未来 3~5 年内，哪个方向的机器学习人才最紧缺？

声明：仅做学术分享，侵删

关于哪个方向的机器学习人才最紧缺，小编整理了一些小伙伴的答案，尤其是，有些回答是2017年和2018年的，小编摘录并标注了一下时间，让大家看看3年前的回答，做一下对比。没标注回答时间的都是最近两年的情况哟。对这个话题感兴趣的，可以仔细看下。

（2017.09回答）目前最欠缺的是懂机器学习的产品人才，把技术真正落地。引用初敏老师的一段话：“最后，我觉得现在非常缺少产品设计方面的人才。之前说人工智能技术人员很欠缺，现在产品人员更欠缺。现在如果你想做一个人工智能产品，如果你自己没有技术，外接第三方的技术都能满足。所以在这种情况下缺的是什么样的人呢能将各个技术的各个应用信手拈来的人，知道技术的局限在哪里，能够扬长避短，以客户的角度思考问题，设计产品的人。”

（2017.09回答）我觉得有两类人才最紧缺，一是能够快速提供正确的解决方案的机器学习工程师，二是研究前沿问题的 机器学研究者，身处工业界，因此我主要说下第一类。

一.能够快速提供正确的解决方案的机器学习工程师

关于机器学习方面的研究有很多，但是真正能实现营收的是能够使机器学习落地的项目，这些工程师熟 悉多种语言，API和数据格式，以便能够使用任何开源代码或者是第三方代码。知道在什么样的人力资源 和项目时间的条件下，什么技术最有用。而这一类人才同时需要具备数据分析、算法选择、特征工程、交叉验证和解决问题的能力。因此，这一类人才需要具以下几个技能：
1.Python/C++/R/Java：精通这些语言，Python对于机器学习来说，是最重要的语言，而C++主要用来提升代码速度。
2.概率统计：机器学习的一大部分是基于这个理论，比如贝叶斯、高斯混合模型等等，都需要对概率有 一个确切的理解。
3。应用数学和算法：对于像支持向量机这样的判别模型，你需要对算法理论有一个深刻的理解。即使你 可能永远也不需要从头开始实现一个SVM，但它有助于理解算法是如何工作的。需要了解像凸优化，梯度 下降，拉格朗日，偏微分方程等。
4.分布式计算：目前大多数机器学习工作需要使用大型数据集。不能在一台机器上处理这些数据，必须 在整个集群上分发它。

二.研究前沿问题的机器学习研究者

这一类人才通常是解决一些不寻常的问题，他们会在现有算法的基础上，提出更好的解决方法。能够为 技术做出卓越的贡献。

（2018.10回答）第一个，我觉得应该是全栈式人才。现在缺少能够把需求、模型、算法、高效工程实现、部署和优化这些步骤扎实地做好的人。现在太多搞模型的，或者偏重某一方面的，距离解决实际问题是远远不够的。The devils are in the details！

另一个方面，我认为是AutoML。也许过几年，大多数常见的机器学习任务如检测、分类、分割、理解等都会有非常成熟易用的AutoML包。这时候就不太需要那些调模型的人了。此时应该重点关注对细致需求的理解力和抽象能力。当然，如果你本身就做AutoML，那更好了。

第三个方面，不可不谈的AI芯片。如果你对计算机软硬件结合有非常深的造诣，那应该在未来会比较稳妥。承接第一点，全栈式不仅指软件，还包括硬件。如果你能从底层出发，针对特定应用，自己开发，优化，部署你的方法，那才是软硬通吃，无敌手。

最后一点，也是最重要的，不管做哪个方面，能紧跟学术和工业界动向，快速入手新领域，才是我们立于不败之地的最大资本。

（2018.10回答）长远的看，机器学习是要回归到工程师的工具箱中的一个常用工具的位置（AUTOML是会加速这一进程的）。个人觉得3到5年还是蛮久的。

以业界工程师的标准来看，和前端/后端/ 络安全/大数据等等同样重要。一个合格的机器学习工程师当然要和其它方向的工程师以同一个标准要求：完成完整的应用组件的开发。具体来说也就是大家提到的需求、开发、测试、部署、维护、升级等等。

至于学界的标准，比如新算法、新框架等的研究，和工业界其它的方向一样，依托于企业的实验室和科研机构，针对特定的问题/数据提出局部更优的解决方案。

所以需要的人才也没有什么差别，对于工程师重要的是有交付能力的人才，对于做研究的当然是有高质量科研产出的人才。

来说说工业界的观点，工业界说白了就需要跨领域能够把机器学习落地的人才

因为，只有万分之一做算法的顶级计算机科学家可以做理论和框架上的深入研究（大部分都会开源），大部分人最好的道路就是做特定领域的专家

下面这个图很生动的说明了

下图是谷歌对Data Scientist的要求

一方面可能是因为目前市场上做这方面研究的人确实很少，即使招聘也找不到合适的人，都从内部培养开始；另一方面可能还是AutoML在实际工业界的应用效果还有待提高，虽然建模快，但是在数据量大，特征复杂的情况下是否可以达到工业界应用标准还有待商榷。

• 待遇：华为之前针对做AutoML的博士开到了200万的Package，这个方向相对于Data Scientist只会更好，而且好很多，当然前提是你得在 AutoML领域有一定建树。

