全文共3335字，预计学习时长7分钟
机器学习工程师是引领人类进入AI未来不可或缺的职业。近年来每一次技术转向都会带来新机遇，催生新职业满足新需求。
这些改变对企业以往的运行模式产生了很大影响，而如今人们又处在另一轮变化之中。
本文将带你穿越时间，一览历史上改变企业的几大主要技术转向。
福特模式
“假如我问民众需要什么，他们会说‘更快的车’。”
事实上福特从来没有说过这句话。但这句话能佐证本文的观点，即福特模式用宏观想法，解决实际问题。福特T型车发售时，福特本人也在解决交通堵塞（马车啊！）和交通事故问题，帮助通勤更加便捷。
福特模式会在你具备高瞻远瞩、大众有解决问题的需求的时奏效。但这种模式也具有风险性，因为它就像期望在黑暗里投中飞镖一样。
在黑暗中投掷飞镖
福特手头没有任何数据，也没有接触过任何对更好的车有需求的人群。在福特那个年代，汽车只是昂贵而不常用的配件。福特的成功在于他的前瞻性和他对想法的落实。福特对于汽车的看法是正确的，而世界大部分人的看法是错误的。
该模式的最大弊端是，一个人不可能经常对某事持完全正确的判断，而全世界其他人也不可能都大错特错。乔布斯就是一个现代范例。随便谷歌就能发现，有多少人曾认为乔布斯让苹果发行手机是个糟糕的想法，苹果应该开除乔布斯，使公司免受拖累。
为提升成功的概率，需要在现有配置中加入一些新元素，由此引入下一个模式。
市场调研
福特还在世的时候，世界经历了一次重大转变。其中，与商业领域最密切的技术转变就是远程通信的诞生。电话、电台和电报在19世纪末或20世纪初都相继产生或投入使用。不过像汽车一样，它们也是昂贵的配件，不能为大众享用。随着这一现状的改变，通讯变得更加廉价，信息共享也因此迅速发展。
变化的一个结果在于，现在人们能够知晓另一个州的竞争对手在做什么，自己的产品在另一个国家的销售状况如何。这时的数据已被中心化，人们一开始发掘其中的模式，得出了最早的几种市场营销理论。这就是焦点小组和消费理论的开端。
现在你可以在投掷飞镖前瞄准目标
由此产生了对新型职业的需求。这些年里，人们理解那种数据模式的方式依靠的是引进数学和心理学方面的人才。不要忘记，那时候弗洛伊德还在活跃，所以了解人的内心、后期控制人的潜意识一类的思潮十分盛行。这种新兴职业将是当今所谓市场营销部门的开端；现在为瞄准特定群体学习说服技巧，已成为市场营销课程的一部分。
现在人们能从其他人的错误中吸取教训，但更重要的是，人们能够在发行产品之前，学习特定的人口学知识，了解用户数据段。
假如你在管理一家上世纪30年代的公司，你会得到一份来自焦点小组的报告，其中说明消费者会欢迎公司推出更多颜色的产品。之后，你会小规模试运行一款“限量版”产品吸引消费者眼球。但如果你想在发行后提高销量，只能投资电台广告，除此之外别无他法。这仍然是“万金油”式的通讯方法，大部分来自消费者的可及数据都处于高度聚集的状态：不是几个月前就是几年前收集的。获取消费行为的实时数据或更精细的数据是不敢想的。但这会随着下一个技术转向——计算机而改变。
预测的时代
这是二战以后开始的时代，人们当今正处在这个时代的末尾。战后计算机成为企业和政府内部重要的角色。带来的直接效益是，计算机能够在几秒内解决需要一整层数学家解决的问题。在计算机问世以前，经常是一群致力于分析数据的人为答案为“是”或“否”的问题耗费好几个小时，或是几天（详见《模仿游戏》[The Imitation Game]和《隐藏人物》[Hidden Figures]）。多亏了计算机，人们能在自己的数据上进行多种操作，收集多少数据就能处理多少数据。
后来互联网跻身主流，实时数据触手可及。比如现在你就能追踪有多少用户在浏览过程中访问过你的网页。但是每一次发展技术转向，都需要新的职业出现，来利用所有的新可能。也即数据科学家，在华尔街上，这些人又称“股市分析员”（the quant）。
