為什麼機器學習工程師嚴重短缺？
人們通常所說的「機器學習」好像只代指一門學科，但實際上機器學習包含兩個學科——如果商業圈還沒有意識到這兩者的區別，就會遇到許多麻煩。
兩個機器學習的故事
這就像是雇一個糕點師給你製造烤箱，或者雇一個電氣工程師給你烤麵包。在機器學習方面這種錯誤反覆出現在商業圈裡。
如果要開個烘焙店，顯然應該雇一個經驗豐富的糕點師，因為他擅長烘焙蛋糕和面點。當然你還需要一台烤箱，不過儘管烤箱很重要，但我敢肯定你不會要求糕點師懂得怎樣製造烤箱。那為什麼你的公司要關注機器學習呢？
你的公司是烤麵包的？還是做烤箱的？
烤箱製造和烤麵包是不同的行業！然而，太多機器學習項目都失敗了，因為團隊不知道他們該做微波爐，還是該研究麵包配方，還是該烤麵包。
機器學習研究
那些機器學習課程和教科書沒有告訴你的是，那些都是教你怎樣從零開始製造烤箱（和微波爐，打蛋器，吐司機，水壺，甚至廚房水池！），並不是教你怎樣烹飪和研究配方的。
如果要研究機器學習演算法，你的目標是那些給別人使用的通用工具（如果非要打比方的話，就是廚房電器）。這個行業叫做機器學習研究，通常由學術界或Google負責。
然而說起機器學習，許多公司都搞錯了行業。
今天，廚房電器已經變得非常複雜，你要是不知道微波爐的原理，怎麼可能製造微波爐呢？你肯定需要專門去學習！成為研究者需要多年的學習，而且入門課程一般是從微積分開始的。
機器學習應用
許多商業公司只是想烹飪而已——即解決他們的商業問題。他們對銷售微波爐不感興趣，但卻經常犯從零開始做微波爐的錯誤。不過也沒法責備他們，現在媒體宣傳和教育生態圈完全專註在機器學習研究上，而不是應用上。
如果你想用配方來烹飪，就別再重新發明輪子了。那些微波爐都已經造好了，可以從許多地方免費拿來使用（https://www.altexsoft.com/blog/datascience/choosing-an-open-source-machine-learning-framework-tensorflow-theano-torch-scikit-learn-caffe/）。甚至如果你覺得布置自己的機器學習廚房是個繁重的活兒，Google Clould Platform（https://cloud.google.com/）等供應商可以讓你用他們的廚房，什麼電器（https://cloud.google.com/ml-engine/）、調料（https://cloud.google.com/public-datasets/），連烹飪書（https://cloud.google.com/apis/）都是預備好的。
如果你想在廚房裡烹飪，就別再重新發明輪子了。
絕大多數應用中，你的團隊不需要知道神經網路背後的反向傳播數學原理，就像廚師不需要理解微波爐的線路圖。但想要經營一家工業級別的廚房，還是要懂得不少東西，從原材料管理到檢查菜品是否合適等等。
你賣的是什麼？答案將決定應該僱用哪個團隊。
機器學習的毀滅
不幸的是，許多業務都沒能用機器學習產生價值，因為他們沒意識到應用和演算法研究是兩種完全不同的學科。相反，他們試圖招募那些畢生都在製造微波爐零件，卻沒有任何烹飪經驗的人來組建廚房。
還有比這更錯誤的事情嗎？如果這能成功，那隻能說明他們運氣好，正巧雇了個擅長烹飪的工程師。
但通常你的運氣不會這麼好。人的一生只有那麼多時間，如果你學了怎麼做微波爐，那麼掌握烹飪藝術的精力就少了。你雇的那些擁有博士學位的人工智慧研究員們，是什麼時候、從哪裡學到應用機器學習所需的技術的？要是你只想找兩方面都精通的人，就難怪你會抱怨人才短缺了！
如果招募那些畢生都在製造微波爐零件，卻沒有任何烹飪經驗的人來組建廚房，那還有比這更錯誤的事情嗎？
那你應該雇誰呢？就像工業級廚房一樣，你需要懂得這個領域，並且擁有領導能力的跨界人才來組建團隊。否則，項目不可能成功。
僱傭正確的團隊
如果你賣的是尖端的廚房電器，就應該雇研究員。如果你賣的是創意食物，就應該僱傭那些懂得烹飪的人，以及懂得目標的人（決策者和產品經理），懂得供應商和客戶的人（領域專家和社會科學家），懂得原材料大規模處理的人（數據工程師和分析師），懂得如何快速實驗不同原材料和電器的組合以創造配方的人（應用機器學習工程師），懂得檢查配方質量的人（統計學家），懂得如何調整配方以快速生產幾百萬份事物的人（軟體工程師），保證各個圈子的人一起工作的人（項目經理），還有懂得即使供應商給你送了一車土豆而不是訂的大米時也能保證食物質量的人（可靠性工程師）。
儘管這些角色並不一定是不同的人，但要保證不能缺少哪個角色。你要是覺得我說的太不全面，想朝我扔西紅柿的話，我承認招募應用機器學習的團隊方面還有許多話題可以談。這個話題先留到以後再說。
說起外包，如果你的團隊嘗試了所有已有工具，還不能做出滿足商業目標的配方的話，那麼可以考慮增加一些製造電器的人（研究員）。根據你的業務的規模需求和成熟度，你可以永久僱傭，也可以考慮外包給某個經驗豐富的演算法研究公司。
另一個能用得上研究員的情況是，你的原型非常成功，值得造一台定製的電器進行大規模生產。
決策智能
這是專家們應該討論卻沒有討論的問題。他們不承認有兩種機器學習，因此整個世界都在培訓製造演算法的人，而不是應用演算法的人。
我的團隊正在解決這個問題。我們建立了個新學科來覆蓋應用機器學習，我們已經訓練了超過15000名人才。我們稱之為決策智能工程，它設計了所有機器學習和數據科學的應用方面。
換句話說，如果機器學習研究是造微波爐，應用機器學習是使用微波爐，那麼決策智能工程（https://www.youtube.com/watch?v=x1k37Na1iLc）就是安全地使用微波爐完成目標，以及在不需要微波爐時如何使用其他電器。
寫在最後
說起應用機器學習，最難的部分就是找出想要做的菜品，以及怎樣在上菜之前做檢查。其實這部分不是太難——只要別忘了做就行（https://medium.com/@kozyrkov/imagine-a-drunk-island-advice-for-finding-ai-use-cases-8d47495d4c3f）。
至於其他部分，使用機器學習解決商業問題遠比大多數人想像的容易。那些嶄新的廚房等著你去用呢。像真正的廚房一樣去試試吧！我見過太多認為自己應該參加一門傳統的機器學習演算法課程——哦天啊，那可是一整個學位啊！——才能開始機器學習的人，我不禁想像，他們只有在自己學會怎麼造微波爐之後才不會拒絕使用微波爐。
別被謊言欺騙了，搞機器學習不需要博士學位。相反，你真正需要的是人類的創造力（https://medium.com/@kozyrkov/imagine-a-drunk-island-advice-for-finding-ai-use-cases-8d47495d4c3f）。好好玩吧！
原文：https://hackernoon.com/why-businesses-fail-at-machine-learning-fbff41c4d5db
作者：Cassie Kozyrkov，Google的首席決策智能工程師。
譯者：彎月，責編：郭芮
TAG:CSDN |