。

　　一位網友談到了切身體會。他放棄了機器學習算法崗位，原因是老板根本不關心他為了完善算法細節付出了多少艱苦的勞動，只看最后的可視化效果。

　　當 boss 發現可視化效果并不高級時，認為他一直在浪費時間沒好好工作。

　　所以，比其他軟件工程師更強的抗錯能力，也是你必備的。

　　如果你能抗過以上所有挫折和困難，還有艱難的一關要過。

　　機器學習業內的謊言

任何人都可以輕松成為數據科學家/機器學習工程師
軟件工程師可以輕松成為數據科學家。
學習應用“現成庫”就可以輕松上手搞 AI。
搞 AI 無需學習高等數學/統計學
一種特定算法可以應用于任何領域并獲得成功

　　這些，就是 Reddit 網友當年少不更事是信過“鬼話”、踩過的坑。

　　那么，真下決心走機器學習這條路，應該相信什么呢？

　　首先是要對行業現狀有大致了解。

　　對于普通開發來說，機器學習崗位數量要比其他開發崗少很多。網友反映，在北美地區，100-150 個后端開發的公司可能只有有2-5 個搞 AI 的人。

　　其次，是很多有 AI 需求的公司沒有必要的 GPU 等基礎設施，你去了才發現只能使用免費的 Collab。

　　從個人求職角度講，ML 項目大多很比較專，比較小眾。你之前的項目經驗，全國可能只有不多的幾家公司感興趣。

　　明白了這些，你還要清楚怎樣正確地踏入機器學習的門。

　　多數有 AI 需求的公司，要求的是后端 +DevOps+AI+ 前端這樣的一體化崗位。這就需要你的全棧能力。

　　編寫，測試，部署，在生產中跟蹤模型、構建大規模數據是一個競爭力出眾的機器學習工程師必備的。

　　而這些能力的基礎要求，就是數學。

　　你當然不需要像搞科研那樣精通數學。但扎實的高數、概率論、統計學基礎必不可少。

　　對于有些培訓課程打出的所謂不要求任何基礎就上手 AI 的，Reddit 網友直接說：“沒有數學基礎和過往編程經驗的人，寫出的代碼是十分可怕的。”

　　大牛不僅僅止步于機器學習

　　當然，數學基礎再好，代碼寫得再漂亮，也只是一個優秀的機器學習工程師。

　　真正的大佬，是不會止步于此的。

　　一位現在在搞神經科學的網友給出了獨到的建議：

　　如果想做真正創新，有趣的工作，那么僅憑機器學習知識是不夠的。還需要其他專業知識。

　　在特定環境中，清楚需要用那種 ML 算法來結解決問題，并且能高效處理數據，這樣才能讓你做出行業內獨樹一幟的先進成果。

　　以上就是 Reddit 機器學習社區的“過來人”給大家的忠告。

　　參考鏈接&傳送門

　　Reddit 熱議貼

　　https://www.reddit.com/r/MachineLearning/comments/ifn7ua/d_what_are_the_untold_truths_of_being_a_machine/

　　Reddit 網友推薦：2021 年最有價值的 10 本機器學習書

　　https://www.machineelearning.com/top-10-machine-learning-books-in-2021/

總結

以上是生活随笔為你收集整理的「表面光鲜，实则搬砖」，机器学习社区自嘲不为人知的AI工程师真相的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。