人工智能的飛速發(fā)展導(dǎo)致工作崗位的減少，從而引發(fā)社會(huì)矛盾，是人們普遍的想法。但是另一方面，人工智能也創(chuàng)造了另外一些工作。這些新的工作職位都是做什么的呢？都有哪些淵源呢？近年來人工智能大火，人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等概念頻頻出現(xiàn)。這些概念和這些工作職位又有什么關(guān)系呢？ 人工智能的飛速發(fā)展導(dǎo)致工作崗位的減少，從而引發(fā)社會(huì)矛盾，是人們普遍的想法。但是另一方面，人工智能也創(chuàng)造了另外一些工作。這些新的工作職位都是做什么的呢？都有哪些淵源呢？近年來人工智能大火，人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等概念頻頻出現(xiàn)。這些概念和這些工作職位又有什么關(guān)系呢？
1.人工智能三大主義
人工智能最近大火，但人工智能并不是最近的發(fā)明。早在計(jì)算機(jī)被發(fā)明之時(shí)，科學(xué)家們就想著用計(jì)算機(jī)實(shí)現(xiàn)人工智能了。1946 年 2 月 14 日，世界上第一臺(tái)電腦 ENIAC 在美國(guó)賓夕法尼亞大學(xué)誕生。1956 年，John McCarth 在達(dá)特矛斯會(huì)議上提出將 “人工智能就是要讓機(jī)器的行為看起來像人所表現(xiàn)出的智能行為一樣”。在怎么實(shí)現(xiàn)人工智能問題上，科學(xué)家們有不同理念和想法。這些理念和想法后來歸結(jié)為人工智能三大主義。
1.1 符號(hào)主義
符合主義者認(rèn)為人工智能源于數(shù)理邏輯, 可以通過在計(jì)算機(jī)上實(shí)現(xiàn)邏輯演繹的方式實(shí)現(xiàn)人工智能。在 1956 年首先采用 “人工智能” 這個(gè)術(shù)語的正是符號(hào)主義。后來符號(hào)主義發(fā)展出專家系統(tǒng)，在 20 世紀(jì) 80 年代取得很大發(fā)展。人們?cè)陂_發(fā)專家系統(tǒng)的時(shí)候，發(fā)現(xiàn)專家系統(tǒng)的瓶頸之一就是計(jì)算機(jī)沒有常識(shí)。計(jì)算機(jī)不知道什么是奧巴馬，不知道什么是美國(guó)，更不知道奧巴馬曾經(jīng)是美國(guó)的總統(tǒng)。為了解決這個(gè)問題，人們開始構(gòu)建常識(shí)庫，常識(shí)知識(shí)庫是一個(gè)包含大多數(shù)人擁有的一般知識(shí)的數(shù)據(jù)庫。后來常識(shí)庫升級(jí)為語義網(wǎng)，而語義網(wǎng)是知識(shí)圖譜的前身?，F(xiàn)在符號(hào)主義整體進(jìn)入冷寂期，但知識(shí)圖譜作為符號(hào)主義的余脈依然活躍在學(xué)術(shù)研究和工業(yè)應(yīng)用中。
下圖是某招聘平臺(tái)上某個(gè)知識(shí)圖譜的崗位，崗位職責(zé)是負(fù)責(zé)建立和維護(hù)知識(shí)圖譜。由于現(xiàn)在的知識(shí)圖譜是從 Wikipadia 抽取信息，需要正確處理文本，因此知識(shí)圖譜崗位需要一定的自然語言處理能力。
1.2 行為主義
行為主義借鑒心理學(xué)的行為主義，認(rèn)為智能就是 “感知－動(dòng)作”，即感知外界環(huán)境并反饋正確的動(dòng)作。實(shí)現(xiàn) “感知-動(dòng)作” 模型的基礎(chǔ)是控制論思想，控制論在 20 世紀(jì) 40~50 年代就成為時(shí)代思潮的重要部分。行為主義一直致力于智能控制和智能機(jī)器人的研究。即使現(xiàn)在，研究能夠自己行走、搬運(yùn)東西和其他功能的實(shí)體智能機(jī)器人依然是研究的熱點(diǎn)。下圖就是波士頓機(jī)器人公司的四足行走機(jī)器人 (人稱大狗)。
