知乎熱議：未來3到5年內，哪個方向機器學習人才最稀缺？
未來3到5年內，哪個方向的機器學習人才最緊缺？今天我們就來梳理一下。全棧式工程師在初創公司受歡迎，領域專精的算法人才在大公司很吃香，應用型人才能夠快速提升業務，而工程化是落地的重要一環。
AI專業畢業后好找工作嗎？
此前，知乎上一位CV專業的985高校研究生曾坦言，當初選擇該方向時，深度學習正處于大熱階段，無人駕駛，人臉識別聽起來就很高大上，似乎人人都想往這方向轉。
然而，到了找工作的時候，這哥們發現就業形式和他想的相差太大：
最近陸陸續續有公司開始秋招的提前批了，計算機視覺崗位招的清一色算法工程師，沒有論文，或者大賽獲獎的找到算法崗的簡直不要太難，周圍的同學都開始紛紛轉Java開發，自己也開始慌了。
想到學了兩年的CV，最后工作找不到，一時間十分失落，感覺如果去做Java開發，還不如本科一畢業就出去工作，完全沒有讀研的必要。
那么，機器學習大規模發展是不是只是個幻覺？未來3到5年內，哪個方向的機器學習人才最緊缺？
這可能是每個正在學習這個專業的人，最為關心的。
華為云開發者社區表示，目前機器學習人才還是稀缺。
每人每天至少產生1G以上的數據，還有大量的數據尚未加以利用。每一個垂直細分的應用場景，都可以通過機器學習產生應用價值。這也就意味著相關領域的人才大量的稀缺。
總結起來，主要有以下幾個方面的人才最為稀缺。
靈活解決問題的全棧工程師
全棧工程師是指掌握多種技能，勝任前端與后端，能利用多種技能獨立完成產品的人。
中科院大學，計算機應用技術博士王晉東表示，全棧式的人才最為稀缺，現在很多搞模型的，或者偏重某一方面的，距離解決實際問題是遠遠不夠的。
而人工智能全棧工程師比通常意義的全棧工程師更復雜一些，難度也更大，主要是算法實現跟傳統的全棧區別很大，從應用層級來講，分計算機視覺、自然語言處理、語音識別三個大方向。
細分的話就更多了，計算機視覺方向來說又可細分為目標檢測、姿態估計、人臉識別等，所以要做人工智能全棧需要投入更多的精力，也需要對各個方向的算法有深刻理解。
人工智能全棧通常是基于大廠的云平臺進行開發，人工智能領域很多基礎的組件已經封裝好，對業務和整個項目的架構有了全面了解，就可以上手開發了，需要結合業務快速變現的場景，對「全棧」的需求會多一些，在普遍繁榮時期是可以大有作為的。
但人工智能全棧工程師發展如何，還要看整個行業大形勢，如果各個方向都開始優勝略汰，「全棧」是缺乏核心競爭力的，因為算法是別人的。
專精一個領域的算法人才
有知友提到，專精一個領域的算法人才會比較吃香。
這里算法人才包括算法研究員和算法工程師。
算法研究員致力于解決更通用，更抽象的問題，如何解決GAN訓練時的穩定性等，而算法工程師更多關注如何解決問題，比如某個場景下出現了badcase，我就想辦法解決問題，是數據預處理，還是參數需要調整。
此外能快速復現論文結果的算法研究員也是各大公司爭搶的香餑餑。因為學術界很多新成果只有一個描述，并沒有給出源代碼，想應用它的研究成果，需要自己實現，所以能快速復現論文的算法研究員對公司來說也是很有價值。
我們去招聘網站搜算法崗，可以大體看出資深算法專家薪資上限很高，但是崗位需求并沒有算法工程師多，畢竟企業還是要賺錢的，所以算法工程師（尤其是推薦方向）也很有市場。
研究員覺得工程師的活沒技術含量，工程師可能會覺得你天天整些虛的又解決不了問題，紙上談兵。算法作為一個公司的核心資源，兩者其實都有發揮的空間，跟公司的業務需求關系很大。
做算法研究也好，工程也好，選對方向很重要，單從行業飽和度來說，圖像也就是視覺方向確實人滿為患了，語音又特別難，而且缺乏大量的可用數據，自然語言處理方向倒是可以考慮一下。
