分散式系統工程師要不要轉行做機器學習？

01-13

在下在過去的4年+的工作中，基本上做的都是分散式系統相關的開發，從最簡單的client tool，到e2e的API，之後到越來越複雜的service。本想著在此領域進行深耕，但是發現這幾年機器學習越來越熱，ML的技術不斷地被應用到各個領域。請問作為一名沒有博士學位、不具備科研資質的普通碼農，現在是不是應該放棄分散式系統的道路，開始做和機器學習相關的產品呢？

題主不要怕，隨著機器學習規模的越來越大，他們最終還得靠題主這樣的人才能把工作做好。這讓我想起了lo姐昨天的一條微博，雖然跟這個事情關係不大：

Sina Visitor System

同事: 我這兒100個trade要snap curve跟跑兩個measure，怎麼跑法，用多大的batch？
我: 跑什麼batch啊，別分布啊
同事: 哇快了七八倍，我愛你！

不用特意轉。

ML是趨勢，但是不是說需要大家都去研究演算法模型，都去調參。每個人都應該學習一點ML的知識，但不是說都要去研究ML。

這一次的AI浪潮，其實伴隨的是三個要素點的同時到來：互聯網時代帶來的大規模數據（某司曾說過，大意為在中國比國外的好處就是用戶數據太容易獲得了，因為ZF要監控人民，很需要這些數據），硬體計算力，新模型。機器學習的相關產品大規模應用的話，是需要各種人才通力配合的。比如數據的收集（物聯網？），數據的存儲（做存儲的人才），數據的傳輸（做網路的人才），數據的處理與運用（ML相關人才），後者又有做AI晶元的（比如寒武紀），各種平台工具的，研究ML演算法的。

說到底，再高大上的ML都要落地商用，不然就是泡沫，公司不會白白燒錢賺吆喝的，那麼要落地，上面說的這一系列技術都是需要通力配合才行的。

所以，做好分散式，同時學習ML相關知識，多思考針對ML任務的分散式優化方法，研究研究分散式ML框架工具平台，就可以在AI/ML時代分一杯羹了。

謝邀回答

個人認為，要不要轉行不是一句話的事兒，擼起袖子干，說轉就轉。最實際的做法時，在做好本職工作之餘，多花時間儲備、接觸機器學習的相關知識技能。當你掌握足夠多的時候，也才能了解到這個行業的利弊、優劣、特點、准入門檻，才更好結合自身的實際評估是否適合轉。

在當前的趨勢下，機器學習、人工智慧是未來的主流，無論轉不轉行，多了解相關的東西是十分有必要的，為將來的生存護航。推薦跟著學下Coursera上的機器學習課程，很不錯。

Machine Learning | Coursera

不用轉到純機器學習這一塊，可以利用自身優勢做「分散式」機器學習。。。

同級別的崗位，ML比分散式工程師薪水高，已是事實。轉吧，別聽那些在原領域拿錢少又自嗨的人。

卧槽，我天天挑參的還想學分散式機器學習框架呢

機器學習又不是萬能的，你覺得機器學習能代替掉分散式系統，或者，代替你去開發分散式系統嗎？

答案很明顯不能，計算規模一大，還不是需要上分散式。感興趣的話，建議自己業餘研究一下，再考慮轉不轉。

你先去找份機器學習的工作，比如演算法工程師

請問您做的開發主要的內容是什麼？做的系統主要是什麼系統。？

保持跟進先進技術，難道不是程序員的職業要求么？

先看看周志華的《機器學習》，Goodfellow的《深度學習》，然後再考慮是否要轉行？

別啥火熱追啥。