机器学习领域一片悲观：机器学习人才招聘逐渐放缓。对于这种情况，ChipHuyen给出了一个假设：投资者将对人工智能彻底失去希望。谷歌已经停止招聘ML研究人员，Uber已经解雇了其AI团队的一半研究人员……拥有ML技能的人将远远多于ML工作。我们的经济正在衰退！很多人都在谈论人工智能的冬天。人工智能(AI)、机器学习(ML)和数据科学(DS)首先下降是完全有道理的，因为它们是大多数企业的奢侈品。但这并不意味着如果你创造价值，未来就不光明。AI寒冬不会影响大多数AI/ML/DS工作AI寒冬是资金减少和AI研究兴趣下降的时期。但我们大多数人不做研究。我们看论文只是为了获取想法和创新，但我们仍然使用现有技术，与创新研究无关。此外，构建基于ML的产品的流行程度不一定与将要进行的研究数量相关。而现在还有越来越多的研究成果没有付诸实践。更有趣的是，该行业仍在追赶已有数十年历史的机器学习设施。现在，“人工智能驱动”的产品越来越受欢迎，因为机器学习更容易实施，而不是因为新的研究。我们不需要先进的人工智能来解决问题。恰恰相反。经典算法+领域知识+小生态数据集可以解决大部分实际问题，而不是深度神经网络。就好像我们中的大多数人在自动驾驶汽车上的工作越来越少，而更多的是作为消费者。在我看来，与解决问题的心态和一般的开发技能形成鲜明对比的是，在大型科技公司之外，专注于极端技术能力的价值被高估了。除了技术，还有大量枯燥的手工工作，早就应该自动化，不需要技术突破。机器学习应该专注于创造价值而不是改变世界。当你用任何实际应用解决一个问题时，遇到问题的每个人都是赢家。这就像硅谷欺骗我们相信我们应该进行登月计划而不是改善我们的生活条件和我们认识的人的生活。我爱优步，因为它改变了世界。但如果每季度花费50亿美元来维持Uber的生存，那可能就出问题了。一些公司具有影响全球70亿人的长期影响。但更简单的改进，例如减少“无聊”行业中的数据输入错误，也可以创造价值。学习机器学习是对抗人工智能恐惧的更好方法。自动化将消除大量机械重复性工作，因为没有什么比恐惧更畅销。不是因为技术性失业迫在眉睫。了解机器学习，然后尝试概念化、训练和部署模型来解决现实世界的问题。你很快就会发现，这里面还有很多困难，其次，我们离AGI（通用人工智能）还有多远。基础设施极不发达，真实数据杂乱无章。当您从Kaggle下载CSV文件以针对特定问题训练模型时，99%的工作已经完成。使机器学习变得简单的工具之间仍然存在差距在过去10年中，易用性对机器学习采用的贡献超过任何算法突破。这几乎就像软件工程师可以使用现成的组件拼凑ML解决方案一样，尽管这并不容易。随着工具的发展，我们将看到纯机器学习工作的减少，但使用机器学习来解决各种问题的软件工程师的数量会大大增加。此外，还有更多技术以外的公司将从中受益。如果您是一名开发了出色的机器学习工具的工程师，我们将永远感激您……-ChipHuyenML在全球范围内推动价值，但我认为直到合适的时间我们才触及表面工具出现。从软件工程开始如果你没有AI相关学科的高级学位，请先学习软件工程，然后再进入AI。学习软件工程就像获得技术MBA，我们将从学习基础知识、创建完整堆栈解决方案以及理解促进机器学习的代码开始。随着行业结构的变化，工作机会会更多，转行也会更容易。许多软件工程师在ML/DS领域取得了成功。结语人工智能领域炒作太多，就像股市一样，无论涨多高，总会有“跌”，但如果我们有所准备，这未必是坏事。如果我们专注于开发通用技能集（包括ML）、解决实际问题和创造价值，我们将始终有事可做，而不会丢掉工作。
