文|新智元

编辑|元子

我们可能正处在一个不再需要机器学习领域正规教育的变革阶段。

Looker首席产品官Nick Caldwell，是一位机器学习从业者，有着管理ML团队十多年的经验，而他最近有点被刺激到。

他的一名初级前端工程师决定利用黑客马拉松时间，去探索机器学习。通过fast.ai的在线课程，这位初级工程师获得了快速设置和部署TensorFlow模型的基础知识。

刚开始做的东西还比较搞笑，比如给人脸上贴胡子。但是在几天之内，他就做出了有实际应用价值的项目，并创建了一个可以在公司内部生产系统中可实施的ML模型。几周后，已经能够看到改模型对运营目标产生了可衡量的影响。

Nick在大学的时候，曾经认真系统的学过ML，并且在刚毕业就从事机器学习相关的工作，但是这位初级工程师的经历，让他开始重新审视他自己，以及机器学习这个领域。

他发现，机器学习已经进入到一个准入门槛非常低的阶段。他甚至怀疑，这位初级前端工程师可以使用现代工具包，在五天内获得他职业生涯的前五年的积累，虽然这话说的有点夸张。

他还认为，现在开始对学位、专业性方面的要求没有那么高了，当下的机器学习工具包，正在成为标准开发工具箱的一部分。

在20世纪90年代，想要尝试使用神经网络的工程师，通常需要从最简单的概念开始逐步延伸，对每一层的数学和原理都要理解和掌握。

今天，即使是初学者也可以使用Google Cloud AutoML等工具，几乎可以毫不费力的创建AI模型的各个方面，并产生有影响力的结果。

所有的复杂性都被抽掉了，但这是技术发展的规律，因为抽象适用于越来越强大的工具。现在已经没人为了学编程而去学习计算机构造，就好像没有人为了开车而去了解汽车的设计原理。

使用这些“一站式”工具包的现代开发人员，可能无法解释模型的数学原理，但不妨碍他做出可用性非常高的模型和产品。

fast.ai的创始人、前Kaggle总裁杰里Jeremy Howard，在最近的推文中说：“我从未接受过正式的技术教育，我实际上没有参加任何讲座或教程，我认为那都是在浪费时间。“

机器学习当前趋势的影响十分惊人。回想一下，传统雇用工程师、特别是在ML工程师的流程：首先我们需要应聘者至少是学士学位；其次还会在意有没有项目经验，最后可能还要求有一定的工作经验。

但从Nick的经历来看，如果把工程师定义为“拥有帮助客户解决问题、以及提出解决方案能力的人才”，那么他过去几年里亲自合作过的最好的ML工程师，都是自学成才的，并且工作经验不足5年！

因此Nick心中产生了疑问：在当前这么容易就能够学习ML，并产生非凡成果的时代，我们是否真的需要聘请一位“专业”ML工程师呢？是否真的需要卡ta的学位、工作经验呢？甚至说，我们是否真的有必要专门去应聘一位“机器学习工程师”呢？

他最终认为，我们必须重新思考如何寻找人才。用开源神经网络库Keras创建者Fran oisChollet的话说：“最好的人是90％+自我教育，无论他们是否拥有斯坦福大学的学位；计算机科学的学位的附加价值越来越微不足道。“

可能大多数招聘经理都认为这种态度太过极端。但时代在变，Nick现在的做法是：从Kaggle比赛中寻找ML候选人，查看ta的GitHub项目页，然后才是看他有没有大学学位。

Nick坚定的认为，是时候取消对CS学位的要求，并预言未来机器学习工程师这个title终将消失。

来源：informationweek