目前行為主義并不是人工智能領(lǐng)域的主流，但就像符號(hào)主義有一個(gè)受人關(guān)注的延續(xù) (知識(shí)圖譜)一樣，行為主義也啟發(fā)了一個(gè)有名分支——強(qiáng)化學(xué)習(xí)。在早期的控制論中，人們已經(jīng)開始探索類似于強(qiáng)化學(xué)習(xí)的機(jī)制。強(qiáng)化學(xué)習(xí)關(guān)注決策者與其環(huán)境交互時(shí)所面臨的學(xué)習(xí)問題，有點(diǎn)類似于 “感知－動(dòng)作” 模式。不同點(diǎn)在于強(qiáng)化學(xué)習(xí)更強(qiáng)調(diào)學(xué)習(xí)，因此強(qiáng)化學(xué)習(xí)最終歸入了機(jī)器學(xué)習(xí)，成為機(jī)器學(xué)習(xí)三大模式（有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)）之一。
1.3 連接主義
連接主義認(rèn)為人工智能應(yīng)模擬大腦連接結(jié)構(gòu)，從而建立了神經(jīng)網(wǎng)絡(luò)模型。早在計(jì)算機(jī)誕生之前，心理學(xué)家 W·Mcculloch 和數(shù)理邏輯學(xué)家 W·Pitts 在就提出神經(jīng)元的數(shù)學(xué)模型。1948 年，首臺(tái)計(jì)算機(jī)設(shè)計(jì)者馮·諾依曼也研究過神經(jīng)網(wǎng)絡(luò)。50年代末，F(xiàn)·Rosenblatt 制成一層神經(jīng)網(wǎng)絡(luò)模型 “感知機(jī)”，神經(jīng)網(wǎng)絡(luò)從思想走向現(xiàn)實(shí)。但在 1968 年一本名為《感知機(jī)》的著作中指出線性感知機(jī)功能是有限的，它甚至不能解決異或這樣的基本關(guān)系。神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。
1986 年，Rumelhart 為首小組提出了反向傳播算法，使得能夠逼近復(fù)雜函數(shù) (當(dāng)然包括異或) 的三層神經(jīng)網(wǎng)絡(luò)可以訓(xùn)練。神經(jīng)網(wǎng)絡(luò)第二次興起。1995 年，SVM 算法被提出，成為神經(jīng)網(wǎng)絡(luò)的強(qiáng)勁對(duì)手。神經(jīng)網(wǎng)絡(luò)進(jìn)入了第二次低潮。
2006 年，Hinton (也就是 86 年反向傳播算法那篇論文的共同作者) 提出了用 AutoEncoder 初始化神經(jīng)網(wǎng)絡(luò)參數(shù)，再進(jìn)行訓(xùn)練的方法，使得表達(dá)能力更強(qiáng)的多層神經(jīng)網(wǎng)絡(luò)變得可能。隨后，多層神經(jīng)網(wǎng)絡(luò)在不同競(jìng)賽中取得遠(yuǎn)比其他方法好的效果。神經(jīng)網(wǎng)絡(luò)第三次興起。
在神經(jīng)網(wǎng)絡(luò)起起落落的這些年，一位未來的王者開始登上歷史的舞臺(tái)，那便是機(jī)器學(xué)習(xí)。連接主義是機(jī)器學(xué)習(xí)中學(xué)習(xí)概念的重要思想源頭，神經(jīng)網(wǎng)絡(luò)也是機(jī)器學(xué)習(xí)重要模型，機(jī)器學(xué)習(xí)則包含了更多的東西。現(xiàn)在，機(jī)器學(xué)習(xí)馳名當(dāng)世，聲名遠(yuǎn)揚(yáng)，蓋住了傳統(tǒng)人工智能的風(fēng)頭。現(xiàn)在很多人誤認(rèn)為人工智能就是機(jī)器學(xué)習(xí)。
人工智能工程師做的東西大部分和機(jī)器學(xué)習(xí)相關(guān)。比如下圖工作職位的稱呼是人工智能，但絕對(duì)不是讓你去做專家系統(tǒng), 而是讓你做學(xué)習(xí)相關(guān)的事。
2 機(jī)器學(xué)習(xí)的熱潮
