機器學習工程師團隊負責人、Looker的首席產(chǎn)品官，以自己十幾年的從業(yè)經(jīng)歷，以及對當下機器學習領(lǐng)域的觀察和思考，認為未來機器學習準入門檻不斷降低的前提下，“ML工程師”這個title將會消失。

我們可能正處在一個不再需要機器學習領(lǐng)域正規(guī)教育的變革階段。

Looker首席產(chǎn)品官Nick Caldwell，是一位機器學習從業(yè)者，有著管理ML團隊十多年的經(jīng)驗，而他最近有點被刺激到。

他的一名初級前端工程師決定利用黑客馬拉松時間，去探索機器學習。通過fast.ai的在線課程，這位初級工程師獲得了快速設置和部署TensorFlow模型的基礎(chǔ)知識。

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)，他就做出了有實際應用價值的項目，并創(chuàng)建了一個可以在公司內(nèi)部生產(chǎn)系統(tǒng)中可實施的ML模型。幾周后，已經(jīng)能夠看到改模型對運營目標產(chǎn)生了可衡量的影響。

Nick在大學的時候，曾經(jīng)認真系統(tǒng)的學過ML，并且在剛畢業(yè)就從事機器學習相關(guān)的工作，但是這位初級工程師的經(jīng)歷，讓他開始重新審視他自己，以及機器學習這個領(lǐng)域。

他發(fā)現(xiàn)，機器學習已經(jīng)進入到一個準入門檻非常低的階段。他甚至懷疑，這位初級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，雖然這話說的有點夸張。

他還認為，現(xiàn)在開始對學位、專業(yè)性方面的要求沒有那么高了，當下的機器學習工具包，正在成為標準開發(fā)工具箱的一部分。

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

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

所有的復雜性都被抽掉了，但這是技術(shù)發(fā)展的規(guī)律，因為抽象適用于越來越強大的工具。現(xiàn)在已經(jīng)沒人為了學編程而去學習計算機構(gòu)造，就好像沒有人為了開車而去了解汽車的設計原理。

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，我實際上沒有參加任何講座或教程，我認為那都是在浪費時間?！?/p>

機器學習當前趨勢的影響十分驚人?；叵胍幌拢瑐鹘y(tǒng)雇用工程師、特別是在ML工程師的流程：首先我們需要應聘者至少是學士學位；其次還會在意有沒有項目經(jīng)驗，最后可能還要求有一定的工作經(jīng)驗。

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，都是自學成才的，并且工作經(jīng)驗不足5年！

因此Nick心中產(chǎn)生了疑問：在當前這么容易就能夠?qū)W習ML，并產(chǎn)生非凡成果的時代，我們是否真的需要聘請一位“專業(yè)”ML工程師呢？是否真的需要卡ta的學位、工作經(jīng)驗呢？甚至說，我們是否真的有必要專門去應聘一位“機器學習工程師”呢？

他最終認為，我們必須重新思考如何尋找人才。用開源神經(jīng)網(wǎng)絡庫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的學位；計算機科學的學位的附加價值越來越微不足道?！?/p>

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

Nick堅定的認為，是時候取消對CS學位的要求，并預言未來機器學習工程師這個title終將消失。