幾天前，一位機(jī)器學(xué)習(xí)工程師在 reddit 上發(fā)帖求助：ML 領(lǐng)域浮躁、門(mén)檻低、產(chǎn)品差，無(wú)法專(zhuān)心做東西，該不該換個(gè)領(lǐng)域?帖子一經(jīng)發(fā)布，立刻引起了大量討論。

 

 

該工程師如此描述他的問(wèn)題：

在目前機(jī)器學(xué)習(xí)和深度學(xué)習(xí)炒作的背景下，大家對(duì)從事機(jī)器學(xué)習(xí)方面的工作(業(yè)界或?qū)W界)有何建議?

我在一家大型非技術(shù)公司做應(yīng)用研究工程師。但最近幾年 ML 在我心中逐漸失去了光芒——圍繞著它的炒作給這個(gè)領(lǐng)域帶來(lái)了大量噪音，對(duì)于真正關(guān)心科學(xué)的人來(lái)說(shuō)這種狀況太糟了。

我認(rèn)為自己嚴(yán)謹(jǐn)應(yīng)用機(jī)器學(xué)習(xí)的努力被浪費(fèi)了，這讓我的競(jìng)爭(zhēng)力也變?nèi)酰汗芾韺酉胍�「深度學(xué)習(xí)」解決方案，當(dāng)有人讀了一篇博客、拋出一些不完備的訓(xùn)練數(shù)據(jù)和 Keras model.fit() 后，就聲稱(chēng)問(wèn)題解決了，可他們竟然很滿意。我認(rèn)為在這樣的環(huán)境中我沒(méi)法做機(jī)器學(xué)習(xí)，并且我們很難對(duì)抗深度學(xué)習(xí)「廉價(jià)、簡(jiǎn)單」這樣的炒作(諷刺的是，簡(jiǎn)單的隨機(jī)森林更簡(jiǎn)單而且效果也很好，但那不「性感」。我就曾遇到過(guò)明明用其它方法更簡(jiǎn)單有效，但非要用神經(jīng)網(wǎng)絡(luò)的情況)。我熱愛(ài)機(jī)器學(xué)習(xí)，也希望看到大家都學(xué)習(xí)機(jī)器學(xué)習(xí)，但是低門(mén)檻導(dǎo)致將不好的模型賣(mài)給外行人的行為增加。

你們享受自己的機(jī)器學(xué)習(xí)生涯嗎?我在考慮轉(zhuǎn)行回到軟件工程行業(yè)，或者換一家公司。可能我太暴躁或太追求完美了吧……有人有類(lèi)似的想法嗎?

(背景：計(jì)算機(jī)科學(xué)碩士學(xué)位，研究重點(diǎn)：機(jī)器學(xué)習(xí)。畢業(yè)后從事應(yīng)用研究職位，軟件工程和機(jī)器學(xué)習(xí)的工作內(nèi)容各占一半。我不是特別優(yōu)秀，但是我所在的公司沒(méi)有 AI/ML 專(zhuān)家，因此我被當(dāng)作這方面的專(zhuān)家。)

reddit 網(wǎng)友紛紛回應(yīng)。

有很多人贊同帖主的看法：

@gerry_mandering_50

「管理層想要「深度學(xué)習(xí)」解決方案，當(dāng)有人讀了一篇博客、拋出一些不完備的訓(xùn)練數(shù)據(jù)和 Keras model.fit() 后，就聲稱(chēng)問(wèn)題解決了，可他們竟然很滿意�！�

這部分說(shuō)得太對(duì)了。我經(jīng)常看到有博主整個(gè)復(fù)制網(wǎng)上的教程代碼，只有少量原創(chuàng)文字，而且不寫(xiě)出處(通常是生產(chǎn)軟件的技術(shù)公司將這些原創(chuàng)教程發(fā)在軟件網(wǎng)站上，這些教程常常過(guò)分簡(jiǎn)單化)。這些博主認(rèn)為自己是數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域的專(zhuān)家，好像這些代碼是自己寫(xiě)的似的。

管理層無(wú)法分辨，在他們看來(lái)所有事情似乎都很簡(jiǎn)單而且已經(jīng)得到解決，那么為什么我們不可以這么做呢?因?yàn)檫@就是生產(chǎn)軟件的科技公司設(shè)計(jì)教程的目的啊……

@thetall0ne1

網(wǎng)友 thetall0ne1 表示，「我在一家技術(shù)公司使用、售賣(mài)機(jī)器學(xué)習(xí)應(yīng)用好多年了，有時(shí)也會(huì)感到厭倦。不過(guò)，我倒支持使用深度學(xué)習(xí)模型解決問(wèn)題。因?yàn)槲野l(fā)現(xiàn)結(jié)果很好。上周，我測(cè)試了一個(gè) logo 檢測(cè)器，這是一個(gè)簡(jiǎn)單的計(jì)算機(jī)視覺(jué)掩碼，非常好用�？匆幌� Gartner 的機(jī)器學(xué)習(xí)技術(shù)成熟度曲線，你就會(huì)發(fā)現(xiàn)到達(dá)穩(wěn)定期就好了。」

而有網(wǎng)友針對(duì)技術(shù)成熟度曲線回應(yīng)說(shuō)，「我確信我們還沒(méi)到達(dá)幻滅期。我認(rèn)識(shí)的很多人(一些連計(jì)算機(jī)都不怎么會(huì)用)都開(kāi)始討論機(jī)器學(xué)習(xí)了。」