1986 年真是令人振奮的一年。這一年反向傳播算法問世，標(biāo)志著連接主義的載體神經(jīng)網(wǎng)絡(luò)第二次興起。也是這一年，Quinlan 提出了著名的 ID3 決策樹算法，開啟了學(xué)習(xí)道路的另一條分支。這條樹模型的分支持續(xù)演進(jìn)到今天，依然在人們工業(yè)實(shí)踐和學(xué)術(shù)研究中扮演著重要角色。后來科學(xué)家們引入統(tǒng)計(jì)學(xué)的方法進(jìn)入這個(gè)領(lǐng)域，陸續(xù)引入新的算法，比如回歸和聚類；開始為機(jī)器學(xué)習(xí)建立了數(shù)學(xué)基礎(chǔ)，比如 VC 維；或者提出了新的算法，比如 SVM 和 RandomForest。這些新思想新算法遠(yuǎn)遠(yuǎn)超過了連接主義 “模擬大腦連接結(jié)構(gòu)” 的定義，再稱之為連接主義已經(jīng)不合適了，人們便將神經(jīng)網(wǎng)絡(luò)和這些新思想新算法命名為機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)依然是 “要讓機(jī)器的行為看起來像人所表現(xiàn)出的智能行為一樣”，即依然是人工智能的范疇。
講人工智能連接主義時(shí)，我們說到神經(jīng)網(wǎng)絡(luò)第三次的興起，源于Hinton 在 2006 年發(fā)表的一篇關(guān)于 “有效訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的方法” 的論文。由此神經(jīng)網(wǎng)絡(luò)極大地提升了自己的性能，特別是在圖像和語音領(lǐng)域的性能。多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)效果太好了，以至于人們接受了 Hinton 提出的深度學(xué)習(xí)的稱呼。深度學(xué)習(xí)從 2006 年一篇論文開始，到現(xiàn)在占據(jù)了機(jī)器學(xué)習(xí)領(lǐng)域的主流地位，不過短短十年。深度學(xué)習(xí)太火，導(dǎo)致我們需要特別澄清深度學(xué)習(xí)和機(jī)器學(xué)習(xí)之間的關(guān)系：人工智能包含機(jī)器學(xué)習(xí)，而機(jī)器學(xué)習(xí)包含深度學(xué)習(xí)。
機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)需要用大量數(shù)據(jù)進(jìn)行高效訓(xùn)練。這需要一個(gè)高效機(jī)器學(xué)習(xí)平臺(tái)。即使現(xiàn)在有了 TensorFlow 之類的開源機(jī)器學(xué)習(xí)平臺(tái)，也需要工程師將它改造并部署到集群中，讓它高效工作。因此機(jī)器學(xué)習(xí)專門有一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)方向，研究怎么設(shè)計(jì)和實(shí)現(xiàn)高效的分布式機(jī)器學(xué)習(xí)平臺(tái)。
在工作職位上，相關(guān)職位有:機(jī)器學(xué)習(xí)工程師和機(jī)器學(xué)習(xí)平臺(tái)工程師。前者的工作職責(zé)將機(jī)器學(xué)習(xí)算法應(yīng)用在現(xiàn)有業(yè)務(wù)上，后者的工作職責(zé)則是建設(shè)和維護(hù)分布式機(jī)器學(xué)習(xí)平臺(tái)。
還有一個(gè)相關(guān)職位是算法工程師。這里算法不是指計(jì)算機(jī)基礎(chǔ)算法（比如動(dòng)態(tài)規(guī)劃），而是指機(jī)器學(xué)習(xí)算法。個(gè)人覺得應(yīng)該稱呼為機(jī)器學(xué)習(xí)算法工程師比較恰當(dāng)一些。這個(gè)職位和機(jī)器學(xué)習(xí)工程師類似。另外一個(gè)職位則是深度學(xué)習(xí)工程師。因?yàn)樯疃葘W(xué)習(xí)最近太火了，不少公司指明要找深度學(xué)習(xí)方向的人，便產(chǎn)生了深度學(xué)習(xí)工程師的職位。
