【導(dǎo)讀】一份不喜歡的工作,卻擁有著行業(yè)頂薪,是去還是留?最近一位reddit小哥發(fā)帖表示永遠退出機器學(xué)習(xí)界,只因行業(yè)風(fēng)氣太浮夸,更喜歡和數(shù)學(xué)相關(guān)的工作。
隨著人工智能技術(shù)的不斷發(fā)展,可應(yīng)用領(lǐng)域也越來越廣,國內(nèi)外AI人才的薪酬也是水漲船高。
動輒年薪10萬美元,年薪30萬人民幣的白菜價,互聯(lián)網(wǎng)也到處充斥著造富神話,為了財富自由,不止各個領(lǐng)域的程序員,各行各業(yè)的人幾乎都轉(zhuǎn)行伴著浪潮涌入AI行業(yè)。
但如果你不喜歡機器學(xué)習(xí),又舍不掉如此高薪,你會舍得換一份工作嗎?
大部分人的選擇可能都是選擇向生活妥協(xié),畢竟他們給的實在是太多了。
最近,Reddit論壇上就有一個小哥卻做出了一個與眾不同的選擇,他表示:永遠退出機器學(xué)習(xí)界!
下面是他介紹自己的一些相關(guān)情況,并向網(wǎng)友求助如何找到自己喜歡的下一份工作?
機器學(xué)習(xí)干膩了
我是那種以機器學(xué)習(xí)為生但對機器學(xué)習(xí)沒有興趣的人,可能在業(yè)內(nèi)比較少見吧。
我工作內(nèi)容就是使用經(jīng)典和深度學(xué)習(xí)方法開發(fā)模型,從業(yè)7-8年了,其中很多模型在我工作過的公司中產(chǎn)生了不錯的影響。
我覺得我也很擅長做這些事,而且我的工資也很高。
但現(xiàn)在,機器學(xué)習(xí)或者深度學(xué)習(xí)領(lǐng)域沒有什么能讓我興奮的了。
我發(fā)現(xiàn)在數(shù)學(xué)課本上解決問題更快樂。實際上,我想要一個某種和數(shù)學(xué)搭上邊的職業(yè),但我不想一輩子都做機器學(xué)習(xí)。
在我「為了錢」投身機器學(xué)習(xí)之前,我在衛(wèi)星系統(tǒng)工程方面做了很多工作。在碩士學(xué)習(xí)期間,我也選修了很多物理和EE課程(光學(xué)、量子力學(xué)和固態(tài)設(shè)備)。
我正在考慮從事量子信息方面的工作,但我還沒有博士學(xué)位。另外,我的計算機科學(xué)技能還不夠強,無法轉(zhuǎn)到密碼學(xué)。
所以網(wǎng)友們,我該如何走出機器學(xué)習(xí)界?
網(wǎng)友建議:不要裸辭
帖子一經(jīng)發(fā)出,立刻引起網(wǎng)友熱議。
網(wǎng)友pruby表示,我太懂這種無聊的感覺了,但你應(yīng)該換一個工作方向,而不是離開。思考下一步的方向可能需要幾個月或幾年才能徹底確定下來,所以最好不要「裸辭」。
網(wǎng)友shot_a_man_in_reno也贊同這個思路,并補充說你完全可以再學(xué)另一門知識,并且在那里應(yīng)用機器學(xué)習(xí)的技術(shù)。他表示,我就不想在通用的機器學(xué)習(xí)領(lǐng)域進行研究,比如人臉監(jiān)測或者NLP之類的,因為計算機畢業(yè)的人基本都是研究這些純粹的內(nèi)容,所以競爭很激烈。一個在機器學(xué)習(xí)領(lǐng)域有雙重專長的遺傳學(xué)家或者人類學(xué)家可能會做更有趣的工作?!?/p>
也有人表達了他認為作者討厭機器學(xué)習(xí)的原因。
網(wǎng)友MinLikelihood表示,我喜歡統(tǒng)計學(xué)/機器學(xué)習(xí),但我不想在這個領(lǐng)域有一個長期職業(yè)的原因就是:我覺得處理和分析數(shù)據(jù)很無聊。我喜歡理論上的東西,喜歡探索estimators,研究抽樣方法,開發(fā)新的優(yōu)化技術(shù),而非使用它們。單純地使用是重復(fù)性的,幾年后肯定會讓你感到很無聊的。
還有人建議說,放心地追求自由吧!
