如何為機(jī)器學(xué)習(xí)和人工智能的職業(yè)生涯做準(zhǔn)備？

保持領(lǐng)先是當(dāng)今科技專業(yè)人士的口頭禪。隨著技術(shù)和相關(guān)流程的發(fā)展，從事這一領(lǐng)域工作的人必須更新技能，甚至在必要時(shí)更新職業(yè)。

服務(wù)臺(tái)、系統(tǒng)和網(wǎng)絡(luò)管理員的一些傳統(tǒng)角色正在逐漸消失，他們需要更豐富、更多樣化的技能。機(jī)器學(xué)習(xí)(M L)和人工智能(al)是不斷進(jìn)入IT世界的兩個(gè)領(lǐng)域。尋找未來(lái)技術(shù)職業(yè)的人會(huì)熟悉ML和AI。

我和云提供商平臺(tái)Paperspace的CEO狄龍埃爾布聊過(guò)，想了解更多。

斯科特馬特森：什么樣的教育背景對(duì)ML/AI領(lǐng)域有幫助？

迪倫埃布：我最近聽到一個(gè)有趣的統(tǒng)計(jì)數(shù)據(jù)：今天，大約70%的深度學(xué)習(xí)或人工智能從業(yè)者還在上學(xué)。因?yàn)檫@是一項(xiàng)新技術(shù)，吸引了各個(gè)學(xué)科的人，我們沒有真正的先例。

事實(shí)是，當(dāng)今空間的大多數(shù)杰出從業(yè)者要么是自學(xué)成才，要么來(lái)自完全不同的領(lǐng)域(即不僅僅是計(jì)算機(jī)科學(xué)或編程)。扎實(shí)的統(tǒng)計(jì)學(xué)和傳統(tǒng)數(shù)學(xué)背景總是有幫助的——在研究領(lǐng)域的經(jīng)驗(yàn)也是一大好處。

還有很多在線課程，比如快速人工智能和Udacity，還有很多由所有大型技術(shù)參與者提供的資源，幫助自己成為人工智能開發(fā)者。精通數(shù)據(jù)是關(guān)鍵，尤其是Python，因?yàn)樗侵饕Z(yǔ)言。另一方面，還有一種更傳統(tǒng)的軟件架構(gòu)。

一般來(lái)說(shuō)，我們今天有很多人，他們要么真的擅長(zhǎng)軟件，但不太擅長(zhǎng)數(shù)學(xué)或統(tǒng)計(jì)。或者平衡你在軟件和數(shù)學(xué)方面的知識(shí)和經(jīng)驗(yàn)會(huì)給你在就業(yè)市場(chǎng)上帶來(lái)顯著的優(yōu)勢(shì)。

斯科特馬特森：傳統(tǒng)的信息技術(shù)技能有什么幫助？

迪倫埃布：它今天面臨的挑戰(zhàn)是ML/AI是新的。這是一個(gè)新的工具，他們必須明白它以前是不存在的。所有傳統(tǒng)的信息技術(shù)技能仍然非常有幫助和進(jìn)步，并且將更加關(guān)注機(jī)器學(xué)習(xí)工具如何與組織中已經(jīng)部署的所有現(xiàn)有系統(tǒng)相疊加。然而，目前，關(guān)于如何增加組織內(nèi)的協(xié)作或受歡迎程度，以及如何為所有利益相關(guān)者增加更多的洞察力，仍然存在一些問(wèn)題。一個(gè)信息技術(shù)部門不一定與任何一個(gè)部門相關(guān)，但要確保在一個(gè)單位做出的決定可以轉(zhuǎn)移到另一個(gè)領(lǐng)域，如果成功的話，或者給組織的其他部分增加一個(gè)鳥瞰圖。

這在數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)的背景下尤其相關(guān)。當(dāng)今信息技術(shù)關(guān)注的一個(gè)問(wèn)題是，沒有人工智能/人工智能的最佳實(shí)踐。令人擔(dān)憂的是，由于系統(tǒng)跨越不同的部門，從業(yè)者被孤立。這些從業(yè)者不會(huì)對(duì)他們的模型構(gòu)建或軟件使用版本控制，他們很難阻止這些人孤立地運(yùn)行。

