保持领先是当今科技专业人士的口头禅。随着技术和相关流程的发展，从事这一领域工作的人必须更新技能，甚至在必要时更新职业。

服务台、系统和网络管理员的一些传统角色正在逐渐消失，他们需要更丰富、更多样化的技能。机器学习(M L)和人工智能(al)是不断进入IT世界的两个领域。寻找未来技术职业的人会熟悉ML和AI。

我和云提供商平台Paperspace的CEO狄龙埃尔布聊过，想了解更多。

斯科特马特森：什么样的教育背景对ML/AI领域有帮助？

迪伦埃布：我最近听到一个有趣的统计数据：今天，大约70%的深度学习或人工智能从业者还在上学。因为这是一项新技术，吸引了各个学科的人，我们没有真正的先例。

事实是，当今空间的大多数杰出从业者要么是自学成才，要么来自完全不同的领域(即不仅仅是计算机科学或编程)。扎实的统计学和传统数学背景总是有帮助的——在研究领域的经验也是一大好处。

还有很多在线课程，比如快速人工智能和Udacity，还有很多由所有大型技术参与者提供的资源，帮助自己成为人工智能开发者。精通数据是关键，尤其是Python，因为它是主要语言。另一方面，还有一种更传统的软件架构。

一般来说，我们今天有很多人，他们要么真的擅长软件，但不太擅长数学或统计。或者平衡你在软件和数学方面的知识和经验会给你在就业市场上带来显著的优势。

斯科特马特森：传统的信息技术技能有什么帮助？

迪伦埃布：它今天面临的挑战是ML/AI是新的。这是一个新的工具，他们必须明白它以前是不存在的。所有传统的信息技术技能仍然非常有帮助和进步，并且将更加关注机器学习工具如何与组织中已经部署的所有现有系统相叠加。然而，目前，关于如何增加组织内的协作或受欢迎程度，以及如何为所有利益相关者增加更多的洞察力，仍然存在一些问题。一个信息技术部门不一定与任何一个部门相关，但要确保在一个单位做出的决定可以转移到另一个领域，如果成功的话，或者给组织的其他部分增加一个鸟瞰图。

这在数据科学或机器学习的背景下尤其相关。当今信息技术关注的一个问题是，没有人工智能/人工智能的最佳实践。令人担忧的是，由于系统跨越不同的部门，从业者被孤立。这些从业者不会对他们的模型构建或软件使用版本控制，他们很难阻止这些人孤立地运行。

相信我们会看到对新机器学习工具更大的需求，从而在传统IT环境中发挥更好的作用。

斯科特马特森：传统的信息技术技能是如何变得无关紧要的？

迪伦厄尔布：我相信机器学习世界最终将不得不遵循传统的信息技术流程，而不是相反。我这样说是因为IT至少在大型组织中有广泛的计划，例如数字化或协作，或者围绕提高开发人员的速度采取非常高级别的计划，同时仍然保持对外部利益相关者的可见性。

这些将继续非常强大，但必须发生的是，正如我们前面讨论的，机器学习小组需要由数据科学家和DevOps人员混合组成。它必须适应这个合作单位，并努力找出它在组织中的现有位置。

在某些领域，人工智能和机器学习可能会取代传统IT的某些方面，例如威胁分析和异常检测。最后，我觉得这真的只是工具箱里的另一个工具。

斯科特马特森：建立一个ML/AI开发团队目前需要哪些技能？

狄龙埃布：有三个基本技能可以找到。首先是一般属于数据科学的东西，有时候甚至是BI工具。它是一个能够收集和清理现有数据并提供对这些来源的洞察的人。然后，你有了一个新的人工智能群体，他们可能不太注重数据收集，但更注重构建对这些数据的洞察力。第三个技能集涉及一个DevOps人员，他可以加入构建模型和预测引擎的团队。

一个真正杀手级的AI团队将统计学家或数据科学家的技能和一些我们通常称之为人工智能或深度学习的更现代的工具与DevOps人员混合在一起，他们可以使用这些模型并真正促进它们的生产。如今，这两套技能差距很大。

斯科特马特森：ML/AI开发者的就业市场是什么样的？

迪伦厄尔布：从卖方市场的意义上来说，还是很有竞争力的。如果你精通更新的机器学习和人工智能工具，你会做得很好。这一两年改变的是，到那个时候，凡是能远程理解这些东西的人，都会有工作。如今，寻找和奖励专业知识的压力很大。

有些人进入就业市场，对这些工具很熟悉，但却无法插入所有已有的系统，这远比在一个已经有很多系统和很多已有工具的组织中能够运行人工智能的人差得多，这些都是围绕数据收集/部署等展开的。

斯科特马特森：哪些新领域正在被打破？

迪伦艾布：现在是最激动人心的时候了。

奋的领域是汽车ML。 机器学习模型很难创建。 他们需要专家。 所以问题是，你如何制作能够自动发现有效神经网络或有效机器学习模型的工具？

另一个新的开创性领域是强化学习，通过这种学习，你可以创建一个系统，在某种意义上，机器学习模型可以训练自己。 我也会列出合成数据。 这个想法几乎所有的机器学习都受到机器学习算法可用数据的限制。 有令人兴奋的新方法来生成新的数据，比如使用机器学习生成数据，然后训练其他机器学习模型，这有助于引导整个过程。

SEE：管理AI和ML的企业2019年：技术领导者期望比以前的IT项目更困难（技术专业研究）

斯科特·马泰森：什么工作可能会受到ML/AI的威胁？

Dillon Erb：毫无疑问，ML/AI将导致文件输入等某些领域的工作转移，这种机器学习模型可以更有效和/或更具成本效益。 在某些领域收集数据是另一种可能性。 我确实认为这项技术也会创造许多新的工作，因为当这些系统在线时，你需要能够监控它们，分析它们，描述它们，思考它们，并利用它们的人。 一般来说，工作会有变化，但我对整体工作增长的情况感到乐观。

斯科特·马泰森：你建议在任何威胁地区的现有人员如何保持竞争力？

Dillon Erb：人工智能的一个危险是，在目前的形式下，它似乎注定要由少数专家或能够获得极大数量数据的人控制。 我相信，一般来说，作为一个社会，或作为一种文化，我们需要投资于更好地理解这些系统，以便它们不再是黑匣子。 事实上，它们是我们可以集体谈论的那种东西-它们是如何表现的，以及它们为什么存在。

SEE：如何成为机器学习工程师：一份备忘录（技术共和国）

斯科特·马泰森：对于ML/AI和在外地工作的人员来说，你预见到了什么？

迪伦·艾尔布：现在的大动作是从研发进入生产。 过去几年来，许多公司、个人和研究人员投资学习这项技术。 现在的大问题是如何将它带入一个不仅仅是测试用例的真实环境。

长期的趋势是，这是一个更大的主张，但我相信机器学习和人工智能将被纳入其他业务实践。 从这个意义上说，它不再是独立的实体，而是它实际上的核心，就像公司过去拥有网络团队和移动团队一样，但最终，它成为了一个做移动以及网站的应用团队。

毫无疑问，对于那些强烈关注它的人来说，AI/ML是一种根本性的变革技术。 尽管如此，关于它的界限，它的界限仍然有许多悬而未决的问题。 其中有些是技术问题，有些是文化、政治和政策问题。 我相信技术的未来在很大程度上是没有定义的，所以我会鼓励每个人投资更好地理解它。