【我們為什麼挑選這篇文章】當一位機器學習工程師會遇到什麼困難？又有哪些業界工作者才知道的真相？Reddit 機器學習社群上有網友給了切身的分享，可以給想從事/轉職機器學習領域或正在機器學習界苦惱的讀者參考。（責任編輯：賴佩萱）
本文經 AI 新媒體量子位（公眾號 ID：QbitAI）授權轉載，轉載請連繫出處
作者：量子位
機器學習工程師崗位，還吃香嗎？
在培訓機構或求職網站隨便一搜，機器學習簡直不熱。
近日，國外的同行們在一則 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」怎麼掉進一個個暗坑的？他們的經歷對你有什麼警醒借鑒的意義呢？
怎麼樣避免淪為打雜人員？
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。學了一大堆高上大的理論知識，以為自己能上手酷炫的神經網路，調參、訓練、部署一條龍，但實際上，這些內容大概只佔全部工作的 10%-20%。
而且在一些團隊中，會有專門的崗位來負責這些工作。
其餘大部分人的職責是收集數據、給數據打標籤、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，就這樣成了數據標註師。
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： 面對這種大量重複勞動，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。
機器學習路漫漫，要怎麼不吃虧？
哪些在工作崗位上很重要的東西，是機器學習課程不會教你的？
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 中編寫研究程式碼
- 資料可視化
這些都是網友們在工作經歷中吃了很多虧後，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，但一個合格、被業內認可的機器學習工程師，他可能並不精通演算法的數學原理，而是 能夠在約束條件眾多的實際情況下應用演算法解決問題 。
比如，在很多情況下，普通的舊演算法（例如 K-Means，高斯混合的 EM 等）非常有用，燒 GPU 並不是唯一辦法。
避免紙上談兵，是機器學習工程師正確認識業務的一部分，除此之外，重要的還有合理的工作時程規劃，和良好的溝通能力。
機器學習工作變數多，心臟要很強！
規劃傳統工程項目時，設定里程碑、期望值是（相對）簡單的，但對於機器學習專案來說，在最初目標和前期階段之後，很難給出具體的計劃，因為變數實在太多了。
這就需要在專案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。他放棄了機器學習演算法職位，原因是老闆根本不關心他為了完成演算法細節付出的艱苦勞動，只看最後的可視化效果。
當 boss 發現可視化效果並不高級時，認為他一直在浪費時間沒好好工作；所以， 比其他軟體工程師更強的抗壓能力，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。
打破機器學習界的謊言
- 任何人都可以輕鬆成為數據科學家/機器學習工程師
- 軟體工程師可以輕鬆成為數據科學家
- 學習應用「現成庫」就可以輕鬆上手搞 AI
- 搞 AI 無需學習高等數學/統計學
- 一種特定演算法可以應用於任何領域並獲得成功
這些，就是 Reddit 網友當年少不更事是信過「鬼話」、踩過的坑。
那麼，真下決心走機器學習這條路，應該相信什麼呢？
首先是要對行業現狀有大致了解。對於普通開發來說，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 個後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 需求的公司沒有必備的 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 專案大多比較專，比較小眾。你之前的專案經驗，全國可能只有幾家公司感興趣。
明白了這些，你還要清楚怎樣正確地踏入機器學習的門。
除基本數學能力外，持續精進專業知識和跨領域的能力很重要
多數有 AI 需求的公司，要求的是後端+DevOps+AI+前端這樣的一體化崗位。這就需要你的整體能力。
編寫，測試，部署，在生產中追蹤模型、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。但紮實的高數、概率論、統計學基礎必不可少。
對於有些課程打出不需要任何基礎就能上手 AI 的，Reddit 網友直接說：「沒有數學基礎和過往程式經驗的人，寫出的程式是十分可怕的。」
當然，數學基礎再好，程式寫得再漂亮，也只是一個優秀的機器學習工程師。真正的大佬，是不會止步於此的。
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，那麼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 演算法來結解決問題，並且能高效處理數據，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 機器學習社群的過來人給大家的忠告。
（本文經 AI 新媒體量子位 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為 〈「表面光鮮，實則搬磚」，機器學習社區自嘲不為人知的 AI 工程師真相 〉。）
你可能會有興趣
- 【資料人福利來囉！】30+ 免費平台大公開！機器學習數據庫、政府企業報表全整理給你
- 開發「機器學習」模型老遇瓶頸？五篇超強論文帶你看最新 AI 研究趨勢
- 【善用機器學習，請你跟我這樣做！】2020 年，沒有資料科學背景照樣能用機器學習開發！