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。

　　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。

　　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。

　　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 Jupyter Notebooks 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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　参考链接&传送门

　　Reddit 热议贴

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

　　Reddit 网友推荐：2021 年最有价值的 10 本机器学习书

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