分析1400家公司后发现：数据工程师比数据科学家更受欢迎( 三 ) 作者|MihailEric编译|DonM

文章图片
我们其实可以进一步把ML研究工程师归类为ML科学家或者ML工程师，但考虑到这是一个混合角色，我还是保持原样。
总体来说，合并同类项的操作使得差异更加明显，也让结果更加显而易见。那就是：数据工程师的职位需求比数据科学家的职位需求多70% 。此外，机器学习工程师的职位数量比数据科学家的职位数量多了大约40% 。 ML科学家的数量也只有数据科学家职位数量的30% 。
4结论
与其他数据驱动行业相比，大公司们对数据工程师的需求越来越多。从某种意义上来说，这代表了一种趋势，也就是人们对于更泛在的ML领域的需求的增加，以及朝此方向的一种演变。
5-8年前的时候，但机器学习刚刚变得热门，各大公司觉得他们需要能够对数据进行分类的人。但是后来像Tensorflow和Pytorch这样的高级框架变得十分强大和易用的时候，大公司便增加了该方面的人力投入，于是便增加了该方向的人才需求，这就让深度学习和机器学习的需求开始增多。
这使得拥有数据建模能力的开发者逐渐成为香饽饽。
现如今，各大公司都手握海量数据，而如何利用好这些数据，从中挖掘出更多更有用的信息则成为了公司未来发展的核心，也成为了招聘人才的主要驱动力。
如何解释数据、如何处理和清理数据、怎么把A项目的工程和经验快速迁移到B项目中，这都是大公司关心的问题，即我们应该怎么将这些琐碎的工作尽快完成。

文章图片
所有的这些问题都需要工程师拥有良好的工程能力。
这听起来也许特别傻，特别没劲，而且一点都不酷。但实际上大公司真正需要的就是这样“老派”、“传统”而朴实的软件工程师。
多年以来，我们一直被数据领域所谓的专业人士的想法所迷惑和牵引，它们凭借炫酷的PPT和媒体炒作为原始的数据注入了生机与活力。毕竟，你想想你最后一次看到TechCrunch关于ETL管道的文章是什么时候？是不是好像根本没有看到过？
我相信扎实的工程能力是必需的，这也是我们在数据科学工作培训或者教育项目中所缺失的。我们除了需要学习如何调用线性回归拟合函数来训练模型之外，更要学习如何编写单元测试代码。
那这是不是意味着你不应该学习数据科学了呢？答案是否定滴。
这其实意味着更加激烈的市场竞争。人才市场上有着大量新兵蛋子，它们一开始就接受了数据科学科班训练，而这个领域人才越来越多，能够提供给这个领域的职位则将会越来越少。
公司要的是务实，人们总是需要能够有效分析数据、并且从数据中提取有效信息的人。这些信息不必是炫酷烂漫的，但必须是有效而且好用的。
如今世道变了，我们今会从Tensorflow官网上下载一个Iris数据集，然后利用已经训练好的模型跑一遍数据，这种技能模型可能已经不足以完成如今的数据科学工作了。
但是很明显，随着ML工程师的大量空缺，公司通常需要一个混合数据从业者，也就是一个能够构建和部署模型的家伙。或者更简洁的说，这个人既可以使用Tensorflow训练模型，也能徒手用底层代码手撸模型。
这里的另一个发现是，其实市场上并没有那么多的机器学习研究岗位需求。
机器学习的研究往往有点掺水，或者说华而不实。因为学术研究嘛，比较先锋，这是所有所谓尖端的东西产生的地方，它们是否真正适用于商用还是有待商榷的。比如什么AlphaGo和GPT-3之类的炫技操作。
但是对于很多公司来说，尤其是那些早期公司，这么先锋的技术可能不是真正需要的。对于他们，获得一个90%成功但是可以扩展到1000多个用户的模型通常更有价值。
但是这并不是说机器学习研究不重要，绝对不是。
因为你可能会在一些大型的研究所、实验室中发现特别特别多的数据科学家的岗位需求。这些实验室就是大公司或者研究所用来秀肌肉的，他们有能力长期投入大量的科研经费，保证他们能够在该领域的曝光度和话语权。其实还有个重要的原因，就是尖端技术能产生意想不到的收益，因为一个看起来特别炫酷，别人短时间之内还难以追上的技术能够产生一系列A股公司。
如果没有其他问题的话，我觉得让新来的童鞋们对数据领域有一个大致的了解，知道这个领域就业的需求和前景还是有必要的。我们必须承认，数据科学现在不同了。我希望这篇文章能对大家有所帮助。只有当我们知道我们在哪里，我们才知道我们要去哪里。