撰文｜OneFlow社區
AI/ML 大熱后，很多工程師跟著潮流學習新技術，再加上高薪誘惑，不少人就跳坑到機器學習的研究/工程職位，但進去后才知道這里并不是想象中那么美好，一入此坑深似海，你是不是也感同身受？
最近，Reddit 上的一位做了一年 ML [email protected]，[email protected]?涌進機器學習領域，他也曾以為ML工作夢寐以求，但現在，他發現有錢難買我開心，準備棄坑跑路了。
他給出的的理由是查看損失曲線、調整特征和參數的工作實在太耗費精力，太無聊，尤其是生產模型時，當它們沒有產生預期的效果，他會不禁認為自己只要足夠努力，模型就會變得有效，但往往事與愿違，ML 模型效果難以捉摸，項目的交付難度無形中讓他壓力山大，他現在很厭惡花數個小時在“垃圾數據”中撞腦袋的機器學習工作中。
不過，他正在打軟件工程師的主意，當處理更純粹的編程和工程任務時，他覺得自己會獲得更多工作樂趣。
在他訴苦后，江湖上大致有 ML“棄坑”派、MLOps“真香”派和技多不壓身派給出了觀點，有人勸他打消這種想法，這樣做一定是瘋了，也有勸他跳坑做自己感興趣的軟件工程的，另一部分人則建議使用 MLOps 工具幫他減輕當前的工作壓力。
一時間，三大門派各抒己見，一頓輸出后，似乎讓這位工程師不知所措了......
1
機器學習“棄坑”派
實際上，@hedy-m 的抱怨在 ML 領域很常見?！皸壙印迸删W友表示很有共鳴，勸他去搞軟件工程。
基本上，不少機器學習項目需要為獲取相關資源和數據而四處奔走，你還需做耗時的數據處理工作，但最終 ML 項目的成功取決于你所擁有的數據甚至是運氣。模型沒有按預期工作總讓人感到沮喪，并且你還要為此負全部責任。
Reddit 網友 @knighttoken1 稱，如果你開始解決一個不可能或者非常困難的問題，無論如何嘗試使用不同的 ML 模型都不靈時（至少 ML 不是解決方案）。在這樣的項目中，很難不把個人價值與模型性能聯系起來。
“在 ML 工作中，你很容易工作 14 小時，同時失去友誼、社交和健康，最終仍然一無所獲”：）
此外，大部分 ML 工程師日常用的是知名模型或復現其他論文，創造性空間有限，難以獲得成就感，有人認為，要想在機器學習工作中做出好成績，還是要有 Phd 加持去做研究。當你成為?ML 的大牛，輕松輸出各種相關論文時，生活就美滿幸福，但要想有影響力和創新性，自然也會承受各種壓力。
即便在大廠，只有極少數地方才會用到最前沿的ML研究，[email protected] 提到，在大廠 ML 團隊帶過后，現在討厭關于 ML 的一切，他轉到了更標準化的后端工作，只是把ML當成一種業余愛好。
還有人提到，機器學習工程師還要努力展示與某些業務 KPI 相關的直接商業價值，而模型的改進不一定會對業務 KPI 產生直接影響，因為還有很多其他因素促成數據產品取得成功，由于涉及到如此多的不確定性，他們通常也不得不使用太花哨的東西，因此，舊招數不斷被重復使用。
相對而言，做軟件工程不確定性更小，優秀的軟件工程師投入必要的時間，就會獲得積極的結果，而且對任何科技公司來說，軟件工程項目都是更成熟的核心業務。
2
MLOps“真香”派
機器學習工作中讓人很糟心的是，要處理混雜的數據，并且沒有稱心的編程工具，如果能改變這兩點不足，機器學習工程師的生產力將得到大幅提升。
網友 @CuriousRonin 的回復得到了最高贊。他認為，在許多情況下，當你打算將代碼用于生產時，只有使用更高級別的框架才能節省大量時間，而不是將時間花在代碼和文檔、錯誤分析以及訓完模型后的很多其他工作上。
不過使用 PyTorch ?Lightning 或 fast.ai 等更高級別的框架也有很多麻煩。有人提到，從 Fastai 部署 PyTorch 模型非常痛苦，因為人們必須了解 Docker、PyTorch、WebAPI/flask 和云容器服務、監控......
因此，他建議使用 MLOps 工具。如果沒有良好的基礎設施，系統質量和開發體驗就會一塌糊涂，而 MLOps 就像是編程用的 IDE 或 Git，這是行業中最有價值的東西。
有人補充，機器學習工程師的工作是弄清楚如何將模型產品化，并將其擴展到軟件工程師構建的 Serving 平臺，如果發生模型漂移，還需要監測和調整，而 MLOps 平臺可以做到這一點。
網友 @chief167 更直接，他說自己根本不喜歡 Azure、Snowflake 或 ?Databricks 進行部署，現在模型就緒后，使用 MLOps 平臺在 15 分鐘內就可完成模型部署，API 就緒，完成監控，拋出接口并完成整個過程，確實消除了所有痛苦。
在他看來，谷歌 GCP 和 AWS 比傳統玩家要好很多，但離專用平臺還差得很遠，還推薦使用 Datarobot、H2O、Teradata Vantage 等 MLOps 平臺。
目前，MLOps 主要被用于由 AI 技術驅動的組織中，一般由數據工程師或應用工程師打造，不過在一些組織中，機器學習工程師也會承擔 MLOps 工具的開發工作。
3
技多不壓身派
溫和的中庸派也發話了，俗話說，多門技術多條路，不要搞得這么決絕。
許多公司在軟件工程和 ML 這兩個角色之間還沒有過于明顯的區分，實際上，如果你在這兩方面都擁有成熟的經驗，那你更有價值。
網友 @modernzen 現身說法，他目前的職位是機器學習工程師，但主要做的是軟件工程 + MLOps/DevOps 的工作，偶爾還會做數據科學任務。盡管他喜歡數學/統計/理論機器學習，但一直喜歡寫代碼勝過任何事情。
他將大部分時間都沉浸在編碼工作上，并且從不抱怨，只花 <10% 的工作時間在 fine-tuning 或調參的 ML/DS 任務上，這樣不至于對其感到厭倦。他建議在一個使用機器學習的團隊找到一份軟件工程師的工作，這樣即使大部分時間不直接使用 ML 模型，你仍然可以研究機器學習。
還有一位有 20 年軟件工程師經驗的網友寬慰道，無聊或壓力可能不是技術領域的問題，更多與團隊或者項目有關。當你看到軟件運行或輸出業務見解，并為用戶和企業帶來價值時會讓人感到滿足，開發項目也并不總是很順利。
聽了上述三大門派的觀點，你會選擇棄坑ML？繼續茍著？還是有其他選擇？
其他人都在看
資源依賴的“詛咒”?
“遠見者”特斯拉AI主管Karpathy
TVM：成為深度學習領域的“Linux”
對抗軟件系統復雜性：恰當分層，不多不少
解讀Pathways（二）：向前一步是 OneFlow
OneFlow v0.7.0發布：全新分布式接口，LiBai、Serving等一應俱全
歡迎下載體驗OneFlow v0.7.0最新版本：https://github.com/Oneflow-Inc/oneflow/https://github.com/Oneflow-Inc/oneflow/
關鍵詞： 機器學習