網(wǎng)友beexes表示,你應(yīng)該永遠只做讓你感覺快樂的事。我有一個朋友,他就不干軟件工程師了,轉(zhuǎn)頭開了一個餐館,他現(xiàn)在應(yīng)該是世界上最快樂的人了。
也有人覺得,職場也是圍城,你向往的地方,對于別人來說也很無聊。
網(wǎng)友EdAlexAguilar分享說,我在量子信息領(lǐng)域讀了碩士、博士和博士后,但現(xiàn)在這個領(lǐng)域的研究已經(jīng)不能讓我興奮了。我在過去的一年里一直在做強化學(xué)習(xí),我很喜歡這個新領(lǐng)域。但這并不是一夜之間發(fā)生的,事實上,我在讀博士期間就已經(jīng)知道我很可能會轉(zhuǎn)型離開,但希望能盡可能順利地過渡。我的猜測是,你也是如此。你不需要一個博士學(xué)位,只需要額外的精力來學(xué)習(xí)。如果你有財務(wù)壓力的話,就在業(yè)余時間開始為新目標奮斗。這可能需要幾年的時間,但你可以設(shè)法在有工作的情況下跳到不同的領(lǐng)域。
也有網(wǎng)友從社會的角度來分析數(shù)學(xué)職場問題。
網(wǎng)友cookiemonster1020表示,在數(shù)學(xué)/應(yīng)用數(shù)學(xué)領(lǐng)域找不到工作的部分原因是大數(shù)據(jù)背后的炒作。當(dāng)我在著名的大學(xué)做博士后畢業(yè)以后,進入學(xué)術(shù)市場時,我發(fā)現(xiàn)在我所在的應(yīng)用數(shù)學(xué)子領(lǐng)域幾乎沒有空缺位置;相反人們即使只是做一個壓縮傳感的應(yīng)用,也能得到教職。
聽取大家的意見后,帖子的發(fā)起人表示,感謝網(wǎng)友的分析,他目前已經(jīng)開始看關(guān)于離散微分幾何的網(wǎng)課了,未來打算探索微分幾何學(xué)( differential geometry)和機器學(xué)習(xí)結(jié)合的問題。
他表示自己更愿意在應(yīng)用物理學(xué)或遺傳學(xué)等領(lǐng)域從事ML工作,而不是銀行、社交媒體分析或電子商務(wù)等公司。
至于討厭機器學(xué)習(xí)的原因,主要是厭倦了那些標題為「X is all you need」的技術(shù)論文。我并沒有反對發(fā)表論文的任何人,而且我絕對相信作者比我更有水平,但我對這種華而不實的論文標題感到非常不舒服。因為我在物理學(xué)或數(shù)學(xué)領(lǐng)域沒有看到過如此浮夸的標題,這也是我不想攻讀機器學(xué)習(xí)博士的一個原因。我討厭那種風(fēng)格!!
并且從任何平臺上學(xué)習(xí)任何在線課程都不會使你成為數(shù)據(jù)科學(xué)家或ML研究人員。很少有AI從業(yè)人員愿意花時間和精力去學(xué)習(xí)機器學(xué)習(xí)算法背后的基本數(shù)學(xué)知識。當(dāng)我在面試中要求候選人解釋什么是PCA時,他們只回答說PCA是一種降維技術(shù),根本沒有提到特征值、特征向量或協(xié)方差矩陣。
人工智能惹人嫌
無獨有偶,在知乎上也有關(guān)于「為什么不喜歡人工智能」的討論。
大體就是黑盒模型、炒作概念,深度學(xué)習(xí)的壟斷讓「算法工程師」這個名稱也引發(fā)爭議。
有研究者曾總結(jié)過人工智能研究的四宗罪:
1. 技術(shù)更新過快,三天不看論文就out了
學(xué)習(xí)是一件好事,但過快的迭代速度和海量的論文讓研究者焦頭爛額,一天的專注學(xué)習(xí)可能到了明天就落伍了。
并且很容易就會idea撞車,或者手里的sota模型還未發(fā)表就已經(jīng)夭折。
2. 資金耗費過大
大規(guī)模預(yù)訓(xùn)練的范式確定后,普通的研究者很難再在排行榜上分一杯羹了。
收集、下載大規(guī)模訓(xùn)練數(shù)據(jù)要錢,標注數(shù)據(jù)要錢,訓(xùn)練模型所需的硬件設(shè)備更是金錢堆起來的。
甚至只要數(shù)據(jù)夠大,資源夠強,即便方法不夠出類拔萃,你的模型可能也比別人學(xué)的更快,性能更強。
3. 艱難地改進模型
深度學(xué)習(xí)的黑盒模型是一個老生常談的問題了,但對于程序員來說卻是一種精神折磨。
性能不夠強、沒收斂、預(yù)測結(jié)果不符合預(yù)期,「煉丹師們」面對著模型和參數(shù)只能欲哭無淚。創(chuàng)造代碼可以讓人快樂,但調(diào)參卻不會:性能提升了,但怎么提升的?沒人知道!
比如有時候辛辛苦苦改模型,沒有任何性能提升,把激活函數(shù)從relu換成selu,就出了一個新的sota模型,這個時候你是該高興呢,還是該懷疑自我?
4. 數(shù)據(jù)決定一切
目前的AI模型就像一個無情的刷題機器,只要給的數(shù)據(jù)夠多,他就能回答一些試卷內(nèi)的問題,但對于知識的理解、邏輯來說,模型沒有任何進步。
吳恩達曾經(jīng)提出二八定律:算法工程師應(yīng)該把80%的精力用在收集、清洗數(shù)據(jù)上,剩下的20%才是研究模型。
這樣的話,對于專門研究模型的科研人員來說,被數(shù)據(jù)支配的感覺太不友好了!
其實AI仍然是一個有巨大潛力的應(yīng)用領(lǐng)域,深度學(xué)習(xí)將模型性能抬到了前所未有的高度,語音助手、智能推薦、人臉識別等等都在讓生活變得更方便。
但任何事物都有缺陷,你覺得人工智能「惹人嫌」嗎?
參考資料:
https://www.reddit.com/r/MachineLearning/comments/t45n67/d_quitting_machine_learning_for_good/
編輯:黃飛
評論
查看更多