資訊專欄INFORMATION COLUMN
摘要：很長一段時間以來，我注意到很多自稱深度學習專家大咖的人，其實名不副實。大多數公司不知道如何辨別這些所謂的專家，面試官也不懂深度學習，不在乎。所以當這些專家的深度學習解決方案不行時，這些公司就會認為一切只是一場炒作。
進入門檻太低正在毀掉深度學習的名聲！
這么一篇標題“憂心忡忡”的討論帖，毫無意外的在reddit上炸了。為什么發起這么一個討論？先看看原po主是怎么說的。
很長一段時間以來，我注意到很多自稱深度學習專家、大咖的人，其實名不副實。這些人沒有機器/深度學習的教育或者研究背景，只是裝上TensorFlow運行了一些GitHub上搞來的代碼，然后就自認專家，寫博客、寫教程、甚至出書。
這讓我很困擾，這破壞了深度學習的名聲。大多數公司不知道如何辨別這些所謂的“專家”，面試官也不懂深度學習，不在乎NIPS、ICML。所以當這些“專家”的深度學習解決方案不行時，這些公司就會認為一切只是一場炒作。
隨著這種情況越來越多，持懷疑態度的人就越來越多，連內行都開始談論泡沫了。大家怎么看這個問題？你們同意我的看法么？以后應該怎么辦？
然而這個討論，很快變成學術派和工程派的爭執……
不少人跟帖反對上面這個論點，核心思想可以大概總結為：多研究些問題，少談些主義。量子位從中摘錄部分觀點，改寫如下：
與po主的觀點相反，開放性或者說“門檻低”是機器學習社群較好的部分之一。這個社群不會因為身份而把人拒之門外，對所有人都持歡迎態度。
大多數公司更需要的是工程師，而不是研究員。現在大部分工作都是基于標準技術，然后應用到特定的業務中。不用搞什么新研究。
根據我的經驗，一個優秀的教授可以提供很多好主意，讓20多個優秀的工程師忙碌起來。這個搭配是合適的。通常至少需要一個（可能也只需要一個）優秀的教授，以及一個聰明的工程師團隊來支持他。
誰知道如何應用機器學習來解決業務需求？誰定義了模型的輸入和輸出？誰保證了數據的可用性？誰分析了結果？誰解決了問題？
如果是工程師完成了這一切，那就不是一個簡簡單單的工程師。你永遠需要那些能夠洞察業務需求，將其映射到正確的問題和答案上，并轉化為可靠生產代碼的人。
反對這種分類和對立。許多研究員也很擅長在現實世界中應用這些知識。不過有能力用機器學習來解決問題，和說自己的機器學習專家是完全不同的。
這個爭論很大程度上，源于工程師缺乏必要的認可，導致一些人不得不“假裝”成科學家。不往NIPS、ICML投論文，并不意味著他們不了解深度學習的基本原理。誠然，即使進入門檻比較低，仍然沒有足夠的深度學習工程師來滿足需求。
這個領域急需有經驗的機器學習工程師。
不是數量，而是質量
到底缺什么樣的人？
Forrester研究公司近日調查顯示，在2018年，科技公司還會為高質量軟件人才漲薪，漲薪幅度高達20%。
程序員如此稀缺嗎？不，是高質量的工程師達到了前所未有的稀缺。
在過去的幾年中，軟件工程師就是求職市場的香餑餑，是美國對就業最挑剔的一類人。大家普遍認為，在2018年這種就業形勢不會變化。
來自Forrester研究公司的一份市場調查預測，在吸引重要數字人才方面落后的雇主會支付比高出市場20%的薪資招攬人才，尤其是在需求的技能方面。這些人才包括數據科學家、高級軟件開發人員和信息安全分析師等。
軟件工程人才短缺不是缺少自稱為是“工程師”的人，而是缺乏有經驗、高質量、對軟件工程有深度理解的工程師。
這張美國地區科技人才的薪資統計圖，或許可以窺見優質工程師的稀缺程度：
真正的“軟件工程師”
只了解一種編程語言就是工程師啦？Naive，還差的遠。就好比會說基本的西班牙語和優秀西班牙語老師之間的巨大差距。
在我看來，軟件工程師是問題解決者，專門決計算機科學中系統應用上的各種問題。他們必須深度了解邏輯語法才能將想法轉化成機器可理解的語言。
慢著，僅僅實現別人的想法還不夠，工程師需要構建創新性的想法。此外，這些想法不僅僅需要在本地開發環境中運行，還需要在大型任務上表現良好。
受歡迎的軟件工程師一定是個問題解決者，而不僅僅是碼農（coders）。
雇傭和教育挑戰
高質量人才的稀缺有以下5個原因：
缺乏經驗
缺少工作技巧/技術技巧
求職者過于追求高薪
缺乏軟技能/工作能力
缺乏正規的工程教育
到2022年，美國每年需要的專業人才和大學畢業生人數對比