隨著人們?cè)跈C(jī)器學(xué)習(xí)領(lǐng)域取得突破，機(jī)器學(xué)習(xí)的思想和方法開始影響不同的領(lǐng)域。
2.1 數(shù)據(jù)挖掘
數(shù)據(jù)挖掘擁有很多定義, 其中一個(gè)比較有名的定義為 “一門從大量數(shù)據(jù)或者數(shù)據(jù)庫中提取有用信息的科學(xué)”。大部分人是通過一個(gè)案例認(rèn)識(shí)到數(shù)據(jù)挖掘：這是因?yàn)槲譅柆斖ㄟ^數(shù)據(jù)分析發(fā)現(xiàn)，男性顧客在購買嬰兒尿片時(shí)，常常會(huì)順便搭配幾瓶啤酒來犒勞自己，于是嘗試推出了將啤酒和尿布擺在一起的促銷手段；沒想到這個(gè)舉措居然使尿布和啤酒的銷量都大幅增加了。雖然這個(gè)故事很可能是假的（Teradata公司一位經(jīng)理編出來的“故事”目的是讓數(shù)據(jù)分析看起來更有力更有趣), 但是確實(shí)讓不少人開始接觸數(shù)據(jù)挖掘。
我們似乎能感受數(shù)據(jù)挖掘的企圖心：從數(shù)據(jù)出發(fā)，建立一個(gè)類似現(xiàn)在機(jī)器學(xué)習(xí)那樣龐大的科學(xué)體系。開普勒從第谷的大量資料中發(fā)現(xiàn)行星運(yùn)動(dòng)規(guī)律的歷史，“啤酒和尿布” 的故事，從數(shù)據(jù)中發(fā)現(xiàn)的相關(guān)關(guān)系將替代因果關(guān)系的宣言，是數(shù)據(jù)挖掘理論高度和實(shí)際應(yīng)用的背書，是數(shù)據(jù)挖掘?qū)崿F(xiàn)企圖心的見證。一山哪能容二虎，數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)正面交鋒了。它們之間有很多重合的地方，如下圖所示。在重合部分的分類、聚類和回歸上，機(jī)器學(xué)習(xí)有高層次的理論分析，有高效的訓(xùn)練方法；在非重合部分，機(jī)器學(xué)習(xí)有很多數(shù)據(jù)挖掘沒有的東西，比如學(xué)習(xí)理論和強(qiáng)化學(xué)習(xí)。在機(jī)器學(xué)習(xí)崛起的背景下，我們很難說清楚數(shù)據(jù)挖掘區(qū)別于機(jī)器學(xué)習(xí)的獨(dú)特價(jià)值是什么了。歷史給機(jī)器學(xué)習(xí)加了冕。
在工作職位方面，我們能看到很多數(shù)據(jù)挖掘工程師，似乎成了機(jī)器學(xué)習(xí)工程的別稱，畢竟它們之間有太多的重合。但又一種情況例外: 如果推薦系統(tǒng)和廣告系統(tǒng)部門招聘，機(jī)器學(xué)習(xí)工程師偏重于點(diǎn)擊率預(yù)估算法的實(shí)現(xiàn)和改進(jìn)，數(shù)據(jù)挖掘工程師偏重于新特征的挖掘。
2.2 推薦系統(tǒng)和廣告系統(tǒng)
推薦系統(tǒng)和廣告系統(tǒng)都是工業(yè)級(jí)的大系統(tǒng)，需要各個(gè)子系統(tǒng)相互配合協(xié)調(diào)，但都以機(jī)器學(xué)習(xí)建構(gòu)其中一個(gè)核心子系統(tǒng) —— 點(diǎn)擊率預(yù)估 (CTR)。推薦系統(tǒng)和廣告系統(tǒng)對(duì)現(xiàn)在的人工智能有很重要的意義。如果這次人工智能的幾個(gè)創(chuàng)新點(diǎn)（人臉識(shí)別、對(duì)話機(jī)器人和無人駕駛等）失敗，人工智能的核冬天的慘象也不會(huì)重現(xiàn)于世。因?yàn)橥扑]系統(tǒng)和廣告系統(tǒng)能直接產(chǎn)生收益。根據(jù)艾瑞發(fā)布了《2016Q1網(wǎng)絡(luò)廣告營(yíng)收?qǐng)?bào)告》，2016 年第一季度中國(guó)網(wǎng)絡(luò)廣告市場(chǎng)規(guī)模達(dá)543.4億元。再加上收益不菲的推薦系統(tǒng)。人工智能社區(qū)就能全身而退，重新回到 “世界上最聰明的一群人，每天研究的是如何讓人更多的點(diǎn)廣告” 。
