未来3到5年，机器学习人才会在哪个方向紧缺？今天我们来梳理一下。全栈工程师在初创公司很受欢迎，具有领域专长的算法人才在大公司很受欢迎，应用型人才可以快速提升业务，而工程是落地的重要一环。AI专业毕业好找工作吗？此前，知乎上一位985大学CV专业研究生曾坦言，当初选择这个方向时，深度学习正处于火热阶段。无人驾驶和人脸识别听起来很高大上。似乎所有人都想往这个方向去转。然而到了找工作的时候，这哥们发现招聘的形式和想象中的大不一样：最近企业开始提前批秋招，都招聘计算机算法工程师远景职位，无论文，或在比赛中获奖。找个算法贴也不是太难。身边的同学都开始转Java开发了，我开始慌了。想着学了两年CV，最后找不到工作，一度很失落。感觉如果想做Java开发，还是本科一毕业就出去工作比较好。根本不需要读研究生。那么，机器学习的大规模发展只是一种幻想吗？未来3到5年，机器学习人才会在哪些方向紧缺？这可能是每个正在学习这个专业的人最关心的。根据华为云开发者社区的说法，机器学习人才依然稀缺。每个人每天至少产生1G的数据，还有大量数据没有被利用。每一个垂直细分的应用场景都可以通过机器学习产生应用价值。这也意味着相关领域的人才严重短缺。总结起来，以下几个方面的人才是最稀缺的。能够灵活解决问题的全栈工程师。全栈工程师是指掌握多种技能，胜任前后端，能够运用多种技能独立完成产品的人。王进东，博士中科院大学计算机应用技术博士，说全栈人才最稀缺。现在很多从事建模的人，或者专注于某一方面的人，远远不够解决实际问题。人工智能全栈工程师比通常意义上的全栈工程师更复杂、更难。主要原因是算法实现与传统的全栈有很大的不同。从应用层面分为计算机视觉、自然语言处理、语音。明确三大方向。还有更多的细分。在计算机视觉方面，又可以细分为目标检测、姿态估计、人脸识别等，因此做一个全栈的人工智能需要更多的精力，也需要各个方向的算法。深有体会。人工智能的全栈通常是基于大厂商的云平台开发的。很多人工智能领域的基础组件都被封装了。全面了解业务和整个项目的结构后，就可以开始开发了。需要结合业务场景的快速实现，对“全栈”的需求会更多，在大繁荣时期可以做很多事情。但是人工智能全栈工程师的发展还要看整个行业的大局。如果优胜劣汰从四面八方开始，“全栈”就缺乏核心竞争力，因为算法是别人的。专攻某一领域的算法人才有朋友提到，专攻某一领域的算法人才会更受欢迎。这里的算法人才包括算法研究人员和算法工程师。算法研究者致力于解决更一般化、更抽象的问题，比如如何解决GAN训练的稳定性等问题，而算法工程师则更关注如何解决问题。比如某个场景出现badcase，我会想办法解决问题。数据预处理，或需要调整参数。此外，能够快速复现论文结果的算法研究人员也是各大公司争相争夺的热点。因为学术界的很多新成果只有一个描述，而且没有提供源代码，如果想应用它的研究成果，需要自己去实现，所以能够快速复现论文的算法研究人员对公司也是非常有价值的.我们去招聘网站搜索算法职位，一般可以看到高级算法专家的薪资上限很高，但是岗位需求没有算法工程师高。毕竟企业还是要赚钱的，所以算法工程师（尤其是推荐方向）也很吃香。研究人员觉得工程师的工作没有技术含量，工程师可能认为你每天什么都不做，只是纸上谈兵，解决不了问题。算法是企业的核心资源，两者都有发挥的空间，这与企业的业务需求有很大关系。不管你是做算法研究还是工程，选对方向都很重要。单从行业饱和度来看，图像或视觉方向确实人满为患，语音尤其困难，缺乏大量可用数据。自然语言处理是方向。你可以考虑一下。首先，各种SOTA模型大多是针对英文的，存在向中文迁移的问题。