機(jī)器學(xué)習(xí)工程師團(tuán)隊(duì)負(fù)責(zé)人、Looker的首席產(chǎn)品官，以自己十幾年的從業(yè)經(jīng)歷，以及對(duì)當(dāng)下機(jī)器學(xué)習(xí)領(lǐng)域的觀察和思考，認(rèn)為未來機(jī)器學(xué)習(xí)準(zhǔn)入門檻不斷降低的前提下，“ML工程師”這個(gè)title將會(huì)消失。

我們可能正處在一個(gè)不再需要機(jī)器學(xué)習(xí)領(lǐng)域正規(guī)教育的變革階段。

Looker首席產(chǎn)品官Nick Caldwell，是一位機(jī)器學(xué)習(xí)從業(yè)者，有著管理ML團(tuán)隊(duì)十多年的經(jīng)驗(yàn)，而他最近有點(diǎn)被刺激到。

他的一名初級(jí)前端工程師決定利用黑客馬拉松時(shí)間，去探索機(jī)器學(xué)習(xí)。通過fast.ai的在線課程，這位初級(jí)工程師獲得了快速設(shè)置和部署TensorFlow模型的基礎(chǔ)知識(shí)。

剛開始做的東西還比較搞笑，比如給人臉上貼胡子。但是在幾天之內(nèi)，他就做出了有實(shí)際應(yīng)用價(jià)值的項(xiàng)目，并創(chuàng)建了一個(gè)可以在公司內(nèi)部生產(chǎn)系統(tǒng)中可實(shí)施的ML模型。幾周后，已經(jīng)能夠看到改模型對(duì)運(yùn)營目標(biāo)產(chǎn)生了可衡量的影響。

Nick在大學(xué)的時(shí)候，曾經(jīng)認(rèn)真系統(tǒng)的學(xué)過ML，并且在剛畢業(yè)就從事機(jī)器學(xué)習(xí)相關(guān)的工作，但是這位初級(jí)工程師的經(jīng)歷，讓他開始重新審視他自己，以及機(jī)器學(xué)習(xí)這個(gè)領(lǐng)域。

他發(fā)現(xiàn)，機(jī)器學(xué)習(xí)已經(jīng)進(jìn)入到一個(gè)準(zhǔn)入門檻非常低的階段。他甚至懷疑，這位初級(jí)前端工程師可以使用現(xiàn)代工具包，在五天內(nèi)獲得他職業(yè)生涯的前五年的積累，雖然這話說的有點(diǎn)夸張。

他還認(rèn)為，現(xiàn)在開始對(duì)學(xué)位、專業(yè)性方面的要求沒有那么高了，當(dāng)下的機(jī)器學(xué)習(xí)工具包，正在成為標(biāo)準(zhǔn)開發(fā)工具箱的一部分。

在20世紀(jì)90年代，想要嘗試使用神經(jīng)網(wǎng)絡(luò)的工程師，通常需要從最簡(jiǎn)單的概念開始逐步延伸，對(duì)每一層的數(shù)學(xué)和原理都要理解和掌握。

今天，即使是初學(xué)者也可以使用Google Cloud AutoML等工具，幾乎可以毫不費(fèi)力的創(chuàng)建AI模型的各個(gè)方面，并產(chǎn)生有影響力的結(jié)果。

所有的復(fù)雜性都被抽掉了，但這是技術(shù)發(fā)展的規(guī)律，因?yàn)槌橄筮m用于越來越強(qiáng)大的工具?，F(xiàn)在已經(jīng)沒人為了學(xué)編程而去學(xué)習(xí)計(jì)算機(jī)構(gòu)造，就好像沒有人為了開車而去了解汽車的設(shè)計(jì)原理。

使用這些“一站式”工具包的現(xiàn)代開發(fā)人員，可能無法解釋模型的數(shù)學(xué)原理，但不妨礙他做出可用性非常高的模型和產(chǎn)品。

fast.ai的創(chuàng)始人、前Kaggle總裁杰里Jeremy Howard，在最近的推文中說：“我從未接受過正式的技術(shù)教育，我實(shí)際上沒有參加任何講座或教程，我認(rèn)為那都是在浪費(fèi)時(shí)間?！?/p>

機(jī)器學(xué)習(xí)當(dāng)前趨勢(shì)的影響十分驚人?；叵胍幌?，傳統(tǒng)雇用工程師、特別是在ML工程師的流程：首先我們需要應(yīng)聘者至少是學(xué)士學(xué)位；其次還會(huì)在意有沒有項(xiàng)目經(jīng)驗(yàn)，最后可能還要求有一定的工作經(jīng)驗(yàn)。

但從Nick的經(jīng)歷來看，如果把工程師定義為“擁有幫助客戶解決問題、以及提出解決方案能力的人才”，那么他過去幾年里親自合作過的最好的ML工程師，都是自學(xué)成才的，并且工作經(jīng)驗(yàn)不足5年！

因此Nick心中產(chǎn)生了疑問：在當(dāng)前這么容易就能夠?qū)W習(xí)ML，并產(chǎn)生非凡成果的時(shí)代，我們是否真的需要聘請(qǐng)一位“專業(yè)”ML工程師呢？是否真的需要卡ta的學(xué)位、工作經(jīng)驗(yàn)?zāi)?？甚至說，我們是否真的有必要專門去應(yīng)聘一位“機(jī)器學(xué)習(xí)工程師”呢？

他最終認(rèn)為，我們必須重新思考如何尋找人才。用開源神經(jīng)網(wǎng)絡(luò)庫Keras創(chuàng)建者Fran?oisChollet的話說：“最好的人是90％+自我教育，無論他們是否擁有斯坦福大學(xué)的學(xué)位；計(jì)算機(jī)科學(xué)的學(xué)位的附加價(jià)值越來越微不足道。“

可能大多數(shù)招聘經(jīng)理都認(rèn)為這種態(tài)度太過極端。但時(shí)代在變，Nick現(xiàn)在的做法是：從Kaggle比賽中尋找ML候選人，查看ta的GitHub項(xiàng)目頁，然后才是看他有沒有大學(xué)學(xué)位。

Nick堅(jiān)定的認(rèn)為，是時(shí)候取消對(duì)CS學(xué)位的要求，并預(yù)言未來機(jī)器學(xué)習(xí)工程師這個(gè)title終將消失。