一來各種SOTA模型大多針對英語的，到中文有個遷移問題，二來中文跟英文在文法、語義方面存在差異，有很多空白研究領域。
知乎答主紫杉舉了一個例子，什么是精通一個領域。
他的一個名叫伊森的同學，從伊利諾伊香檳畢業（計算機專業名校），讀了兩年計算機研究生，是一位非常優秀，有自學能力的學生。
結果面試時伊森沒能應聘成功。伊森的背景和很多進入人工智能領域的人很相似。答主分享了下面一段對話：
最后伊森還問他，如何在一周內精通自然語言處理，然后答主只能告訴他不知道。
這個例子表明，有些同學擅長快速學習，卻很容易陷入每一個領域都想學的陷阱，到頭來覺得學了很多，實際遇到問題就無從著手，或者浪費很長時間尋找問題根源。
如何才算精通一個領域？說自己精通某一領域，在人工智能領域往往是不太恰當的。現在無論是硬件還是算法都在快速的迭代，今天的SOTA明天可能就成兜底了，只有不斷迭代自己的知識，才能跟上業務和場景的發展，讓自己不落下風。
熟悉業務又懂算法的應用型選手
另外，既懂算法，又有某一行業的豐富經驗也很重要。機器學習雖然是通用技術，工程師也基本是計算機出身，但落地需要具體到行業應用，如何結合行業實操，解決實際問題。
中國科學院大學研究員表示，短期內最缺的肯定是應用型人才。
很多行業想轉型為數據驅動或者AI賦能的，借助于外包或者咨詢公司通常很難成功，因為缺乏行業經驗，這時從傳統行業轉型到人工智能的應用型人才就至關重要了，他們對機器學習的研究本身就植根于業務需求，所以更接地氣，落地也更快。
中科大研究員舉了一個很生動的例子。
很多高校的財務人員，每天大量重復性勞動，處理發票、報銷單，將紙質單號手動輸入電子系統里，過程非常的麻煩。但其實高校及科研單位研究計算機視覺、文字識別、目標檢測的團隊枚不勝數，為什么不能用機器學習的方法來節省時間呢？
這個例子就暴露了一個問題，大多數機器學習研究關注的是模型本身，是否是業界最先進的（SOTA），卻忽視了算法的適用對象以及實際的應用場景。因此，最稀缺的是既懂算法又能將算法進行落地轉化的人。
答主微調拋出金句「對于絕大部分人而言，努力成為交叉領域的熟手，比成為計算機科學家要現實且有意義。」
學術模型工程化人才
算法要落地為產品，還需要模型的工程化，如果這塊能夠深入，那么必然是不可多得的人才。
像抖音的推薦系統，如何解決海量數據擁堵，移動端優化等工程上有非常多的挑戰。
結合上文答主紫杉舉的例子。
Nihil (尼希爾）是另一個他認識的研究生，也是從伊利諾伊香檳大學畢業。他之前在LinkedIn（領英）做大規模搜索（Scaled Search），專門負責把理論算法擴大到工業場景中，擅長搭建后臺，有很強的工程背景。兩年的斯坦福計算機碩士后，現在被Snapchat找去做大規模視頻搜索算法。
相比于上文的伊森，他是公司更想要的人才。為什么呢？
因為他在領英和Snapchat這樣的大公司做大規模搜索的算法，這其中的工程難度和實驗室是不可同日而語的。
任何人都可以跑一個LSTM，但是當訓練數據極具擴張時，LSTM需要跑3天才能見完所有的數據，在這個情況下，就需要更工程化的實現，做分布式計算或者優化算法本身的效率，使用更快的數據結構等。
這樣的場景就需要有研究背景的人才，能夠結合學術前沿切實的解決工業上的難題，深度學習50%是學術，50%是工程。現特斯拉AI主管Andrej Karpathy主要就是干這活的。
此外，很多人提到調參工程師。
一位中國科學院大學計算機應用技術博士表示，AutoML越來越受重視，技術含量不高的調參工程師未來很可能被取代。
最后值得一提的是像Bengio、 Hinton這些深度學習領域的神級人物，當然是很需要，但是這類人才真的是可望而不可及。
