--------點選螢幕右側或者螢幕底部“+訂閱”，關注我，随時分享機器智能最新行業動态及技術幹貨----------
AI 專業畢業後好找工作嗎？
此前，知乎上一位 CV 專業的 985 高校研究所學生曾坦言，當初選擇該方向時，深度學習正處于大熱階段，無人駕駛，人臉識别聽起來就很高大上，似乎人人都想往這方向轉。
然而，到了找工作的時候，這哥們發現就業形式和他想的相差太大：
最近陸陸續續有公司開始秋招的提前批了，計算機視覺崗位招的清一色算法工程師，沒有論文，或者大賽獲獎的找到算法崗的簡直不要太難，周圍的同學都開始紛紛轉 Java 開發，自己也開始慌了。
想到學了兩年的 CV，最後工作找不到，一時間十分失落，感覺如果去做 Java 開發，還不如大學一畢業就出去工作，完全沒有讀研的必要。
那麼，機器學習大規模發展是不是隻是個幻覺？未來 3 到 5 年内，哪個方向的機器學習人才最緊缺？
這可能是每個正在學習這個專業的人，最為關心的。每人每天至少産生 1G 以上的資料，還有大量的資料尚未加以利用。每一個垂直細分的應用場景，都可以通過機器學習産生應用價值。這也就意味着相關領域的人才大量的稀缺。
總結起來，主要有以下幾個方面的人才最為稀缺。
靈活解決問題的全棧工程師
全棧工程師是指掌握多種技能，勝任前端與後端，能利用多種技能獨立完成産品的人。
中科院大學，計算機應用技術博士王晉東表示，全棧式的人才最為稀缺，現在很多搞模型的，或者偏重某一方面的，距離解決實際問題是遠遠不夠的。
而人工智能全棧工程師比通常意義的全棧工程師更複雜一些，難度也更大，主要是算法實作跟傳統的全棧差別很大，從應用層級來講，分計算機視覺、自然語言處理、語音識别三個大方向。
細分的話就更多了，計算機視覺方向來說又可細分為目标檢測、姿态估計、人臉識别等，是以要做人工智能全棧需要投入更多的精力，也需要對各個方向的算法有深刻了解。
人工智能全棧通常是基于大廠的雲平台進行開發，人工智能領域很多基礎的元件已經封裝好，對業務和整個項目的架構有了全面了解，就可以上手開發了，需要結合業務快速變現的場景，對「全棧」的需求會多一些，在普遍繁榮時期是可以大有作為的。
但人工智能全棧工程師發展如何，還要看整個行業大形勢，如果各個方向都開始優勝略汰，「全棧」是缺乏核心競争力的，因為算法是别人的。
專精一個領域的算法人才
有知友提到，專精一個領域的算法人才會比較吃香。
這裡算法人才包括算法研究員和算法工程師。
算法研究員緻力于解決更通用，更抽象的問題，如何解決 GAN 訓練時的穩定性等，而算法工程師更多關注如何解決問題，比如某個場景下出現了 badcase，我就想辦法解決問題，是資料預處理，還是參數需要調整。
此外能快速複現論文結果的算法研究員也是各大公司争搶的香饽饽。因為學術界很多新成果隻有一個描述，并沒有給出源代碼，想應用它的研究成果，需要自己實作，是以能快速複現論文的算法研究員對公司來說也是很有價值。
我們去招聘網站搜算法崗，可以大體看出資深算法專家薪資上限很高，但是崗位需求并沒有算法工程師多，畢竟企業還是要賺錢的，是以算法工程師（尤其是推薦方向）也很有市場。
研究員覺得工程師的活沒技術含量，工程師可能會覺得你天天整些虛的又解決不了問題，紙上談兵。算法作為一個公司的核心資源，兩者其實都有發揮的空間，跟公司的業務需求關系很大。
做算法研究也好，工程也好，選對方向很重要，單從行業飽和度來說，圖像也就是視覺方向确實人滿為患了，語音又特别難，而且缺乏大量的可用資料，自然語言處理方向倒是可以考慮一下。
一來各種 SOTA 模型大多針對英語的，到中文有個遷移問題，二來中文跟英文在文法、語義方面存在差異，有很多空白研究領域。
知乎答主紫杉舉了一個例子，什麼是精通一個領域。