推薦系統(tǒng)和廣告系統(tǒng)作為能直接帶來效益的部門，自然需要招聘專門的推薦算法工程師和廣告算法工程師了。推薦算法工程師和廣告算法工程師的主要職責(zé)分別建立推薦和廣告的點(diǎn)擊率預(yù)估。
2.3 搜索引擎
搜索引擎更是一個(gè)工業(yè)級(jí)的大系統(tǒng)了。不把搜索引擎、推薦系統(tǒng)和廣告系統(tǒng)并列在一起，是因?yàn)闄C(jī)器學(xué)習(xí)并不是搜索引擎的核心部件。基于可解釋和可控制的原因，搜索引擎的網(wǎng)頁排序大量基于規(guī)則，而不是機(jī)器學(xué)習(xí)模型。同時(shí)信息采集 (爬蟲子系統(tǒng)) 和信息組織 （信息檢索子系統(tǒng)）等非機(jī)器學(xué)習(xí)部件都在搜索引擎中扮演著非常重要的作用。但機(jī)器學(xué)習(xí)在搜索引擎中也起了一定作用, 比如需要查詢?cè)~的意圖意圖。因此搜索工程師指負(fù)責(zé)搜索引擎的各個(gè)模塊的工程師。
2.4 自然語言處理、計(jì)算機(jī)視覺和語音識(shí)別
自然語言處理要讓計(jì)算機(jī)理解和生成人類語言，是機(jī)器學(xué)習(xí)和語言學(xué)融合的產(chǎn)物。自然語言處理的經(jīng)典任務(wù)包括分詞、詞性標(biāo)注、語法樹解析、機(jī)器翻譯和人機(jī)對(duì)話等等。5 年前，除了百度（百度很早就成立了單獨(dú)的自然語言處理部門），大部分公司都不單獨(dú)招聘自然語言工程師的，而是將自然語言處理作為推薦系統(tǒng)、廣告系統(tǒng)和搜索引擎的子模塊。比如搜索引擎中的 query 分詞就是一個(gè)典型的分詞任務(wù)。近幾年，由于大量的人機(jī)對(duì)話項(xiàng)目，和少部分機(jī)器翻譯項(xiàng)目，導(dǎo)致很多公司單獨(dú)招聘自然語言工程師。下圖就是騰訊的自然語言處理的招聘職位，可以看出這個(gè)職位就是做對(duì)話機(jī)器人的。
計(jì)算機(jī)視覺要讓計(jì)算機(jī)理解和生成圖像，是機(jī)器學(xué)習(xí)和圖像處理融合的產(chǎn)物。計(jì)算機(jī)視覺在深度學(xué)習(xí)大發(fā)展的今天，取得了巨大的突破。雖然計(jì)算機(jī)視覺的商業(yè)應(yīng)用場(chǎng)景還在探索中，一些大公司和創(chuàng)業(yè)公司已經(jīng)開始招聘計(jì)算機(jī)視覺工程師了。由于最近幾年計(jì)算機(jī)視覺的突破幾乎都是由深度學(xué)習(xí)進(jìn)步帶來的，因此計(jì)算機(jī)視覺工程師需要有深度學(xué)習(xí)的知識(shí)和背景。
同樣得力于深度學(xué)習(xí)的進(jìn)步，語音識(shí)別也取得了突破。語音識(shí)別就是講說話的音頻轉(zhuǎn)成文字的過程。隨著語音識(shí)別的進(jìn)步，一些大公司和創(chuàng)業(yè)公司開始招聘專門的語音識(shí)別工程師, 語音識(shí)別工程師的主要職責(zé)是負(fù)責(zé)建立和維護(hù)語音識(shí)別系統(tǒng)。市面上，語音識(shí)別的訓(xùn)練數(shù)據(jù)非常少，收集和整理數(shù)據(jù)也是職責(zé)之一。
3 人人都在談的大數(shù)據(jù)
