1)文章的绝大多数观点我都是非常赞同的。
2)对于纯算法岗位,未来数量确实会逐步趋少,整个行业会回归理性这点,没有任何异议,因为之前太疯狂了,现在是回调而不是衰败(最近不少大佬从工业界回流学术界也是一种体现吧)。所以大部分准备进入工业界的研究生同学最好做好充分的心理准备,在入学和师门选择时,需要谨慎。
3)但对于算法的未来发展,我更加偏向于持乐观态度,因此对引文部分判断略有不同理解,比如“最后做AI的就那么几家”,“算法的市场逐渐饱和、需求太小”等等,后边会慢慢展开。
技术特点,及产业特点:
我之前写过这样一个回答,阐述了我对数据建设的理解和重视:”怎么看2020年深度学习在工业界应用趋势?“。其核心思想就是1)数据很重要,2)数据的长尾幂律分布更加要命。数据很重要就意味数据采集数据收集标注的工作也很重要,比如这里有滴滴和 momenta 的数据闭环工作的介绍,didi、momenta,也说明了业界对此的认可程度。
算法岗位特点:
以上这些东西都想做好,每一个标点符号分割出来的内容,都可能需要一个几个工程师的小组去做。对懂算法的工程师需求量真的小吗?所有的小组都要整合成一个体系,对 team leader 的要求,也不低,并且它是个体系,没点工程架构思维,真搞不定。
比如指定硬件的小模型加速这种,包括相关的量化加速,芯片专用加速,它本身就是学术界一个独立而庞大的研究方向,论文都一搜一大把,而工程师更多需要结合自己手头实际的硬件和产品特点去做进一步的挖掘,想做得非常好根本不容易。
再比如,为了做好单目 2D 摄像头的目标检测问题中的数据采集问题,甚至可能会用 3D 多摄像头采集数据通过点云技术建模再通过 CG 渲染方法来生成大量的天然带标注的 2D 数据,数据即可以大量生产又不用标注。这相当于一个嵌套的算法链条,所以,有些看起来和业务不相关的技术在有些公司就一定没有用吗?人力需求就一定在萎缩吗?
还有,比如有的算法岗位对候选人的要求中会写:有推荐系统/搜索引擎相关经验者加分;有active learning/图像搜索相关经验者加分;相信数据的价值,乐于解决长尾问题。这明显是一个非常重视数据的公司的岗位描述。所以,真正限制童鞋们拿 offer 是除了调包调参之外的知识结构的广度和对整个算法链条的理解深度。
更有意思的是,前面说工具化这么严重,轮子现在啥都干了,但是你有没有想过,轮子也是人造的啊,如果能去大厂造工具造轮子改轮子,社会价值其实更大啊。因为那是业界瞩目之所在,多少小厂甚至设立 github watcher 这样的专职岗位,来帮你更快的实现你写的开源代码中潜在的工业价值,多好。
因此我一直认为,在研究生学习阶段,研究问题和解决实际问题的方法,可能比你实际研究的问题本身更加重要。
本书分为两篇,共18章。一篇为经典机器学习模型,主要介绍常用的机器学习经典模型,包括线性回归、支持向量机模型、逻辑斯蒂回归、决策树模型、k近邻、朴素贝叶斯、线性判别分析和主成分分析、流形学习、聚类算法、稀疏编码、直推式支持向量机、集成算法。第二篇为深度学习模型与方法,剖析神经网络的基本要素,并介绍常用的深度学习模型,包括感知机、卷积神经网络、循环神经网络、生成对抗网络。
本书试图从初学者的角度对机器学习和深度学习的经典算法进行详细阐述。本书插图丰富,语言通俗易懂,适合初入机器学习领域的“萌新”,也适合希望将机器学习算法应用到日常工作中的其他专业从业者,还可供对人工智能领域感兴趣的读者参考阅读。