相信我們會(huì)看到對(duì)新機(jī)器學(xué)習(xí)工具更大的需求，從而在傳統(tǒng)IT環(huán)境中發(fā)揮更好的作用。

斯科特馬特森：傳統(tǒng)的信息技術(shù)技能是如何變得無(wú)關(guān)緊要的？

迪倫厄爾布：我相信機(jī)器學(xué)習(xí)世界最終將不得不遵循傳統(tǒng)的信息技術(shù)流程，而不是相反。我這樣說(shuō)是因?yàn)镮T至少在大型組織中有廣泛的計(jì)劃，例如數(shù)字化或協(xié)作，或者圍繞提高開發(fā)人員的速度采取非常高級(jí)別的計(jì)劃，同時(shí)仍然保持對(duì)外部利益相關(guān)者的可見性。

這些將繼續(xù)非常強(qiáng)大，但必須發(fā)生的是，正如我們前面討論的，機(jī)器學(xué)習(xí)小組需要由數(shù)據(jù)科學(xué)家和DevOps人員混合組成。它必須適應(yīng)這個(gè)合作單位，并努力找出它在組織中的現(xiàn)有位置。

在某些領(lǐng)域，人工智能和機(jī)器學(xué)習(xí)可能會(huì)取代傳統(tǒng)IT的某些方面，例如威脅分析和異常檢測(cè)。最后，我覺得這真的只是工具箱里的另一個(gè)工具。

斯科特馬特森：建立一個(gè)ML/AI開發(fā)團(tuán)隊(duì)目前需要哪些技能？

狄龍埃布：有三個(gè)基本技能可以找到。首先是一般屬于數(shù)據(jù)科學(xué)的東西，有時(shí)候甚至是BI工具。它是一個(gè)能夠收集和清理現(xiàn)有數(shù)據(jù)并提供對(duì)這些來(lái)源的洞察的人。然后，你有了一個(gè)新的人工智能群體，他們可能不太注重?cái)?shù)據(jù)收集，但更注重構(gòu)建對(duì)這些數(shù)據(jù)的洞察力。第三個(gè)技能集涉及一個(gè)DevOps人員，他可以加入構(gòu)建模型和預(yù)測(cè)引擎的團(tuán)隊(duì)。

一個(gè)真正殺手級(jí)的AI團(tuán)隊(duì)將統(tǒng)計(jì)學(xué)家或數(shù)據(jù)科學(xué)家的技能和一些我們通常稱之為人工智能或深度學(xué)習(xí)的更現(xiàn)代的工具與DevOps人員混合在一起，他們可以使用這些模型并真正促進(jìn)它們的生產(chǎn)。如今，這兩套技能差距很大。

斯科特馬特森：ML/AI開發(fā)者的就業(yè)市場(chǎng)是什么樣的？

迪倫厄爾布：從賣方市場(chǎng)的意義上來(lái)說(shuō)，還是很有競(jìng)爭(zhēng)力的。如果你精通更新的機(jī)器學(xué)習(xí)和人工智能工具，你會(huì)做得很好。這一兩年改變的是，到那個(gè)時(shí)候，凡是能遠(yuǎn)程理解這些東西的人，都會(huì)有工作。如今，尋找和獎(jiǎng)勵(lì)專業(yè)知識(shí)的壓力很大。

有些人進(jìn)入就業(yè)市場(chǎng)，對(duì)這些工具很熟悉，但卻無(wú)法插入所有已有的系統(tǒng)，這遠(yuǎn)比在一個(gè)已經(jīng)有很多系統(tǒng)和很多已有工具的組織中能夠運(yùn)行人工智能的人差得多，這些都是圍繞數(shù)據(jù)收集/部署等展開的。

斯科特馬特森：哪些新領(lǐng)域正在被打破？

迪倫艾布：現(xiàn)在是最激動(dòng)人心的時(shí)候了。

奮的領(lǐng)域是汽車ML。 機(jī)器學(xué)習(xí)模型很難創(chuàng)建。 他們需要專家。 所以問(wèn)題是，你如何制作能夠自動(dòng)發(fā)現(xiàn)有效神經(jīng)網(wǎng)絡(luò)或有效機(jī)器學(xué)習(xí)模型的工具？