他的一個名叫伊森的同學，從伊利諾伊香槟畢業（計算機專業名校），讀了兩年計算機研究所學生，是一位非常優秀，有自學能力的學生。
結果面試時伊森沒能應聘成功。伊森的背景和很多進入人工智能領域的人很相似。答主分享了下面一段對話：
最後伊森還問他，如何在一周内精通自然語言處理，然後答主隻能告訴他不知道。
這個例子表明，有些同學擅長快速學習，卻很容易陷入每一個領域都想學的陷阱，到頭來覺得學了很多，實際遇到問題就無從着手，或者浪費很長時間尋找問題根源。
如何才算精通一個領域？說自己精通某一領域，在人工智能領域往往是不太恰當的。現在無論是硬體還是算法都在快速的疊代，今天的SOTA明天可能就成兜底了，隻有不斷疊代自己的知識，才能跟上業務和場景的發展，讓自己不落下風。
熟悉業務又懂算法的應用型選手
另外，既懂算法，又有某一行業的豐富經驗也很重要。機器學習雖然是通用技術，工程師也基本是計算機出身，但落地需要具體到行業應用，如何結合行業實操，解決實際問題。
中國科學院大學研究員表示，短期内最缺的肯定是應用型人才。
很多行業想轉型為資料驅動或者 AI 賦能的，借助于外包或者咨詢公司通常很難成功，因為缺乏行業經驗，這時從傳統行業轉型到人工智能的應用型人才就至關重要了，他們對機器學習的研究本身就植根于業務需求，是以更接地氣，落地也更快。
中科大研究員舉了一個很生動的例子。
很多高校的财務人員，每天大量重複性勞動，處理發票、報帳單，将紙質單号手動輸入電子系統裡，過程非常的麻煩。但其實高校及科研機關研究計算機視覺、文字識别、目标檢測的團隊枚不勝數，為什麼不能用機器學習的方法來節省時間呢？
這個例子就暴露了一個問題，大多數機器學習研究關注的是模型本身，是否是業界最先進的（SOTA），卻忽視了算法的适用對象以及實際的應用場景。是以，最稀缺的是既懂算法又能将算法進行落地轉化的人。
答主微調抛出金句「對于絕大部分人而言，努力成為交叉領域的熟手，比成為計算機科學家要現實且有意義。」
學術模型工程化人才
算法要落地為産品，還需要模型的工程化，如果這塊能夠深入，那麼必然是不可多得的人才。
像抖音的推薦系統，如何解決海量資料擁堵，移動端優化等工程上有非常多的挑戰。
結合上文答主紫杉舉的例子。
Nihil (尼希爾）是另一個他認識的研究所學生，也是從伊利諾伊香槟大學畢業。他之前在 LinkedIn（領英）做大規模搜尋（Scaled Search），專門負責把理論算法擴大到工業場景中，擅長搭建背景，有很強的工程背景。兩年的斯坦福計算機碩士後，現在被 Snapchat 找去做大規模視訊搜尋算法。
相比于上文的伊森，他是公司更想要的人才。為什麼呢？
因為他在領英和 Snapchat 這樣的大公司做大規模搜尋的算法，這其中的工程難度和實驗室是不可同日而語的。
任何人都可以跑一個 LSTM，但是當訓練資料極具擴張時，LSTM 需要跑 3 天才能見完所有的資料，在這個情況下，就需要更工程化的實作，做分布式計算或者優化算法本身的效率，使用更快的資料結構等。
這樣的場景就需要有研究背景的人才，能夠結合學術前沿切實的解決工業上的難題，深度學習 50% 是學術， 50% 是工程。現特斯拉 AI 主管 Andrej Karpathy 主要就是幹這活的。
此外，很多人提到調參工程師。
一位中國科學院大學計算機應用技術博士表示， AutoML 越來越受重視，技術含量不高的調參工程師未來很可能被取代。
最後值得一提的是像 Bengio、 Hinton 這些深度學習領域的神級人物，當然是很需要，但是這類人才真的是可望而不可及。
原文連結：
https://news.51cto.com/art/202006/618044.htm文章轉自51cto，本文一切觀點和《機器智能技術》圈子無關