在Auto ML的冲击下，ML算法人员是否会在前者成熟后失业的情况？ 第1页

不会。

你以为工业界的人才是在调参，但实际上他们是在忙着定义问题和搜集数据，这才是核心资产。

学术界喜欢跑benchmark，为了那一两个百分点的事情整天制造二氧化碳。但实际上这点性能差距放在大部分商业服务里面根本没啥影响，业务感知不强。除非你调参能调高20%。

做什么比“努力做到更好”这件事情更重要。

商业上，最重要的事情是定义问题和业务，明确了方向，大部分问题其实并不需要高大上的模型。

而且也不要幻想着一个模型解决所有问题，成功的系统都是从小处着手，以点带面，甚至有很多人工参与的步骤。在学术界看来这并不优美，但就是能解决实际的问题，就是能赚钱。

你定义对了问题，选对了方向，最简单的linear regression都比错误的100层神经网络更好。

第二重要的是数据。

大公司的核心资产是模型吗？是参数吗？是调参侠吗？

都不是。是数据。

数据够了，效果自然就上去了。

从赚钱的角度来看，这些东西都比所谓的调参重要多了。

automl属于锦上添花的东西。假如程序员是厨师，用上automl相当于换了把更锋利的菜刀。

ML 本身的发展成熟程度已经让ML从业人员的大部分时间都集中在非ML建模的内容，比如了解模型的客户需求，沟通建立主动数据收集的通道，负责规划数据标注标准和流程，部署模型的相关工程工作等等 纯粹的提升模型性能只会在项目早期进行并且十个问题有九个非常容易在两周内做到饱和，剩下的都是老大难的学术界经典问题，靠一两个人调优很难有实质突破。就算没有AutoML，真正做算法的人也永远是少数，因为需求并不大。工业界的ML算法工作已经逐渐从脑力密集型转型到体力密集型，一个没有特定垂直领域知识的ML通用科学家是很容易被自动化取代的。

整个手机行业吃掉60%利润的全球唯一巨头，需要其他公司来教他做事？