机器学习领域充满了厄运和阴霾：对机器学习人才的招聘正在逐渐放缓。
对于这种情况，Chip Huyen给出了假设：投资者将会完全对人工智能失去希望。 谷歌已经停止了ML研究人员的招聘，Uber裁掉了一半人工智能团队的研究人员……拥有ML技能的人将比ML工作多得多。
我们的经济正在衰退!
很多人都在谈论人工智能的寒冬。
人工智能(AI)、机器学习(ML)和数据科学(DS)最先陷入困境，这是非常有道理的，因为它们是大多数企业的奢侈品。
但这并不意味着未来并不光明，如果你创造了价值。
人工智能寒冬不会影响大多数AI / ML / DS工作
人工智能寒冬是一个资金减少和对人工智能研究兴趣下降的时期。
但是我们大多数人都不做研究。我们阅读论文，只是为了获得想法并进行创新，但是我们用的还是现有的技术，与创新研究无关。
此外，构建基于ML的产品普及并不一定与即将开展的研究数量相关。
而且现在还有越来越多的未能付诸应用的研究成果。更有趣的是，工业界仍在追赶数十年前的机器学习的设施。
现在，“人工智能驱动”产品越来越受欢迎，因为机器学习更加容易实现，而不是因为新的研究。
我们不需要先进的人工智能来解决问题
事实恰恰相反。
经典算法+领域知识+小生态数据集能够解决大多数实际问题，而不是深层次的神经网络。就好像我们大多数人都不是在研究自动驾驶汽车，更多的是作为一个消费者。
在我看来，在大型科技公司之外，专注于极端的技术能力被高估了，这与解决问题的心态和一般的开发技能形成了鲜明对比。
除了技术之外，还有大量的枯燥的手动工作，这些工作早就应该自动化了，而且不需要技术上的突破。
机器学习应该专注于创造价值而不是改变世界
当你解决了一个任何一个实际应用的问题，每个人遇到该问题的人都会是赢家。
就像硅谷欺骗了我们，让我们相信我们应该采取登月计划，而不是改善我们的生活环境和我们认识的人的生活。
我爱Uber，因为它改变了世界。但是，如果让Uber存活下来每季度要花费50亿美元，那么这里面可能就是出现了问题。
有些公司带来的影响是长期的，会影响到全球70亿人。但更简单的改进，如减少“无聊”行业中的数据输入错误，也能创造价值。
学习机器学习是对抗AI恐惧比较好的方法
自动化会消灭很多机械重复的工作，因为没有什么能像恐惧那样卖掉了。不是因为技术失业迫在眉睫。
学习机器学习，然后尝试概念化、培训和部署模型来解决实际问题。你很快就会发现，这里面仍然困难重重，其次，我们离AGI(通用人工智能)还有多远。
基础设施极度不发达，真实数据也很混乱。
当你从Kaggle下载CSV来为特定问题训练模型时，已经完成了99%的工作。
让机器学习变得容易的工具之间还存在差距
在过去10年中，易用性为机器学习的采用做出了比任何算法突破更多的事情。
几乎可以说软件工程师可以使用现成的组件将ML解决方案拼凑在一起，虽然这不是很容易。
随着工具的发展，我们将看到纯粹的机器学习工作会减少，但是使用机器学习解决各种问题的软件工程师数量将大大增加。此外，还有更多科技之外的公司将从中受益。
如果你是一名开发了机器学习伟大工具的工程师，那么我们所有人将永远承你恩情……- Chip Huyen
ML在全球范围内推动着价值的增长，但我认为我们还没有触及表面，直到合适的工具出现。
先从软件工程开始
如果你没有人工智能相关学科的高级学位，那么就从学习软件工程开始，然后再进入人工智能领域。
学习软件工程就像是获得一个技术方面的MBA，我们将从学习基础知识开始，创建完整的堆栈解决方案，并理解有助于机器学习的代码。
随着行业格局的变化，就业机会也会更多，转行也会更容易。
许多软件工程师都在ML/DS领域取得了成功。
结论
在人工智能领域有太多的炒作了，就像股市一样，不管上涨得多高，随之而来的都是“下跌”，但如果我们有所准备的话，这也不一定是坏事。
如果我们专注于开发一套通用技能(包括ML)，解决实际问题，并创造价值，我们总会有事情要做，而不至于失业。
