如何为机器学习和人工智能的职业生涯做准备

保持领先是当今科技专业人士的口头禅。 随着技术和相关流程的发展，在该领域工作的人必须更新他们的技能，甚至在必要时更新他们的职业生涯。

一些传统的服务台、系统和网络管理员的角色正在逐渐消失，取而代之的是需要更丰富和更多样化的技能。 机器学习(M L)和人工智能(A L)是两个不断进入IT世界的领域。 寻找未来技术职业的人会很好地熟悉ML和AI。

我和云提供商平台Paperspace的首席执行官Dillon Erb谈过，想了解更多信息。

斯科特·马泰森：在ML/AI领域，什么样的教育背景是有帮助的？

迪伦·埃布：我最近听到了一个有趣的统计数据：今天大约70%的深度学习或人工智能从业者还在学校。 因为这是一种新兴的技术，它吸引了来自各种学科的人，我们还没有真正的先例。

真理是，今天空间中的大多数优秀实践者要么是自学成才，要么是来自一个完全不同的领域(即。 不仅仅是计算机科学或编程)。 一个坚实的统计学和传统数学背景总是有帮助的-在一个研究领域的经验也是一个很大的好处。

还有许多在线课程，如快速人工智能和Udacity，以及所有大型技术参与者提供的大量资源，以帮助自己成为一名人工智能开发人员。 精通数据方面是关键，特别是Python，因为它是主要语言。 然后在另一边，有更传统的软件体系结构。

一般来说，今天我们有很多人，他们要么在软件方面真的很好，而在数学或统计方面却不太好。 增加或平衡你在软件和数学方面的知识水平和经验将使你在就业市场上占有显著优势。

斯科特·马泰森：传统的IT技能有什么帮助？

迪伦·埃布：它今天面临的挑战是ML/AI是新的。 这是一种新的工具，他们必须了解它以前不存在。 所有传统的IT技能仍然非常有帮助和前进，将更多地关注机器学习工具如何与已经部署在组织中的所有现有系统堆叠。 但是，现在，关于如何增加组织内部的协作或知名度，以及如何为所有利益相关者增加更多的洞察力，仍然存在一些问题。 一个IT部门不一定与任何一个部门有关，但要确保在一个单位做出的决定可以被转移到另一个领域，如果它是成功的，或者为组织的其他部分增加鸟瞰度。

这在数据科学或机器学习的背景下特别相关。 今天信息技术关注的一个问题是，没有关于人工智能/ML的最佳做法。 令人担心的是，从业人员与系统跨不同部门一样处于孤立状态，这些从业人员没有为他们的模型构建或软件使用版本控制，他们很难阻止这些人孤立地运行。

我相信我们会看到对新机器学习工具的更大需求，以便在传统的IT环境中更好地发挥作用。

斯科特·马泰森：传统的IT技能如何不相关？

迪伦·艾尔布：我相信机器学习宇宙最终将不得不遵循一个传统的IT过程，而不是相反的方式。 我之所以这么说，是因为IT至少在大型组织中有广泛的举措，如数字化或协作，或者围绕提高开发人员的速度而采取非常高级别的举措，同时仍然保持对外部利益相关者的知名度。

这些都将继续非常强大，但必须发生的是，机器学习小组，正如我们前面讨论过的，需要是数据科学家和DevOps人的混合体。 它必须适应这种协作单位，并试图找出它在组织中的存在位置。

在一些领域，人工智能和机器学习可能取代传统IT的某些方面，如威胁分析、异常检测等。 最终，我认为这真的只是工具箱中的另一个工具。

斯科特·马泰森：建立ML/AI开发团队所需的当前技能是什么？

狄龙·埃布：有三套基本技能要找。 第一种是一般属于数据科学的东西，有时甚至是BI工具，它是一个能够收集和清理现有数据，并提供对这些来源的洞察力的人。 然后，你有一群新兴的人工智能人，他们可能不太关注数据收集方面，更多地关注建立对这些数据的洞察力。 第三个技能集涉及一个DevOps人员，他们可以加入建立模型和预测引擎的团队。