1.3 图像&视觉算法工程师

目前市场上做计算机视觉的公司太多了，国内CV四小龙：商汤、旷视、依图、云从，个个都是在融资市场风生水起。虽然商汤和旷视今年都上市失败了，但之前融资都是融得钵满盆满。融资市场质疑的是它们能否形成规模化的商业落地，而不是质疑它们的技术以及CV技术在工业界的应用。CV技术在安防、城市大脑、零售线下门店数字化、工业质检等领域应用十分广泛。CV领域的AI公司应该也是AI领域最多的，同时很多甲方公司也在招对应的人才。这方面的人才未来3～5年还是紧缺的。

• 要求：下图是旷视科技的招聘要求，但是正常AI明星公司或者互联 大厂要求都很高。

• 待遇：目前市场上做算法的硕士应届生均价都是在30万以上，这个领域如果是真正的大牛也是可以开到很高的Package，认识一个朋友PhD，年薪资差不多接近了100万。

1.5 强化学习算法工程师

强化学习其实是我很看好的一个领域，Alphgo就是强化学习的产物，但是目前工业界应用的蛮少的。我了解到在自动驾驶领域貌似应用多一些，我司的业务基本没有接触到应用强化学习的。但学术界已经将强化学习应用到供应链配送的运筹优化上，同时腾讯发表的王者荣耀AI的几篇paper都是关于强化学习的。所以未来强化学习的应用场景会越来越多，而市面上相应的人才却很少。

• 要求：只找到了一家做自动驾驶公司的招聘要求，说明目前市场上对于此类人才的需求还不是很大。但未来3～5年肯定会有比较大的人才缺口，光游戏这一个领域就会有比较大的需求。

我们举个例子 – Churn，是公司流失预测，是预测谁将要离开的公司模型。比如一些电信公司试图找出在一家大型手机公司中哪些客户将要离开。这个结论的意义已经不大了，比如说模型结果说杰瑞几乎肯定会在下个月离开，这个结果并不是一个决策建议，因为如果这个人几乎肯定要离开离开，那么公司 HR 就可能没有什么可以做的 – 这个结果发现就已经太晚了。

因此，为了构建一个更好的模型（尤其是商业模型），这里介绍一个有用的小框架。在其中，描述了如何将机器学习模型变成赚钱的东西的经验。分为以下四个步骤：

写一个回答，算是总结一下自己的经验教训和所得。

既然是问最紧缺，而不是如何学，那么我的回答重点就放在方向上了，而不是高赞答案的那些入门知识上。

首先一点，对机器学习、深度学习的应用，请有信心一点。我之前也认为小厂主要靠骗钱为生，大厂主要是锦上添花，后来了解过不少，面试过不少公司，也面试过不少候选人，其实感觉大家都在认认真真做事。比如nlp，我之前还以为小厂就是搞一下像微软小冰一样完全没用的toy，后来也发现有公司在做车载对话系统，其实都和实业靠得很近。视觉是我的老本行了，现在做的公司很多，而且大家也都做的挺认真，安防衍生的跟踪，识别，视频结构化，etc，还有一些做芯片的，不得不说大家做的都很认真……

好了，吹了一波，现在说说我的意见，那就是，视觉、nlp每个分支都有前途，想去大公司多学nlp，想去创业公司多学视觉（按比例）；除此之外保证机器学习每个基础算法都玩的比较6。对于互联 公司，他们可以完全没有cv团队，但是必然会有nlp的应用，原因懒得讲。而cv则是创业的好下手点，所以这部分创业团队会多些。所以学好一个方向真的就够用了。

至于说为啥要学一些经典算法，其实也挺简单的。最简单的，nlp一般希望一个batch里的句子长短尽可能一样，所以聚类分析一下长短好做下一步实验有问题吗目标检测的时候希望初始anchor匹配的尽可能好，负样本不要太多，所以分析一下这个任务里的目标大中小、长宽比例，有问题吗出现这种任务的核心是我们希望我们有限的训练数据尽可能地向我们所希望的方向走，所以对数据的深刻理解就是必须的。当然，这个有点难，因为这是ml/dl中为数不多的依靠经验积累的东西，不过扎实地掌握一些经典算法，是个不错的开始。

感觉今天写的还是不够好，回去再思考一下，希望可以写的有条理一点。

看来题主真的是对机器学习非常感兴趣了，不然也不会提出这么有针对性的问题。刚好我在这方面有那么一点小研究（捂脸），过来班门弄斧了，可别笑我。我觉得下面这两种类型的人才将会在近3~5年内成为机器学习方面的紧缺型人才。

1、神经语言程序员

随着企业云的快速发展，华为等许多家企业也越来越重视通过 络来倾听用户的反馈，及时和用户进行沟通。神经语言程序员可以帮助企业更好地总结用户对于个性化产品的需求信息。搜索公司大量需要这样的职位来处理相关的工作，在研发机构也设有神经语言程序的研究岗位。

2、图像处理工程师

在大数据兴起时，更多的互联 公司开始设立图像处理的岗位。在未来几年内，随着技术的突破和外围配套（包括法规或者硬件等）的成熟，图像处理的岗位会有大的爆发，不论是在公司内部的提升，还是未来创业，图像处理工程师的发展机会都会越来越多。

最后要多说一句，机器学习的路上没有捷径，想要成为机器学习的技术大咖，必须脚踏实地的抱住某项独特领域，努力学习才行。

☆ END ☆