機器學習變得越來越簡單軟件工程卻走向了相反的道路

步才捷

過去的5年里，機器學習變得越來越容易，機器學習工具也正在變得愈加平民化。而與此同時，軟件工程卻比以往更復雜了。然而，這對于軟件工程師來說是件好事，但對于機器學習（ML）專家來說則不然。

原因何在？事實上，這是機器學習到軟件工程，數據科學到數據分析發展的進程。

機器學習工具正愈加平民化

谷歌希望每個人都能接觸到機器學習模型的訓練，不論他們的技術知識如何，隨著機器學習大眾化，云服務的市場逐漸增長，理解算法的價值則逐漸下降。

很久以前，我們手動編碼算法，后來，Sklearn可以在幾行代碼中完成同樣的操作。原始的TensorFlow很難使用，Keras使其變得容易。如今，谷歌、微軟和亞馬遜都提供用以選擇、訓練和調整云中模型，然后立即在API后提供模型的服務。

可能在不久的將來，人人都可以訓練人工智能。但是隨著復雜性的降低，對于經驗豐富的軟件工程師來說，它只是信手拈來的另一個工具而已。

機器學習發展集在語言上

語言的重要性不必多說。你知道COBOL嗎？如果知道，便能獲得一份終身工作。世界金融體系依賴于此。然而如今沒有人再學習COBOL了，大多數機器學習是通過Python來實現，而軟件開發則是通過多種語言實現的。

如果每位機器學習工程師都具備使用Python的經驗，那么你的競爭對手就是每一位機器學習工程師。但從軟件的角度來說，你只會和使用相同技術的部分工程師競爭。

我們總是能看到許多高薪的軟件工程師職位，這令人很驚訝，這個職位早在幾年前就過時了，但由于歷史遺留問題，許多大公司，如Shopify，Instacart，Kickstarter等仍在使用它。

軟件工程師需要更多技能

你確實可以并且應該學習多種語言，這對于能否成為一名優秀的軟件工程師來說至關重要。我們總是期待軟件工程師對每個方面都至少有一些了解。

后端工程師知道瀏覽器的工作原理，前端工程師也具備一些數據庫的概念。二者都能防止如SQL注入這樣的安全漏洞。對軟件有一個整體理解能使改換專業變得更容易，還能幫助構建端到端解決方案。

廣泛的技能組合使軟件工程師能更好地適應模棱兩可的環境。隨著需求的增長，軟件工程師經常轉行到數據科學領域。但反過來，數據科學家則不太可能去開發軟件。隨著人們開始將機器學習看作硬編碼條件邏輯的替代品，更多軟件工程師去涉足機器學習領域。

成為有競爭力的全棧開發者需要數年時間

實際上，優化數據庫、構建API微服務以及構建響應式前端，這三者之間并沒有什么共同點。他們可能是由3種不同的語言實現的，這些領域里幾乎沒有自動化。

與此相比，全棧機器學習工程師正在實現愈加強大的自動機器學習技術（AutoML），可以為此編寫一個標準操作程序，并將訓練分類器的任務交給實習生。軟件工程技能組各個部分的自動化淘汰還需時日。

通常機器學習是產品的補充而非產品本身

少數公司將人工智能作為其核心產品，而大多數公司將人工智能作為既有產品的補充。媒體可能會使用機器學習進行文章推薦，但其核心產品是寫作或是出版平臺。

有趣的是，大多數公司將機器學習用于簡單和相似的用例。這使得單個公司很容易將上述用例作為軟件即服務產品。再然后，突然之間初創企業不需要在內部構建了。

這與極度復雜且定制化的基礎設施問題形成對比，亞馬遜網絡服務上沒有能在短時間內處理Medium基礎設施的現成方案。

基礎設施正變得異常復雜

亞馬遜云服務已經拓展出200多種不同的云服務。Heroku在云中運行應用程序的平臺即服務（PaaS）方法很不錯，但很昂貴。現在有一個全新的云服務平臺來進行管理網絡、數據庫和服務器，在這里，一個小失誤就可能會引發很大的安全隱患。

有一個名為“云工程”的完整開發子集，其任務是使軟件在AWS、GCP、Azure上運行。在小公司中，建設基礎設施的任務通常落在高級開發人員的肩上。這個任務很復雜，但同時也意味著寶貴的工作機會和難以復制的技能。

前端開發正在持續發展

一些公司致力于基于模型自動生成前端。但筆者的同事們一致認為，我們距離高質量產品還有很長一段路要走。

軟件開發十分復雜，但這種復雜性意味著不可替代的技能，這非常有利于就業。廣泛的技能組合賦予了人們端到端解決實際問題的能力。為了構建一個能使普通人自行解決問題的社區，軟件工程是一個不錯的開端。

機器學習該何去何從呢？它仍然擁有一席之地，但顯然，解決問題比訓練模型更為重要。