學PLC和學機器人？

樓主問得好！

據我了解，機器學習雖不如其他領域那么火爆，但在過去幾年里也算得上火熱了，研究者和學習者越來越多，甚至很多大學還單獨成立了AI學院及專業(yè)。然而，很遺憾，盡管如此，這個方面的人才還是稀缺。

那么，這是為什么呢？其實是因為現在是被信息和數據爆炸的時代。這么說吧，咱們每人每天至少會產生1G以上的數據，這些數據五花八門，包括網絡數據、行為信息、設備數據、點擊流、應用數據等，而這些信息具有以下特點，就決定了這么多應用場景，目前的人才產值顯然是遠遠不夠的。

1.龐大而復雜，無法直接被使用；

2.善加分析利用，可在電商、醫(yī)療、能源、交通、工業(yè)等方面產生價值，而且除了這些行業(yè)級領域外，在一些細分領域，也能產生價值。

下面，再來聊一聊哪個方面的人才最緊缺？

一個機器學習從業(yè)者面對這么多的數據、場景、行業(yè)、領域的時候，可能會茫然：我到底能做什么，能在哪個方面做出事情來？

1、機器學習平臺建設：一個好的機器學習平臺要包括算法、工程、服務發(fā)布等，從機器學習平臺建設的角度去入手的話，現在已經晚了，因為現在的云上機器學習平臺已經非常成熟了，而且還有云上的幾乎可以說不限量、不加價的計算資源支撐——比如華為云EI，而且自己從零開始構建一個機器學習平臺成本太高了。由此可見，機器學習平臺不稀缺……

2、機器學習算法研究：這么說吧，算法研究永無止境，機器學習算法研究更是深坑無數，現在機器學習在圖像、語音方面的算法、模型已經比較成熟了。拿圖像識別來說，真正應用的時候95%準確率和96%準確率有區(qū)別嗎？我個人認為并沒有。所以如果未來3~5年是待在校園的話，建議還是繼續(xù)從事算法研究；如果要踏入職場，建議放棄圖像和語音方面的算法研究。至于文本相關的算法研究，個人認為可以持續(xù)，畢竟文本是非常常見的一種信息，而且中文文本又是這么的特殊，繼續(xù)填坑非常有價值。由此可見，這一領域的人才稀缺！

3、機器學習場景識別：哪些場景可以用機器學習、哪些場景用傳統(tǒng)方法即可解決、哪些場景寫規(guī)則就可以了，這個需要對場景相對比較深的理解，這方面的知識是實踐出來的。由此來看，這個領域的人才毫無疑問屬于稀缺狀態(tài)！

4、機器學習行業(yè)應用：機器學習從業(yè)者的口號是“只要有數據存在的地方，機器學習就有價值”，但實際上還是得分行業(yè)，有一些行業(yè)并不需要機器學習的進入。所以細分的、行業(yè)相關的、領域相關的機器學習人才是非常有價值的。故此，這個領域的人才稀缺無疑！

知道了哪個領域的人才最稀缺，或許有朋友想問了，那么我怎樣才能成為最稀（zhi）缺（qian）的頂尖人才呢？

最后，我再給有志于從事該領域人才的朋友們支幾招，助力有心人成為武林高手。

招數1、懂場景識別、懂平臺建設

有人要問了“你上面不是說機器學習平臺建設不稀缺嗎？”是的，沒錯，機器學習平臺本身不稀缺了，所以單純要去做機器學習平臺其實意義不大。但是如果你懂機器學習場景的話，將識別出來的一些重要場景能夠嵌入到機器學習平臺上成為固化的拿來即用的方案（有點繞，多讀兩遍），這個就非常有意義，尤其是對一些想要用AI的中小企業(yè)來說，無疑節(jié)省了非常多的成本。華為云EI目前就內置了非常多的場景，并且在持續(xù)不斷的更新中。

招數2、懂細分行業(yè)中的場景識別

如果你能夠在某一個行業(yè)深入的探索適合這個行業(yè)的機器學習解決方案，能夠識別這個行業(yè)中能夠應用機器學習的場景，能夠明白這個行業(yè)的這個場景如何進行數據采集、數據清洗、數據預處理、算法選擇、服務部署方式，那么恭喜你，你就是這個方面的專家！

招數3、遷移學習研究

與數據爆炸相悖的一些場景是數據量非常非常的少，比如工業(yè)界的故障數據。如果能夠在遷移學習的研究上形成突破，解決數據量少、知識不完備、知識遷移的問題，那么將有很多的工業(yè)界的問題能夠解決。

招數4、有趣的應用

做一個簡單的應用方案已經不夠吸引人了，比如現在圖像識別這么成熟，你打開手機前置攝像頭，識別出你的性別、大概年齡、衣服顏色等等，新鮮勁過了之后，意義就不大了。但是如果能夠加上一些東西，比如通過表情識別在屏幕上顯示“你現在不開心嗎？”，這樣的交互感更強（當然也更難實現）。說白了，現在的AI人機交互主要通過語音，如果能夠通過語音+圖像的方式，則更有意義。

招數5、文本研究

文本很特殊，中文文本更特殊，如果能夠做到很好的文本理解，提高知識、信息的獲取速度、準確度，會有很大價值。這一點不多解釋。

招數6、工業(yè)應用

工業(yè)、制造業(yè)作為傳統(tǒng)的行業(yè)，目前機器學習的進入還不夠深入不夠廣泛，并且由于工業(yè)領域的多樣性、數據的復雜性、設備的復雜性，導致應用泛機器學習很難，如果能夠將工業(yè)界的機器學習應用進行劃分，并且在每一個劃分中總結合理的方法論，非常有意義。

本文作者：

@LoveCC

華為云 EI解決方案部

圖片來源網絡

更多精彩內容可以關注 華為云技術宅基地