華人小哥控訴機器學(xué)習(xí)「四大Boring」，CS博士：深有同感，正打算退學(xué)

白交 2020-11-18 13:54:52 來源：量子位

楊凈 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI

機器學(xué)習(xí)很無聊。

至少這位鐵汁是這樣認為得。

甚至還在Reddit上發(fā)了帖子，標題就直接這么明晃晃寫道：

Why machine learning is more boring than you may think？

結(jié)果不到15個小時，便引起了500+熱度的討論。

對此，有網(wǎng)友認為，「因為它是工程技術(shù)，而不是基礎(chǔ)研究，工程需要滿足最低標準和最后期限的，技術(shù)上沒有什么挑戰(zhàn)性」。

而至于為何要如此強調(diào)「Boring」，這位數(shù)據(jù)科學(xué)家肖安講了如下原因，也給出了自己的解決方式。

機器學(xué)習(xí)「四大Boring」

首先是設(shè)計?（Designing）的部分，占據(jù)5%-10%的時間。

這時候是群策群力、迸發(fā)新想法的時候，包括新的模型體系結(jié)構(gòu)、數(shù)據(jù)功能和系統(tǒng)設(shè)計等。

預(yù)期的情況是，在每個項目中應(yīng)用最新和最出色的算法，可以在知名頂會期刊發(fā)布的那種。

但實際情況是，由于「時間限制」和其他優(yōu)先級事項，只能做到最簡單、有效的算法。

這時候，為了滿足作者的「成就感」，就會在附帶項目中進行一些「瘋狂」的想法，即使這些想法根本不起作用。

接著是編碼?（Coding ）的部分，根據(jù)項目的不同，20%到70%的時間占比。

代碼通常分為五類：占代碼總行數(shù)的百分比。

• 數(shù)據(jù)管道，50-70％；
• 系統(tǒng)和集成事物，10–20％；
• ML模型：5–10％；
• 支持調(diào)試和演示分析，5–10％；

預(yù)期的場景是，花費大量的時間在編碼ML組件。

但現(xiàn)在已經(jīng)有很多現(xiàn)成的框架和編碼語言，將很多復(fù)雜的東西抽象化，這樣工作流已經(jīng)十分標準化了，根本不需要去開發(fā)和完善ML組件。

既然如此，工程師則將更多的時間花在其他低級的優(yōu)化上，比如系統(tǒng)、數(shù)據(jù)管道等。

然后是質(zhì)量檢查、調(diào)試、修復(fù)?（Debug），至少要花65%的時間。（感受到了作者的怨念）

一般主要有兩種錯誤，不良結(jié)果和傳統(tǒng)軟件問題。

不良結(jié)果，就是模型效果不好、評分較低（比如準確性）。

傳統(tǒng)軟件問題，就包括系統(tǒng)損壞、系統(tǒng)配置問題。

理想的狀態(tài)，是只需要處理「不良結(jié)果」，然后去構(gòu)建更好的模型。

嗯，展現(xiàn)才能的時間到了！

然而現(xiàn)實情況是，大概70%-90%都是「傳統(tǒng)軟件」問題。

而至于不良結(jié)果，通常在構(gòu)建端到端模型訓(xùn)練和數(shù)據(jù)管道之后，就可以的很快獲得很好的結(jié)果了。

最后一個部分，就是「滅火」（Fire-fighting），處理各種意外情況。

這大概是所有工程師都不愿意看到的點了吧。

在整個交付過程中，不管是外部、甲方爸爸的要求還是內(nèi)部溝通不暢、能力不足等各種人為Bug，用作者的話來講，「就是一場噩夢」。

這時候，除了保持微笑之外，建議將時間軸延長到2-3倍，在團隊里積極交流。

害，說到這里，歸根結(jié)底就是理想與現(xiàn)實之間的差距，別人以為的和你自己正在干的區(qū)別。

比如，就像這樣。

最后，這位小哥還是注入了一些安慰劑。

就像從事任何職業(yè)一樣，最終都會感到無聊和沮喪。

但是沒關(guān)系，很正常。你應(yīng)該開發(fā)一種應(yīng)對機制，像玩游戲一樣，在過程中獲得一些小獎勵，然后最終獲得勝利。

網(wǎng)友怎么看？

對于這件事，網(wǎng)友們倒是意見各異。

有學(xué)CS學(xué)了6年的博士生自述了所遇到的迷茫，并表示打算放棄現(xiàn)在的博士學(xué)位。

我期望它是酷炫的、知識性、算法性的東西，但一直沒有等到可大展拳腳的工程/調(diào)試類項目。

因為這個原因，我打算退學(xué)。雖然現(xiàn)在還不清楚該申請什么樣的工作。

但有人覺得，作者所說的幾個Boring，恰好是喜歡當ML工程師的原因。

還給出建議：如果你想花費100%的時間用來構(gòu)建和調(diào)試ML模型，那你應(yīng)該去看看研究崗，而不是工程崗。

還有網(wǎng)友表示，自己很喜歡ML工程師的工作，從構(gòu)建自運行的端到端模型，到正式投入生產(chǎn)，會有很強烈的成就感。

也有人形象地比喻了理想與現(xiàn)實：

那么，對于這件事你怎么看？如果你的身邊也有類似的經(jīng)歷，歡迎與我們分享～

參考鏈接：

https://towardsdatascience.com/data-science-is-boring-1d43473e353e
https://www.reddit.com/r/MachineLearning/comments/jvq4jw/d_why_machine_learning_is_more_boring_than_you/