这种新型职业要求对产品有深刻的了解，具备较强的数学功底。数据科学家能够通过合理切割数据适用自己的需求，贴合复杂的模型，并预测未来的走向。这个新职业的诞生，让我们有可能知道任何需要了解的消费者信息，唯一的问题是“我们是否拥有这方面的数据”。这是一次从定性方法（利用心理学理解消费者）到定量方法（“这就是数据显示的”）的跨越。
实时操作成就了自动导航的飞镖
比起前一个模式，该模式最大的区别是实时操作（即步骤3、4、5）。因为可用数据更多，运行速度更快，相应地反应速度也更快。想象新网站周一刚刚发行，多亏了实时操作，我们在一周之内都能调整网站的内容。这些调整将全部基于用户的行为/反馈。如果链接失效了呢？没关系，这些数据能在一两个小时内被捕获并修复完毕。
但并非只有数字企业才能利用这一模式。想想好莱坞，你是否发现一些演员常常在一起合作同一部电影？怎么会让那些演员一次又一次扮演相似的角色呢？好莱坞有一个庞大的产业，那就是预测观众期望看到的电影类型。如果一个人计划导演一期电视连续剧，他/她就可以追踪每一集发行后的收视率，同时根据社交媒体言论决定每一个角色的最后命运。
但这种模式仍然存在漏洞。现在每一秒内都有大量数据流入，人们处在飞速变化的时代。计算机可以处理所有数据，但人们仍然需要回家睡觉休息。想要在竞争中先人一步，就要比别人更快。而且目前人们已经对未来的模式有些许展望。
AI时代
嗨！我是新来的员工。我可以为你免费工作。
比起世界的其他企业，有些企业已经步入未来的发展模式。网飞推荐随着用户观看的更多节目而更新，谷歌搜索总是与世界大事和用户所在的地理环境保持同步，而亚马逊则基于用户的使用记录和其他用户的行为来推荐产品。企业仍然可以用前一种模式支持这些服务，但在这种情形下，这个企业就需要大量的人力投入来整合数据、达成见解、为每一种提及的产品的创建策划列表。完成这一轮任务后，企业就需要重新开始新一轮的工作，因为之前推荐的早已过时。
关于所有产品的现象背后有着一个共同点：那就是机器学习。它对前一种模式的改进如下：
你现在可以静待机器人帮你更快、更准地投掷飞镖。
目前两种模式的区别是，AI依据用户反馈的信息来运营产品，没有时间供人们发掘数据新趋势。速度和规模十分重要，但数据科学家仍在当前模式中占据一席之地，总有人要给AI的行为赋予商业洞察力。在网飞公司里，人们可能进行以下对话：
甲：我们注意到人们比我们预想的更喜欢圣诞主题的电影。
乙：是，AI在不断地给用户推荐这类电影。但我们没有足够的电影推荐了。
甲：我们应该尝试尽可能地授权圣诞主题电影。你为什么不处理下数据，看看我们需不需要内部投资一部分电影？这会省下很多钱。
要注意，企业依靠推荐获取的所有商业效益从来无需通过策划列表获取。AI能够以最好的可能方式分配现有产品目录。数据科学家只在后期负责构想更深远的商业见解，随后有助于AI制作更加优质的产品目录。
AI是当今的技术转变方向，但不是所有企业都做好充分准备面对这一转变。促成AI技术转变的新型职业必须熟练运用机器学习和云计算。这就是机器学习工程师。
未来展望
如果在领英上快速搜寻机器学习工程师，便会发现大部分发布的职位都来自脸书、苹果、亚马逊、网飞和谷歌领衔的互联网五大巨头（FAANG）。这种关联性很有意思。
机器学习变得如此重要的原因是，机器学习模型需要更大规模地投入生产。举措之一就是在一夜之间用特定批次的数据对模型进行训练。除此之外就是部署一种依靠流数据，通过阅读来自数百万计用户的多种数据源转移数据的模型。
这不是一项简单的工程，这也是为什么当今大多数模型都多少受困于Jupyter Notebook，后台运营组常把后者视为阻碍。产生这种看法的原因在于，他们不知道如何运用它并将其注入到服务中去。这也正是为什么机器学习工程师是引领人类走向AI未来的职业。
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
转载：https://blog.csdn.net/duxinshuxiaobian/article/details/100515019