名列「全美最佳工作排行榜」第 1 名,機器學習工程師在 AI 產品裡的地位有多大?

【為什麼我們要挑選這篇文章】根據美國就業網站 Indeed 的統計,機器學習工程師是全美最佳工作排行榜中的第 1 名;在 AI 當道的今天,機器學習工程師堪稱是近代職場的明星。本文作者是機器學習工程師,想來「打臉」這個想法,告訴讀者機器學習工程師在 AI 產品裡的真正定位。(責任編輯:郭家宏)

這篇文章並不是要攻擊所有的機器學習工程師或者數據科學家。

我自己是一名機器學習/電腦視覺工程師,這篇文章是基於我在 AI 行業的觀察和體驗。

本文的陳述均帶有個人觀點。申明了這一點,我們可以開始了。

機器學習工程師,只在產品佔有一小塊的角色

數據科學家這個崗位被稱作 21 世紀最性感的工作。與此同時,對機器學習工程師的需求量在這幾年呈指數級增長。2019 年,就業網站 Indeed 將電腦視覺工程師、機器學習工程師和數據科學家三者都列入了全美前 25 佳工作,排名分別為第 13、第 1 和第 22。

這種宣揚並非虛言,而是實至名歸,因為有目共睹,機器學習技術幾乎嵌入到了所有的產品裡——從汽車、智慧手機甚至到冰箱,無處不在。

高熱度、高需求量、高薪、高關注度,這一切會讓任何機器學習從業者都覺得自己就是超級明星。

在實際的公司團隊中,機器學習人員受到重視,特別是在他們確實工作出色的時候。話雖如此,機器學習工程師的角色仍然只是整個拼圖的一小塊。

而拼圖是指最終的產品。

在研究和學習階段,大多數機器學習人員都沉浸在電腦和 Python 腳本裡。

對其中一些人來說,他們負責的項目範圍就只到做好應用程式接口,來作為調用機器學習模型的界面。

但是在電腦和應用程式接口的之前和之後都還有更大的世界。

在機器學習工程師接手之前,就有不少人參與專案的決策

在機器學習工程師和數據科學家進入專案之前,已經有其他崗位上的人參與了專案的決策以及別的一些議程。

讓我來列幾個例子:

▌市場研究員:分析產品對應的目標受眾和消費者的相關數據。他們的工作決定了最終的產品採取何種形態或形式。
▌IT 業務分析師:將業務需求表達為可處理的 IT 規程。他們負責對接專案經理和利益相關方提出的方案,將其轉化為工程團隊可以處理的任務。
▌CEO:大老闆。
▌產品設計師:負責在實際開發開始前對產品的用戶界面和互動方式,勾勒出視覺化方案。
▌軟體工程師:根據產品將要發佈的平台,使用各種工具和程式語言編寫軟體。
▌產品負責人:負責實施和監督產品關鍵功能的開發,這些功能是主要的利益相關方議定的。

在產品的開發週期裡,機器學習人員可能從未接觸過承擔上述職責的人。

如果我們再看一看 Indeed 的全美前 25 佳工作名單,會發現這些崗位也都在榜,產品負責人、產品設計師和產品開發人員都排在前列。

是他們為我們這些機器學習工程師和數據科學家搭建了一展身手的場地或者說舞台。

消費者使用終端產品,不會意識到機器學習技術的存在

實現一個模型並不斷訓練它,直到在測試集上得到高準確率和優異的性能表現,沒有什麼能比這種感覺更好了。(要是你的模型足夠小,可以在邊緣設備上運行,那更是加分項。)

譯者註:邊緣設備(edge device),是指位於物聯網「邊緣」、直接採集資訊的終端設備,如智慧手機、智慧家電、工業感測器等,與其相對應的是部署在公司或者雲端的數據中心。

我無意貶低機器學習人員的勞動價值,但是消費者並非直接使用你們的模型。事實上,他們很可能都沒注意到產品中使用了機器學習技術。

這應該並不使人意外。機器學習技術隱藏在 Google 工具套裝或者 Netflix 的個性化推薦系統背後,但沒有公然顯露出來,往往是通過程式接口把產品的複雜性抽象和封裝了起來。

沒錯,用戶可能會驚訝於 Google 推薦了一篇新聞報導,內容恰好關乎自己不久前的一次交談;或者驚奇地發現 Netflix 又給自己推薦了一部刷起來就停不住的電視劇。

但大部分終端用戶通常並不想知道在自己的設備背後,有什麼樣的語音識別或者個性化推薦演算法。

機器學習人員是賦能者,我們對一個更寬廣的產品生態系統進行賦能和支持。

而如果我們的工作做得很成功,終端用戶幾乎感覺遇到了魔法。

把視野放大,你會看到我們的工作成果被其他崗位接力下去。品質測試人員、軟體工程師、產品發佈團隊和行銷人員,我舉例的這幾個角色都將對產品或專案的成功做出貢獻。

AI 產品才是真正的明星

如果你都讀到這裡了,那麼我真得告訴你這場時代秀的明星是誰——有兩個。

AI 產品,以及產品背後的團隊。

為了說明我的觀點,我會拿一個以 AI 為核心業務的公司來做例子,但是請記得,這個邏輯對大多數基於 AI 的公司或者新創企業都適用。

聽說過 DeepMind,以及他們的 AI 系統 AlphaGo 和 AlphaZero 嗎?DeepMind 團隊和他們的 AI 產品備受矚目。

DeepMind 團隊毫無疑問受到了關注,而且注意我並沒有提及團隊裡某個特定的人或角色。DeepMind 團隊自己成為了一個實體,不管成員是誰,這個團隊都可以存在。話雖如此,優秀的團隊只能源於優秀的成員,而 DeepMind 擁有一些業內最優秀的 AI 人才。

AI 領域內有一些天才在推動這個行業走得越來越遠。他們備受尊敬,他們的貢獻和工作將被銘記。但有一個實體,不管在哪個時期,不曾改變,也不曾消失。

這個實體就是人工智慧,就是 AI 自身。

人工智慧是這場時代秀的明星,一直以來都是。
有時候,人工智慧背後的團隊也會受到矚目。

結語:機器學習工程師只是一小部分,AI 產品必須跨團隊合作才能誕生

寫這篇文章不是要貶低 AI 業界任何人的工作。

目的是為了向更多人強調,基於 AI 的產品只有在不同個人和不同的跨職能團隊的有效合作下,才有可能實現。

而我們機器學習工程師和數據科學家是這個有機整體的一部分。我們不是這場時代之秀的明星,但我們是「明星們」中的一員。

不管這場時代之秀如何演下去。

原文報導 傳送門

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈为什么说机器学习工程师不是这个时代的明星?〉。首圖來源:Wallpaper Flare CC Licensed

更多關於工程師的資訊

數據科學家:9 個理由,我更建議你去當軟體工程師
GitHub 數據告訴你:用哪種程式語言的工程師最快樂?
【GitHub 熱門】中年工程師自創「面試寶典」,苦練 8 個月轉職 AWS 拿百萬年薪


多雲平台管理不易,找出資安威脅難上加難

IBM 解惑如何善用「開源技術」自動因應網路攻擊

獲取 IBM 獨家白皮書

點關鍵字看更多相關文章: