机器学习正变得越来越容易，然而软件工程仍然很困难

这是一篇评论文章。 它也有偏见。 我认为，如果有更多的通才和创造者(而不是专家)来构建事物和解决问题，那么世界将会是一个更好的地方。

在过去的五年中，机器学习变得更加容易。 同时，软件工程比以往更加复杂。

对于软件工程师来说，这是一件了不起的事情。 但不适用于机器学习专家。

这是ML向软件工程和数据科学向数据分析的发展。

机器学习工具正变得越来越平易近人

随着ML的发展，云服务的市场也在增长，理解算法的价值也在下降。

从前，我们对算法进行了手工编码。 然后，Sklearn允许在几行代码中执行相同的操作。

原始的TensorFlow很难使用。 Keras让一切变得简单。

Google，Microsoft和Amazon现在都提供服务以选择，训练和调整云中的模型，然后立即在API后面提供模型。

任何人都可以训练AI，这将需要一段时间。 但是随着复杂性的降低，它成为了经验丰富的软件工程师的另一种工具。

机器学习开发集中在几种语言中

语言是护城河。 句号

你知道COBOL吗? 如果是，那么您就可以终生工作。 世界的金融体系取决于它。 没人再学习COBOL。

大多数机器学习都是用Python实现的，而软件开发则分布在多种语言中。

> https://www.tiobe.com/tiobe-index/

如果每个ML工程师都有Python的经验，那么您将与每个ML工程师竞争。 在软件方面，您只能与使用相同技术的部分工程师竞争。

我总是惊讶地看到很多高薪的Ruby on Rails工作。 它在几年前就已经过时了，但是由于遗留原因，许多大型公司(Shopify，Instacart，Kickstarter等)都坚持使用它。

您绝对可以并且应该学习多种语言。 成为一名优秀的软件工程师取决于此。

软件工程包含更大范围的技能

我们希望软件工程师至少对一切都有一定的了解。

> A quick sketch

后端工程师仍然知道浏览器的工作方式。 前端工程师具有一些数据库概念。 两者都可以防止SQL注入之类的安全漏洞。

对软件有全面的了解，可以更轻松地更改专业。 它还使您能够构建端到端解决方案。

广泛的技能组使软件工程师更适合模棱两可的环境。 随着需求的增长，软件工程师通常会转向数据科学。 相反，数据科学家开发软件的可能性较小。

随着人们开始将其视为硬编码的条件逻辑的替代方案，我们将看到更多从事ML的软件工程师。

成为有能力的全栈开发人员需要多年

并包含许多离散技能。

从字面上看，优化数据库，构建API微服务和构建响应前端的共同点是零。 它们可能以3种不同的语言实现。

在这些领域，我们几乎看不到任何自动化。

与此形成鲜明对比的是，全栈ML工程师现在正在完成功能日益强大的AutoML，为此我可以编写SOP，并将培训分类器的工作委托给实习生。

尚需时日，软件工程技能套件中的所有组件都将不存在。

机器学习不是产品而是产品的补充(通常)

少数公司将AI作为其核心产品，但大多数公司使用AI来补充现有产品。

媒介可以使用机器学习来获得文章推荐，但核心产品是写作/发布平台。

有趣的是，大多数公司都将ML用于简单和相似的用例。 这使单个公司可以轻松地将上述用例作为SaaS产品提供。 然后突然之间，初创公司不再需要在内部进行构建。

基础设施变得异常复杂

AWS已扩展到200多种不同的云服务中。

Heroku在云中运行应用程序的PaaS方法很棒。 但是在任何规模上都变得过分昂贵。

因此，现在我们有了一个全新的云堆栈来管理(网络，数据库，服务器)，其中一小笔便会打开巨大的安全漏洞。

有一个称为"云工程"的整个开发子集，其工作是使软件在AWS，GCP或Azure上运行。

在较小的公司中，基础设施通常落在高级开发人员的腿上。

这是复杂的东西。 但这也意味着工作和难以复制的技能。

前端开发在不断发展

独自掌握前端开发是一项技能。

当我开始开发时，可以使用jQuery构建响应式前端。 然后公司搬到了Angular或React。 Angular变为Angular 2(具有重大更改)。 React从类转移到功能组件，并添加了挂钩。

以上所有框架/库都以根本不同的方式工作。

有几家公司致力于基于模型自动生成前端。 但是同事们的共识是，他们离生产质量还有很长的路要走。

前端开发的技术能力，加上对像素完美的感知，暂时令人惊讶。

结论

软件开发是复杂的，并且包含各种各样的问题。 这种复杂性有利于就业。

但更重要的是，广泛的技能组赋予了端到端解决实际问题的能力。

要建立一个使普通人有权解决自己社区中的问题的社会，软件工程是一个不错的起点。