也有網(wǎng)友持反對(duì)意見(jiàn)，從企業(yè)和職業(yè)發(fā)展的角度展開(kāi)了論述：

@Scortius

我的看法完全不同。

帖主在非技術(shù)公司工作，他們支付給你的是固定薪水。發(fā)工資的錢(qián)來(lái)自于售賣(mài)的產(chǎn)品。作為員工，你有責(zé)任為公司提供價(jià)值。除非你在研究機(jī)構(gòu)工作，那你的主要工作將是通過(guò)提供增加利潤(rùn)的方式來(lái)掙工資。

「用正確的方式」做事是很重要，但我也在琢磨，一個(gè)未受培訓(xùn)的員工如何能進(jìn)入公司，還僅使用 model.fit() 就為公司提供了更多價(jià)值。

你沒(méi)有了解如何用正常的方法獲取工資，公司只是想要投資有所回報(bào)。我的研究所也有你這樣的人，大家都不愿意跟他們合作，因?yàn)楣ぷ髯罱K要求的還是簡(jiǎn)單且富有成效的結(jié)果啊。你需要將對(duì)公司的回報(bào)展現(xiàn)出來(lái)，進(jìn)而獲取更多時(shí)間和自由度去更深入地解決問(wèn)題。你不在技術(shù)公司工作的話，尤其應(yīng)該如此。

如果你想有更多時(shí)間探索如何使用現(xiàn)代方法或更正式的方法，你要么通過(guò)按照我建議的方式提供價(jià)值進(jìn)而獲得這種自由，要么利用你在這家公司的經(jīng)驗(yàn)去支持探索性或深入研究的公司或研究機(jī)構(gòu)工作。工作就在那里，但是即使是在那些工作崗位上，你也必須展現(xiàn)出價(jià)值，才能掙得深入研究的權(quán)利。

在帖子中，很多網(wǎng)友對(duì)這波 AI 浪潮炒作進(jìn)行了討論，其中多次提到了 Gartner 技術(shù)成熟度曲線。

事實(shí)上，自 2015 年以來(lái)，機(jī)器學(xué)習(xí)/深度學(xué)習(xí)就一直處于巔峰狀態(tài)，那一年也被標(biāo)記為距離生產(chǎn)力高峰 2 - 5 年。

如果你看過(guò) Gartner 2015 年技術(shù)成熟度曲線，準(zhǔn)備等興奮「不可避免地」消退時(shí)進(jìn)入機(jī)器學(xué)習(xí)，那你今天可能還需要等待——再多等三年。

或許這個(gè)「永久巔峰」顯示了技術(shù)成熟度曲線的局限性。但是這也表明機(jī)器學(xué)習(xí)/深度學(xué)習(xí)將繼續(xù)存在處于熱潮之中。

更多的證據(jù)來(lái)自我最近寫(xiě)的一份 HFS 研究報(bào)告，其中，根據(jù)福布斯發(fā)布的全球企業(yè) 2000 強(qiáng)(Global 2000)，71 % 的數(shù)據(jù)科學(xué)決策者表示機(jī)器學(xué)習(xí)沒(méi)有被夸大。

以下是四年的完整歷史：

2015 Gartner 技術(shù)成熟度曲線

機(jī)器學(xué)習(xí)的技術(shù)成熟度曲線首次亮相略超過(guò)了期望膨脹頂峰期(Peak of Inflated Expectations)。它是否已經(jīng)走向幻滅期(Trough of Disillusionment)?

 

 

2016 Gartner 技術(shù)成熟度曲線

機(jī)器學(xué)習(xí)稍微向后移至頂峰，這絕不是走向低潮的跡象。

 

 

2017 Gartner 技術(shù)成熟度曲線

深度學(xué)習(xí)到達(dá)頂峰，加入機(jī)器學(xué)習(xí)。

 

 

2018 Gartner 技術(shù)成熟度曲線

 

 

機(jī)器學(xué)習(xí)可能下滑了，但深度學(xué)習(xí)仍然位居頂峰。

深度學(xué)習(xí)還會(huì)面臨技術(shù)成熟度曲線所暗示的那種強(qiáng)烈的預(yù)期修正嗎?考慮到整個(gè)機(jī)器學(xué)習(xí)的應(yīng)用狀況，這似乎很難。HFS 研究調(diào)查中，86 % 的受訪者認(rèn)為這項(xiàng)技術(shù)正在對(duì)他們的行業(yè)產(chǎn)生影響。

其實(shí)，關(guān)于深度學(xué)習(xí)炒作的問(wèn)題，從谷歌 AlphaGo 之后就從未斷絕過(guò)，如今這種過(guò)度炒作對(duì)整個(gè)領(lǐng)域的影響已經(jīng)顯現(xiàn)出來(lái)：無(wú)論是學(xué)術(shù)研究還是在產(chǎn)業(yè)應(yīng)用中。

而僅對(duì)工程師或者研究員來(lái)說(shuō)，如何在 AI 泡破破裂時(shí)站穩(wěn)腳跟是不得不考慮的問(wèn)題。(推薦閱讀：當(dāng) AI 泡沫破裂時(shí)……)

參考鏈接：https://www.reddit.com/r/MachineLearning/comments/9p9ccz/d_ml_is_losing_some_of_its_luster_for_me_how_do/

標(biāo)簽： 代碼 谷歌 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。