隨著機器學習技術的發展，主打易用性、無需專業知識、人人皆可用的機器學習工具和平台正在成為主流，谷歌、微軟、saleforce、uber 等公司紛紛推出了相應的產品。
隨著機器學習技術的發展，主打易用性、無需專業知識、人人皆可用的機器學習工具和平台正在成為主流，谷歌、微軟、saleforce、uber 等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問：我們真的需要所謂的「機器學習工程師」嗎？
結合在機器學習領域十幾年的從業經歷，以及對當下機器學習領域現狀的觀察和思考，looker 首席產品官、機器學習工程師團隊負責人 nick caldwell 近日發文表示：自學能力比電腦科學學位更加重要，未來「機器學習工程師」這個職位將會消失。ai 前線對他發布在 informationweek 上的文章進行了編譯，並附上了來自 reddit 網友的不同意見。
我們可能已經處在機器學習工具進化的某個階段，在這個階段，正規的機器學習教育不再是必要的。
起初，這位前端工程師做出的東西非常滑稽——乙個可以在**上智慧型地畫鬍子的 ai。但在短短的幾天之內，他就做出了一些具有實用性的專案，並建立了乙個可以在生產系統中執行的機器學習模型。幾個星期後，我們已經可以看到這個模型給我們的業務目標帶來了可衡量的影響。
作為乙個在大學裡學習機器學習、在職業生涯的早期階段從事機器學習工作，然後又在管理機器學習團隊方面具備十多年經驗的人，我敢說，我們現在正處在機器學習的乙個全新階段，在這個階段，機器學習正在變得越來越容易使用，准入門檻越來越低。我甚至懷疑，我們前面提到的這位初級前端工程師，通過使用現代工具包，在五天之內就可以達到我職業生涯頭五年的水平。
此外，有乙個不爭的事實正在浮出水面——如今不需要高大上的學位或專業技能也能使用 ai。這些工具正在成為開發人員工具箱的一部分。
在 20 世紀 90 年代，乙個想要試驗神經網路的工程師通常需要從最簡單的概念開始，然後逐步提公升，理解每一層的數學概念和原理。而在今天，即使是新手也可以使用像 google cloud automl 這樣的工具來自動完成 ai 模型的建立，並獲得有效的結果。所有的複雜性都被抽象掉了，但沒關係，因為抽象可以促成越來越強大的工具。你可以回想一下，你最後一次看到想學彙編的程式設計師是在什麼時候?
現代開發人員可能無法解釋他們的 ai 模型的工作原理，但結果卻不言自明。fast.ai 創始人（前 kaggle 總裁）jeremy howard 最近發了一篇推文：「我從來沒有接受過正規的技術教育，也沒參加過任何講座或輔導課。我認為這些是在浪費時間」。
想想我們一般是如何招聘工程人才的，尤其是在機器學習領域。我們希望候選人擁有電腦科學和 / 或數學學位，最好還做過一些研究專案，當然還需要有幾年的工作經驗。但我可以坦誠地說：如果我們簡單地將工程能力定義為為客戶構建可以解決問題的解決方案的能力，那麼在過去幾年裡，我個人接觸過的最好的機器學習工程師都是自學成才的。而且，他們在這個領域的經驗一般不足五年。
那麼，在這樣乙個機器學習簡單易學且正在產生非凡結果的時代，我們真的需要僱傭純粹的「機器學習」工程師嗎？還是說機器學習已經成為每個程式設計師都可以使用的另一種工具？我敢說是後者。
所以，我們必須重新思考如何尋找人才。引用 keras 創始人 francois chollet 說過的話：「優秀的人才 90% 以上都是靠自學的，不管他們有沒有史丹福大學的學位。電腦科學學位能夠帶來的附加價值越來越小」。
大多數招聘經理人可能會認為這種觀點有點偏激，但時代確實在發生改變。今天，我從 kaggle 競賽中尋找機器學習候選人，看看候選人在 github 上提交的**，最後才考慮他們的大學學位。
關鍵不在於這樣做好不好，而在於我們是否應該超越機器學習本身，並完全取消對電腦科學學位的要求。
這篇文章在 reddit 上引發了一些討論，有人對作者的觀點表示贊同，但也有人認為作者的想法過於片面。
網友 illy7681：
「我們還需要擁有電腦科學學位的人嗎？」我的意思是，或許不需要？沒有電腦科學學位並不代表不懂電腦科學。我們需要的是懂電腦科學的人，而不是學位。
網友 spenhouet：
這篇文章有點以偏概全。儘管這些東西變得更容易學習，一般程式設計師也能完成這些工作，但並不意味著我們就可以忽視相關的教育……本科、碩士還是博士？沒人關心，只要那個坐在角落裡埋頭寫**的人能夠讀懂 automl 的文件就可以了……這是乙個多麼愚蠢的想法！也許是作者不夠強悍？好像他的那些年輕的同事可以在任何時候取代他的位置。或許是因為腦子裡的想法有點混亂了，以至於會認為 kaggle 競賽比學位更有價值。
網友 kg4jxt：
「機器學習工程師」……軟體行業沉醉於「工程師」這個頭銜，管那些使用軟體來完成某些任務人叫工程師似乎並不恰當（除非他們用這些工具完成實際的工程專案——建立結構和系統，如果出現故障，他們能夠負起專業方面的責任），所以根本不存在什麼機器學習工程師，他們只是自詡罷了。
在 ai for everyone 口號崛起之後，使用機器學習無疑將變得越來越簡單，但能夠深入研究並成為機器學習領域專家的人才仍然稀缺。畢竟像 jeff dean、sanjay ghemawat 這樣能通過研究二進位制**找出 bug、挽救谷歌的傳奇工程師世上僅此一雙。
機器學習工程師職位正在消失
隨著機器學習技術的發展，主打易用性 無需專業知識 人人皆可用的機器學習工具和平台正在成為主流，谷歌 微軟 saleforce uber等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問 我們真的需要...
機器學習工程師職位正在消失
隨著機器學習技術的發展，主打易用性 無需專業知識 人人皆可用的機器學習工具和平台正在成為主流，谷歌 微軟 saleforce uber等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問 我們真的需要...
機器學習工程師職位正在消失
隨著機器學習技術的發展，主打易用性 無需專業知識 人人皆可用的機器學習工具和平台正在成為主流，谷歌 微軟 saleforce uber等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問 我們真的需要...