机器学习很无聊。

至少这位铁汁是这样认为得。

甚至还在Reddit上发了帖子，标题就直接这么明晃晃写道：

Why machine learning is more boring than you may think？

结果不到15个小时，便引起了500+热度的讨论。

对此，有网友认为，「因为它是工程技术，而不是基础研究，工程需要满足最低标准和最后期限的，技术上没有什么挑战性」。

而至于为何要如此强调「Boring」，这位数据科学家肖安讲了如下原因，也给出了自己的解决方式。

机器学习「四大Boring」

首先是设计 （Designing）的部分，占据5%-10%的时间。

这时候是群策群力、迸发新想法的时候，包括新的模型体系结构、数据功能和系统设计等。

预期的情况是，在每个项目中应用最新和最出色的算法，可以在知名顶会期刊发布的那种。

但实际情况是，由于「时间限制」和其他优先级事项，只能做到最简单、有效的算法。

这时候，为了满足作者的「成就感」，就会在附带项目中进行一些「疯狂」的想法，即使这些想法根本不起作用。

接着是编码 （Coding ）的部分，根据项目的不同，20%到70%的时间占比。

代码通常分为五类：占代码总行数的百分比。

• 数据管道，50-70％；
• 系统和集成事物，10–20％；
• ML模型：5–10％；
• 支持调试和演示分析，5–10％；

预期的场景是，花费大量的时间在编码ML组件。

但现在已经有很多现成的框架和编码语言，将很多复杂的东西抽象化，这样工作流已经十分标准化了，根本不需要去开发和完善ML组件。

既然如此，工程师则将更多的时间花在其他低级的优化上，比如系统、数据管道等。

然后是质量检查、调试、修复 （Debug），至少要花65%的时间。（感受到了作者的怨念）

一般主要有两种错误，不良结果和传统软件问题。

不良结果，就是模型效果不好、评分较低（比如准确性）。

传统软件问题，就包括系统损坏、系统配置问题。

理想的状态，是只需要处理「不良结果」，然后去构建更好的模型。

嗯，展现才能的时间到了！

然而现实情况是，大概70%-90%都是「传统软件」问题。

而至于不良结果，通常在构建端到端模型训练和数据管道之后，就可以的很快获得很好的结果了。

最后一个部分，就是「灭火」（Fire-fighting），处理各种意外情况。

这大概是所有工程师都不愿意看到的点了吧。

在整个交付过程中，不管是外部、甲方爸爸的要求还是内部沟通不畅、能力不足等各种人为Bug，用作者的话来讲，「就是一场噩梦」。

这时候，除了保持微笑之外，建议将时间轴延长到2-3倍，在团队里积极交流。

害，说到这里，归根结底就是理想与现实之间的差距，别人以为的和你自己正在干的区别。

比如，就像这样。

最后，这位小哥还是注入了一些安慰剂。

就像从事任何职业一样，最终都会感到无聊和沮丧。

但是没关系，很正常。你应该开发一种应对机制，像玩游戏一样，在过程中获得一些小奖励，然后最终获得胜利。

网友怎么看？

对于这件事，网友们倒是意见各异。

有学CS学了6年的博士生自述了所遇到的迷茫，并表示打算放弃现在的博士学位。

我期望它是酷炫的、知识性、算法性的东西，但一直没有等到可大展拳脚的工程/调试类项目。

因为这个原因，我打算退学。虽然现在还不清楚该申请什么样的工作。

但有人觉得，作者所说的几个Boring，恰好是喜欢当ML工程师的原因。

还给出建议：如果你想花费100%的时间用来构建和调试ML模型，那你应该去看看研究岗，而不是工程岗。

还有网友表示，自己很喜欢ML工程师的工作，从构建自运行的端到端模型，到正式投入生产，会有很强烈的成就感。

也有人形象地比喻了理想与现实：

那么，对于这件事你怎么看？如果你的身边也有类似的经历，欢迎与我们分享～

参考链接：

https://towardsdatascience.com/data-science-is-boring-1d43473e353e
https://www.reddit.com/r/MachineLearning/comments/jvq4jw/d_why_machine_learning_is_more_boring_than_you/

“