另一個(gè)新的開創(chuàng)性領(lǐng)域是強(qiáng)化學(xué)習(xí)，通過(guò)這種學(xué)習(xí)，你可以創(chuàng)建一個(gè)系統(tǒng)，在某種意義上，機(jī)器學(xué)習(xí)模型可以訓(xùn)練自己。 我也會(huì)列出合成數(shù)據(jù)。 這個(gè)想法幾乎所有的機(jī)器學(xué)習(xí)都受到機(jī)器學(xué)習(xí)算法可用數(shù)據(jù)的限制。 有令人興奮的新方法來(lái)生成新的數(shù)據(jù)，比如使用機(jī)器學(xué)習(xí)生成數(shù)據(jù)，然后訓(xùn)練其他機(jī)器學(xué)習(xí)模型，這有助于引導(dǎo)整個(gè)過(guò)程。

SEE：管理AI和ML的企業(yè)2019年：技術(shù)領(lǐng)導(dǎo)者期望比以前的IT項(xiàng)目更困難（技術(shù)專業(yè)研究）

斯科特·馬泰森：什么工作可能會(huì)受到ML/AI的威脅？

Dillon Erb：毫無(wú)疑問(wèn)，ML/AI將導(dǎo)致文件輸入等某些領(lǐng)域的工作轉(zhuǎn)移，這種機(jī)器學(xué)習(xí)模型可以更有效和/或更具成本效益。 在某些領(lǐng)域收集數(shù)據(jù)是另一種可能性。 我確實(shí)認(rèn)為這項(xiàng)技術(shù)也會(huì)創(chuàng)造許多新的工作，因?yàn)楫?dāng)這些系統(tǒng)在線時(shí)，你需要能夠監(jiān)控它們，分析它們，描述它們，思考它們，并利用它們的人。 一般來(lái)說(shuō)，工作會(huì)有變化，但我對(duì)整體工作增長(zhǎng)的情況感到樂(lè)觀。

斯科特·馬泰森：你建議在任何威脅地區(qū)的現(xiàn)有人員如何保持競(jìng)爭(zhēng)力？

Dillon Erb：人工智能的一個(gè)危險(xiǎn)是，在目前的形式下，它似乎注定要由少數(shù)專家或能夠獲得極大數(shù)量數(shù)據(jù)的人控制。 我相信，一般來(lái)說(shuō)，作為一個(gè)社會(huì)，或作為一種文化，我們需要投資于更好地理解這些系統(tǒng)，以便它們不再是黑匣子。 事實(shí)上，它們是我們可以集體談?wù)摰哪欠N東西-它們是如何表現(xiàn)的，以及它們?yōu)槭裁创嬖凇?/p>

SEE：如何成為機(jī)器學(xué)習(xí)工程師：一份備忘錄（技術(shù)共和國(guó)）

斯科特·馬泰森：對(duì)于ML/AI和在外地工作的人員來(lái)說(shuō)，你預(yù)見到了什么？

迪倫·艾爾布：現(xiàn)在的大動(dòng)作是從研發(fā)進(jìn)入生產(chǎn)。 過(guò)去幾年來(lái)，許多公司、個(gè)人和研究人員投資學(xué)習(xí)這項(xiàng)技術(shù)。 現(xiàn)在的大問(wèn)題是如何將它帶入一個(gè)不僅僅是測(cè)試用例的真實(shí)環(huán)境。

長(zhǎng)期的趨勢(shì)是，這是一個(gè)更大的主張，但我相信機(jī)器學(xué)習(xí)和人工智能將被納入其他業(yè)務(wù)實(shí)踐。 從這個(gè)意義上說(shuō)，它不再是獨(dú)立的實(shí)體，而是它實(shí)際上的核心，就像公司過(guò)去擁有網(wǎng)絡(luò)團(tuán)隊(duì)和移動(dòng)團(tuán)隊(duì)一樣，但最終，它成為了一個(gè)做移動(dòng)以及網(wǎng)站的應(yīng)用團(tuán)隊(duì)。

毫無(wú)疑問(wèn)，對(duì)于那些強(qiáng)烈關(guān)注它的人來(lái)說(shuō)，AI/ML是一種根本性的變革技術(shù)。 盡管如此，關(guān)于它的界限，它的界限仍然有許多懸而未決的問(wèn)題。 其中有些是技術(shù)問(wèn)題，有些是文化、政治和政策問(wèn)題。 我相信技術(shù)的未來(lái)在很大程度上是沒有定義的，所以我會(huì)鼓勵(lì)每個(gè)人投資更好地理解它。