從上圖可以看到，計算機技術的相關職位空缺比授予學士學位的畢業生人數多的多。
現存挑戰
獵頭公司TekSystems的調查顯示，70%的IT領袖表示他們的公司費盡心思想留住頂尖IT人才。為什么出現這種情況？IT人才為什么會頻繁跳槽？可能有以下幾點原因：
公司沒有為員工提供職業規劃
將軟件工程視為一項基于任務的工作
沒有意識到留人的重要性
項目停滯
沒有為員工提供足夠的成長機會
員工缺乏志同道合的同事
減輕人才短缺
強迫每個有潛力的工程師參加四年正規計算機科學培訓不是一個現實的解決方案，也對人才短缺于事無補。雖然接受過正規理論教育是工作的基礎，用基礎知識解決問題的能力是通過項目經驗和導師指導獲得的。
學校教育和企業需求有條巨大的鴻溝不容忽視。現代技術棧非常復雜，包含了各種不同的框架、反應性經驗（reactive experience）、AI、機器學習和集成測試等知識，這些知識在常規的高等教育中涉及很少，除非你找到在專門研究某一特定領域的項目。
“比如說，很多中小企業不會提供崗位培訓，卻要求員工旗開得勝，但幫助他們完成這些任務的技能是在學校里無法學到的。這不僅僅是美國面臨的問題，是全球問題。”IT招聘公司Kyyba的國際工程師Ganesan表示。
需要軟件工程師旗開得勝的公司就是加速高質量人才短缺和工資飆升的“罪魁禍首”。
企業是時候應該注意人才定向定向培訓問題了，他們可以通過一些嘗試強化自己的工程人才庫：
招募可被引導和培養的可塑新興人才，構建員工培訓計劃。
為沒有接受過正規培訓的新興人才提供教育激勵機制。
也就是說，這里還存在一個更廣泛的問題：即使崗位需要，但美國只有少數學生取得了計算機科學的學位。
授予計算機科學學士學位的人數
最后看一下中美人才數量對比，美國STEM專業（科學、技術、工程和數學）的應屆畢業生在2016年有568000人。中國的人口大約是美國的四倍，但STEM畢業生數量是美國的9倍。
不同國家STEM應屆畢業生人數對比
雖然中國的STEM畢業生占比遠遠大于美國，但畢業生的總體質量才是真正緩解人才短缺的因素。除此以外，缺乏培訓計劃、堆棧越來越復雜、不連貫的正規教育及缺乏解決問題的經驗均為短缺的重要原因。
歡迎加入本站公開興趣群商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/4667.html
摘要：應屆生零基礎可以學習軟件測試嗎俗話說，人怕入錯行。霸哥這里分別從入行難度入行方式行業前景薪資待遇四個方面來分析一下。目前市場上的測試人員，一部分是企業自己培養的，另一部分是來自培訓機構。軟件測試的行業門檻低，市場需求量大。 ...
摘要：及時是對于大多數行業內從業者，對區塊鏈的認知也參差不齊。應用門檻偏高區塊鏈應用門檻高主要體現在對用戶不友好。對于區塊鏈無法直接獲取鏈外信息的問題，解決方案就是預言機。我們意識到這是阻礙區塊鏈生態發展和去中心化應用大規模普及的一個重要因素。 2018年初區塊鏈掀起了一陣新熱潮，多家互聯網公司紛紛宣布推出區塊鏈項目，新興的區塊鏈項目方和媒體百家爭鳴，一時之間區塊鏈行業風光無限。 區塊鏈概念...
摘要：而且大專學歷也徒增額外的打擊，本科學歷的硬性招聘要求一下子篩掉了很多工作機會。突破學歷限制，內推被技術總監破格聘用我抱著試試看的態度，把簡歷發了過去。面試官看起來也很滿意，也當場告訴我面試通過了。 ...
摘要：如果你的目標是成為數據科學家或機器學習工程師研究員，那么有博士學位會給你加分不少。當然，有些人更喜歡學術研究，而不是在行業中運用數據科學或機器學習。二碩士學位入行數據科學需要碩士學位嗎視情況而定。 showImg(https://segmentfault.com/img/bVbm5Mw?w=850&h=566);作者 | Jeremie Harris翻譯 | MikaCDA 數據分析師...
閱讀 3063·2021-10-12 10:20
閱讀 2808·2021-09-27 13:56
閱讀 790·2021-09-27 13:36
閱讀 1424·2021-09-26 09:46
閱讀 2417·2019-08-30 14:02
閱讀 2685·2019-08-28 18:14
閱讀 1257·2019-08-26 10:32
閱讀 1700·2019-08-23 18:25