其次，汉英在语法和语义上存在差异，研究空白较多。知乎回答者耀山举例说明什么是精通一个领域。他的一个同学Ethan毕业于伊利诺伊州尚佩恩市（计算机名校），学了两年计算机专业。他是一个非常优秀的学生，具有自学能力。结果，Ethan在面试时未能申请这份工作。Ethan的背景与很多进入人工智能领域的人相似。受访者分享了以下对话：最后Ethan问他如何在一周内掌握自然语言处理，受访者只能告诉他不知道。这个例子表明，一些学生擅长快速学习，但他们很容易陷入每个领域都想学习的陷阱。到头来，他们觉得自己学到了很多，但真正遇到问题时却无从下手，或者浪费了很长时间去寻找问题的根源。精通一个领域意味着什么？说自己精通某个领域，在人工智能领域往往是不合适的。现在无论是硬件还是算法都在快速迭代，今天的SOTA可能会成为明天的底线。只有不断迭代自己的知识，才能跟上业务和场景的发展，才不会落后。熟悉业务和算法的应用玩家此外，既懂算法又懂某个行业的丰富经验也很重要。虽然机器学习是一门通用技术，工程师基本都是计算机出身，但其实现需要针对行业应用，如何结合行业实践解决实际问题。据中科院大学研究员介绍，短期内最缺的一定是应用型人才。很多行业如果想转型为数据驱动或人工智能驱动，通常借助外包或咨询公司很难成功，因为缺乏行业经验。这时候，从传统行业向人工智能应用型人才转型就显得尤为重要。机器学习研究本身植根于业务需求，因此更接地气，实施起来也更快。中国科学技术大学的一位研究员举了一个很形象的例子。很多高校的财务人员每天都在做大量的重复性工作，处理发票和报销单，手工将纸质编号录入电子系统。过程很麻烦。但实际上，大学和科研院所里研究计算机视觉、文本识别、物体检测的团队数不胜数。为什么不能使用机器学习方法来节省时间？这个例子暴露了一个问题。大多数机器学习研究关注的是模型本身是否是业界最先进的（SOTA），而忽略了算法的适用对象和实际应用场景。所以，最稀缺的是懂算法，能把算法转化为实践的人。答主微调了金句“对于绝大多数人来说，努力成为跨领域的精通者，比成为计算机科学家更现实、更有意义。”学术型模型工程人才算法需要实现为产品，模型工程也需要，如果能在这方面深耕下去，那一定是不可多得的人才。和抖音的推荐系统一样，在工程上也有很多挑战，比如如何解决海量数据拥塞、移动端优化等。结合上面回答者Yew给出的例子。尼希尔（Nihil）是他认识的另一位研究生，同样毕业于伊利诺伊大学香槟分校。曾在领英（LinkedIn）做大规模搜索（ScaledSearch），负责将理论算法扩展到工业场景。擅长建筑背景，具有深厚的工程背景。在斯坦福读了两年计算机科学硕士学位后，他现在被Snapchat招进来做一个大规模的视频搜索算法。与上面的Ethan相比，他是公司更想要的人才。为什么？因为他是在LinkedIn、Snapchat这样的大公司做大规模的搜索算法，工程难度跟实验室不一样。任何人都可以运行LSTM，但是当训练数据极度膨胀时，LSTM需要运行3天才能看到所有数据。在这种情况下，需要更多的工程化实现来做分布式计算或者优化算法本身的效率，使用更快的数据结构等。这样的场景需要具有研究背景的人才能够结合学术前沿有效解决工业问题。深度学习是50%的学术和50%的工程。Tesla现任AI负责人AndrejKarpathy主要负责这项工作。另外，很多人都提到了助理工程师。中科院大学计算机应用技术博士表示，AutoML越来越受到重视，技术含量低的助理工程师未来很可能被取代。最后值得一提的是，像Bengio、Hinton这样的深度学习领域的大神级人物当然是非常需要的，但是这样的人才实在是可遇而不可求。
