好雨知时节：成为机器学习工程师你准备好了么？

根据Indeed在美国在2018年的最佳工作报告，机器学习工程师的位置排在第四位，仅次于商业项目经理（第一名）、全栈开发者（第二名）和计算机视觉工程师（第三名）。事实上，从2014年到2017年，机器学习工程师的招聘数量增长了166％。

随着人工智能和机器学习的兴起，许多组织发现自己需要考虑是否准备好引进机器学习工程师。

人工智能（AI）专家供应短缺是现在普遍存在的问题，大型科技公司已在采取措施解决此问题，谷歌和亚马逊都推出了人工智能咨询服务。根据《连线》杂志的报告，谷歌首席执行官Sundar Pichai表示，目前只有“几千人”能够创建复杂的机器学习模型。 “如果你是一个在中西部地区的某个制造公司，你可能很有钱，但很难吸引到每年250,000美元的斯坦福大学博士为你工作。”

那么你如何吸引机器学习工程师呢？ CMSWire抓住了一些机器学习工程师来讨论他们的角色，他们对他们公司的技术前景的看法以及他们在工作场所寻找的东西。从而牢牢掌握引起你共鸣的主题。

了解数据需求和时间表

mabl的机器学习工程师Sergei Makar-Limanov在一家小型创业公司工作。他们的目标是使用机器学习和AI来改进并自动测试网站和应用程序。在过去，马卡尔 - 李马诺夫的头衔倾向于数据科学， “总的来说，我对解决棘手的商业问题很感兴趣，因此，如果我面临一个机器学习能够增加价值的挑战，我很高兴能够为此付出努力。”

作为一个机器学习工程师，他可以从一个组织中找到什么？对他来说，最重要的就是看到该组织的吸引力吗？ “除了处于一个支持性工作环境之外，”Makar-Limanov表示，“高层管理人员的理解和支持对于机器学习项目取得成功是非常重要的。”

在这一点上，Makar-Limanov表示，这意味着组织需要有一个良好的理解，并支持以下内容：

1.所需的数据类型以及收集数据的一般方法。组织可最好拥有一个强大的数据仓库解决方案，以支持必要的数据查询，或愿意投资构建此类解决方案。

2.时间线的不同方法。根据Makar-Limanov的说法，大多数组织都认可敏捷方法，其中有两周或三周的时间去冲刺完成任务，但许多基于机器学习的项目并不适合这样的时间表，最初的开发往往会花费较多的时间。

3.愿意投资一个衡量机器学习应用程序结果的框架。 Makar-Limanov表示，“机器学习和人工智能算法在100％的时间内都不合适，因此为了理解改进，人们需要衡量实时性能，并将其与现有的解决方案进行比较。”

鼓励参与开发过程

技术需求因组织而异。 Makar-Limanov曾在Hive、Spark顶级内部Hadoop集群以及其他使用带有Redshift或Athena后端的AWS Stacks的地方工作。目前他正在使用BigQuery，DataFlow和Google Cloud Machine Learning来开展GCP基础架构工作。 “在商业方面，对于企业来说数据驱动和认识到工程资源需要专注于数据收集非常重要，数据科学家需要参与产品的开发以确保正确的类型的信息的收集。例如，添加验证码以识别可疑的机器人流量，即使这可能不是严格的业务要求。”

耐心与测试

首席技术官AtomicX是一家使用机器学习的聊天机器人技术的公司，其首席技术官Eric Moller表示，他现在的重点是将机器学习技术应用于对话和文本数据以做出更好的预测。作为一个机器学习工程师，Moller指出，“机器学习仍然是一个相当科学的追求，将它应用到一个新领域通常意味着，在开始看到结果之前，需要容忍很多失败。”

组织还需要机器学习工程师获得成功的良好结构化数据。 Moller表示，“许多公司都活跃在机器学习的潮流中。最重要的是：你需要收集大量的结构化数据，寻找深层次的模式，并搜索那些经典的统计/回归技术。”

让不可能成为可能

Moller表示，他很高兴看到他的公司将机器学习应用于通常“不可能”解决使用传统计算范例的问题。 “我们已经掌握了图像识别技术，机器现在在很多方面都可以比人类做得更好，比如在AtomicX中，我们将机器学习应用于文本和对话系统，这是一个非常困难的问题，因为我们的语言中嵌入了如此多的集体人类经验。”

Moller也看好生成设计，他表示，机器学习的另一个方面是“令人难以置信的潜力”。 “我们已经通过简单地提供我们想要优化的参数来构建更轻、更强、更高效的结构和设计。”

结合科学，数学知识

Zimperium首席科学家Esteban Pellegrino领导公司在Zimperium的z9移动安全引擎中的机器学习和人工智能方面工作。他认为他的角色是通过利用先进的建模技术来解决复杂的安全问题，从而改变移动安全领域。佩莱格里诺最初受过巴尔塞罗研究所的核工程师培训，他作为首席科学家的角色是在移动领域演变其团队的安全解决方案。他与研究、开发和产品团队合作，寻找合适的解决方案，这些解决方案足以满足未来连接应用程序和设备的架构，其中，机器学习可能是解决方案的一部分，或者不是。

Pellegrino认为，机器学习结合了“多个科学领域”，以便找到工程和工业问题的解决方案。机器学习工程师应该能够“轻松融入科学和数学不同领域的新知识”。

足够的数据

组织机构学习工程师最重要的事情是在组织试图解决的问题范围内获取足够的数据。 Pellegrino表示，“这种问题应该在有明确的答案之前进行评估，如果它是正确的技术，如果可用的数据足够，那么就需要一个机器学习工程师。”

机器学习工程师希望具有足够的创造力以找到现成的解决方案，并用有用的学习表示来构建数据模型，以有效地解决手头的问题，他补充表示， “这对组织来说可能是一个非常独特的迭代过程，它将改变基础设施，更好地将其适应于合适的架构，以便在工作流程中进行高效的数据提取、处理和学习”。

未来：ML的机器工具

佩莱格里诺预测说，在某种程度上，机器学习将帮助我们优化人类的大脑力量，这些力量会改善我们生活方式。我们在生活中会遇到各种各样的问题，而很多方面是人类无法解决的，这时候机器学习算法就能够排上用场了。

未来，我们将看到机器学习成为机器而不仅是人类的工具。佩莱格里诺表示，机器将动态地学习和建立模型，以便在没有人为干预的情况下更好地表现现实。