一个真正杀手级的人工智能团队将统计学家或数据科学家的技能以及我们通常称之为人工智能或深度学习的一些更现代的工具与DevOps的人混合在一起，他们可以使用这些模型并真正推动它们的生产。 今天，这两套技能之间有很大的差距。

斯科特·马泰森：ML/AI开发者的就业市场是什么样子的？

迪伦·艾尔布：从卖方市场的意义上说，它仍然很有竞争力。 如果你精通较新的机器学习和人工智能工具，你会做得很好。 在过去的一两年里发生的变化是，那时任何一个能远程理解这些东西的人都会有工作。 今天，在寻找专业知识和奖励这些专业知识方面存在着巨大的压力。

有人进入就业市场，对这些工具有点熟悉，但无法插入所有现有系统，这远远不如有人能够在一个已经拥有许多系统和许多现有工具的组织内运行人工智能，这些系统和工具都围绕着数据收集/部署等。

斯科特·马泰森：什么新的领域正在被打破？

迪伦·埃布：现在最令人兴奋的领域是汽车ML。 机器学习模型很难创建。 他们需要专家。 所以问题是，你如何制作能够自动发现有效神经网络或有效机器学习模型的工具？

另一个新的开创性领域是强化学习，通过这种学习，你可以创建一个系统，在某种意义上，机器学习模型可以训练自己。 我也会列出合成数据。 这个想法几乎所有的机器学习都受到机器学习算法可用数据的限制。 有令人兴奋的新方法来生成新的数据，比如使用机器学习生成数据，然后训练其他机器学习模型，这有助于引导整个过程。

SEE：管理AI和ML的企业2019年：技术领导者期望比以前的IT项目更困难（技术专业研究）

斯科特·马泰森：什么工作可能会受到ML/AI的威胁？

Dillon Erb：毫无疑问，ML/AI将导致文件输入等某些领域的工作转移，这种机器学习模型可以更有效和/或更具成本效益。 在某些领域收集数据是另一种可能性。 我确实认为这项技术也会创造许多新的工作，因为当这些系统在线时，你需要能够监控它们，分析它们，描述它们，思考它们，并利用它们的人。 一般来说，工作会有变化，但我对整体工作增长的情况感到乐观。

斯科特·马泰森：你建议在任何威胁地区的现有人员如何保持竞争力？

Dillon Erb：人工智能的一个危险是，在目前的形式下，它似乎注定要由少数专家或能够获得极大数量数据的人控制。 我相信，一般来说，作为一个社会，或作为一种文化，我们需要投资于更好地理解这些系统，以便它们不再是黑匣子。 事实上，它们是我们可以集体谈论的那种东西-它们是如何表现的，以及它们为什么存在。

SEE：如何成为机器学习工程师：一份备忘录（技术共和国）

斯科特·马泰森：对于ML/AI和在外地工作的人员来说，你预见到了什么？

迪伦·艾尔布：现在的大动作是从研发进入生产。 过去几年来，许多公司、个人和研究人员投资学习这项技术。 现在的大问题是如何将它带入一个不仅仅是测试用例的真实环境。

长期的趋势是，这是一个更大的主张，但我相信机器学习和人工智能将被纳入其他业务实践。 从这个意义上说，它不再是独立的实体，而是它实际上的核心，就像公司过去拥有网络团队和移动团队一样，但最终，它成为了一个做移动以及网站的应用团队。

毫无疑问，对于那些强烈关注它的人来说，AI/ML是一种根本性的变革技术。 尽管如此，关于它的界限，它的界限仍然有许多悬而未决的问题。 其中有些是技术问题，有些是文化、政治和政策问题。 我相信技术的未来在很大程度上是没有定义的，所以我会鼓励每个人投资更好地理解它。