撰文｜oneflow社区
ai/ml 大热后，很多工程师跟着潮流学习新技术，再加上高薪诱惑，不少人就跳坑到机器学习的研究/工程职位，但进去后才知道这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 工程师的@hedy-m就吐槽，有太多人因为“酷”、“聪明”和“高薪”一窝蜂涌进机器学习领域，他也曾以为ml工作梦寐以求，但现在，他发现有钱难买我开心，准备弃坑跑路了。
他给出的的理由是查看损失曲线、调整特征和参数的工作实在太耗费精力，太无聊，尤其是生产模型时，当它们没有产生预期的效果，他会不禁认为自己只要足够努力，模型就会变得有效，但往往事与愿违，ml 模型效果难以捉摸，项目的交付难度无形中让他压力山大，他现在很厌恶花数个小时在“垃圾数据”中撞脑袋的机器学习工作中。
不过，他正在打软件工程师的主意，当处理更纯粹的编程和工程任务时，他觉得自己会获得更多工作乐趣。
在他诉苦后，江湖上大致有 ml“弃坑”派、mlops“真香”派和技多不压身派给出了观点，有人劝他打消这种想法，这样做一定是疯了，也有劝他跳坑做自己感兴趣的软件工程的，另一部分人则建议使用 mlops 工具帮他减轻当前的工作压力。
一时间，三大门派各抒己见，一顿输出后，似乎让这位工程师不知所措了......
1
机器学习“弃坑”派
实际上，@hedy-m 的抱怨在 ml 领域很常见。“弃坑”派网友表示很有共鸣，劝他去搞软件工程。
基本上，不少机器学习项目需要为获取相关资源和数据而四处奔走，你还需做耗时的数据处理工作，但最终 ml 项目的成功取决于你所拥有的数据甚至是运气。模型没有按预期工作总让人感到沮丧，并且你还要为此负全部责任。
reddit 网友 @knighttoken1 称，如果你开始解决一个不可能或者非常困难的问题，无论如何尝试使用不同的 ml 模型都不灵时（至少 ml 不是ag真人官方网的解决方案）。在这样的项目中，很难不把个人价值与模型性能联系起来。
“在 ml 工作中，你很容易工作 14 小时，同时失去友谊、社交和健康，最终仍然一无所获”：）
此外，大部分 ml 工程师日常用的是知名模型或复现其他论文，创造性空间有限，难以获得成就感，有人认为，要想在机器学习工作中做出好成绩，还是要有 phd 加持去做研究。当你成为 ml 的大牛，轻松输出各种相关论文时，生活就美满幸福，但要想有影响力和创新性，自然也会承受各种压力。
即便在大厂，只有极少数地方才会用到最前沿的ml研究，况且还是业务优先。@ternaryjimbo 提到，在大厂 ml 团队带过后，现在讨厌关于 ml 的一切，他转到了更标准化的后端工作，只是把ml当成一种业余爱好。
还有人提到，机器学习工程师还要努力展示与某些业务 kpi 相关的直接商业价值，而模型的改进不一定会对业务 kpi 产生直接影响，因为还有很多其他因素促成数据产品取得成功，由于涉及到如此多的不确定性，他们通常也不得不使用太花哨的东西，因此，旧招数不断被重复使用。
相对而言，做软件工程不确定性更小，优秀的软件工程师投入必要的时间，就会获得积极的结果，而且对任何科技公司来说，软件工程项目都是更成熟的核心业务。
2
mlops“真香”派
机器学习工作中让人很糟心的是，要处理混杂的数据，并且没有称心的编程工具，如果能改变这两点不足，机器学习工程师的生产力将得到大幅提升。
网友 @curiousronin 的回复得到了最高赞。他认为，在许多情况下，当你打算将代码用于生产时，只有使用更高级别的框架才能节省大量时间，而不是将时间花在代码和文档、错误分析以及训完模型后的很多其他工作上。
不过使用 pytorch lightning 或 fast.ai 等更高级别的框架也有很多麻烦。有人提到，从 fastai 部署 pytorch 模型非常痛苦，因为人们必须了解 docker、pytorch、webapi/flask 和云容器服务、监控......
因此，他建议使用 mlops 工具。如果没有良好的基础设施，系统质量和开发体验就会一塌糊涂，而 mlops 就像是编程用的 ide 或 git，这是行业中最有价值的东西。
有人补充，机器学习工程师的工作是弄清楚如何将模型产品化，并将其扩展到软件工程师构建的 serving 平台，如果发生模型漂移，还需要监测和调整，而 mlops 平台可以做到这一点。
网友 @chief167 更直接，他说自己根本不喜欢 azure、snowflake 或 databricks 进行部署，现在模型就绪后，使用 mlops 平台在 15 分钟内就可完成模型部署，api 就绪，完成监控，抛出接口并完成整个过程，确实消除了所有痛苦。
在他看来，谷歌 gcp 和 aws 比传统玩家要好很多，但离专用平台还差得很远，还推荐使用 datarobot、h2o、teradata vantage 等 mlops 平台。
目前，mlops 主要被用于由 ai 技术驱动的组织中，一般由数据工程师或应用工程师打造，不过在一些组织中，机器学习工程师也会承担 mlops 工具的开发工作。
3
技多不压身派
温和的中庸派也发话了，俗话说，多门技术多条路，不要搞得这么决绝。
许多公司在软件工程和 ml 这两个角色之间还没有过于明显的区分，实际上，如果你在这两方面都拥有成熟的经验，那你更有价值。
网友 @modernzen 现身说法，他目前的职位是机器学习工程师，但主要做的是软件工程 mlops/devops 的工作，偶尔还会做数据科学任务。尽管他喜欢数学/统计/理论机器学习，但一直喜欢写代码胜过任何事情。
他将大部分时间都沉浸在编码工作上，并且从不抱怨，只花 <10% 的工作时间在 fine-tuning 或调参的 ml/ds 任务上，这样不至于对其感到厌倦。他建议在一个使用机器学习的团队找到一份软件工程师的工作，这样即使大部分时间不直接使用 ml 模型，你仍然可以研究机器学习。
还有一位有 20 年软件工程师经验的网友宽慰道，无聊或压力可能不是技术领域的问题，更多与团队或者项目有关。当你看到软件运行或输出业务见解，并为用户和企业带来价值时会让人感到满足，开发项目也并不总是很顺利。
听了上述三大门派的观点，你会选择弃坑ml？继续苟着？还是有其他选择？
其他人都在看
资源依赖的“诅咒”
“远见者”特斯拉ai主管karpathy
tvm：成为深度学习领域的“linux”
对抗软件系统复杂性：恰当分层，不多不少
解读pathways（二）：向前一步是 oneflow
oneflow v0.7.0发布：全新分布式接口，libai、serving等一应俱全
欢迎下载体验oneflow v0.7.0最新版本：https://github.com/oneflow-inc/oneflow/https://github.com/oneflow-inc/oneflow/
关键词：