和人工智能密切聯(lián)系的領(lǐng)域是大數(shù)據(jù)。目前大數(shù)據(jù)在業(yè)界的概念比較寬泛，什么 4v 啊 5v 啊什么的 (IBM 咨詢提出的，大數(shù)據(jù)有4V特點(diǎn)，即Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價(jià)值))，以至于 “人人都在談大數(shù)據(jù)，但沒人知道大數(shù)據(jù)究竟是什么”。 但在技術(shù)上，大數(shù)據(jù)技術(shù)的定義是明確，其指的是一系列處理和存儲(chǔ)海量數(shù)據(jù)的技術(shù)。大數(shù)據(jù)技術(shù)的起點(diǎn)應(yīng)該是人稱 Google 的三駕馬車的三篇論文: Google FS、 MapReduce 和 Bigtable。受到這三篇論文影響, Doug Cutting 等人陸續(xù)改進(jìn)其負(fù)責(zé)的 Apache Nutch 項(xiàng)目，于 2006 年完成一套獨(dú)立而完整的軟件, 并將其命名為 Hadoop。后面大數(shù)據(jù)技術(shù)的發(fā)展就像下圖展示了 (這張圖最早來著微博)。目前最主流的大數(shù)據(jù)處理平臺(tái)是 Spark。
大數(shù)據(jù)領(lǐng)域妖孽多, 我們有一句戲謔：“提到 4v 的大數(shù)據(jù)都是騙子”。哈哈, 這句話會(huì)得罪很多人吧。不少人把 excel 級(jí)別的數(shù)據(jù)處理也稱為大數(shù)據(jù)，我們能說什么呢？
大數(shù)據(jù)工程師的職位是很火的，大數(shù)據(jù)工程師的主要職責(zé)是使用開源大數(shù)據(jù)平臺(tái)，建立和維護(hù)大數(shù)據(jù)集群。在某些公司，大數(shù)據(jù)工程師還負(fù)責(zé)公司內(nèi)產(chǎn)生數(shù)據(jù)的收集、整理和入庫。
4 人的數(shù)據(jù)分析
數(shù)據(jù)分析是指用適當(dāng)?shù)慕y(tǒng)計(jì)方法對(duì)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)數(shù)據(jù)中規(guī)律，從而幫助業(yè)務(wù)發(fā)展。這個(gè)工作和數(shù)據(jù)很近，要求從業(yè)人員對(duì)數(shù)據(jù)敏感，和人工智能比較遠(yuǎn)。它主要發(fā)揮人的主觀能動(dòng)性，而不是使用算法效能。數(shù)據(jù)分析是人的，不是機(jī)器的。
舉個(gè)例子，漏斗模型是經(jīng)典的消費(fèi)者模型，如上圖。如果網(wǎng)站改版之后數(shù)據(jù)分析發(fā)現(xiàn)展現(xiàn)到點(diǎn)擊的轉(zhuǎn)化率變低，這時(shí)候就要分析原因，比如是不是點(diǎn)擊按鈕不顯眼了。根據(jù)這些分析結(jié)果，能夠持續(xù)優(yōu)化網(wǎng)站。數(shù)據(jù)分析有自己的故事，“商業(yè)智能”、“數(shù)據(jù)驅(qū)動(dòng)” 和 “增長(zhǎng)黑客” 都是數(shù)據(jù)分析飽含理想和格調(diào)的稱呼。下面是一個(gè)典型的數(shù)據(jù)分析職位的例子。
5 總結(jié)
人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等概念關(guān)系密切，相互之間有很深淵源，導(dǎo)致相應(yīng)工作職位內(nèi)涵重疊。比如深度學(xué)習(xí)工程師很大概率是做計(jì)算機(jī)視覺相關(guān)的工作，而計(jì)算機(jī)視覺工程師必須有深度學(xué)習(xí)背景和知識(shí)。
目前人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等相關(guān)的工作職位大量出現(xiàn)。這是人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等領(lǐng)域深刻影響經(jīng)濟(jì)活動(dòng)和社會(huì)生活的縮影，是這個(gè)時(shí)代的注腳。
本文已經(jīng)投稿至小象(ChinaHadoop)
