人工智能的飛速發(fā)展導(dǎo)致工作崗位的減少枪狂，從而引發(fā)社會矛盾州疾，是人們普遍的想法。但是另一方面谈飒，人工智能也創(chuàng)造了另外一些工作态蒂。這些新的工作職位都是做什么的呢杭措？都有哪些淵源呢？近年來人工智能大火钾恢，人工智能手素、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)瘩蚪。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)致工作崗位的減少疹瘦，從而引發(fā)社會矛盾崩哩，是人們普遍的想法。但是另一方面言沐，人工智能也創(chuàng)造了另外一些工作邓嘹。這些新的工作職位都是做什么的呢？都有哪些淵源呢险胰？近年來人工智能大火汹押，人工智能、機(jī)器學(xué)習(xí)起便、深度學(xué)習(xí)和大數(shù)據(jù)等概念頻頻出現(xiàn)棚贾。這些概念和這些工作職位又有什么關(guān)系呢窖维？

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)明鸟悴。早在計算機(jī)被發(fā)明之時陈辱，科學(xué)家們就想著用計算機(jī)實現(xiàn)人工智能了。1946 年 2 月 14 日细诸，世界上第一臺電腦 ENIAC 在美國賓夕法尼亞大學(xué)誕生沛贪。1956 年，John McCarth 在達(dá)特矛斯會議上提出將 “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”震贵。在怎么實現(xiàn)人工智能問題上利赋，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, 可以通過在計算機(jī)上實現(xiàn)邏輯演繹的方式實現(xiàn)人工智能。在 1956 年首先采用 “人工智能” 這個術(shù)語的正是符號主義帘靡。后來符號主義發(fā)展出專家系統(tǒng)皇筛，在 20 世紀(jì) 80 年代取得很大發(fā)展。人們在開發(fā)專家系統(tǒng)的時候耙替，發(fā)現(xiàn)專家系統(tǒng)的瓶頸之一就是計算機(jī)沒有常識。計算機(jī)不知道什么是奧巴馬，不知道什么是美國吟秩，更不知道奧巴馬曾經(jīng)是美國的總統(tǒng)。為了解決這個問題绽淘，人們開始構(gòu)建常識庫涵防，常識知識庫是一個包含大多數(shù)人擁有的一般知識的數(shù)據(jù)庫。后來常識庫升級為語義網(wǎng)沪铭，而語義網(wǎng)是知識圖譜的前身∽吵兀現(xiàn)在符號主義整體進(jìn)入冷寂期，但知識圖譜作為符號主義的余脈依然活躍在學(xué)術(shù)研究和工業(yè)應(yīng)用中杀怠。

下圖是某招聘平臺上某個知識圖譜的崗位椰憋，崗位職責(zé)是負(fù)責(zé)建立和維護(hù)知識圖譜。由于現(xiàn)在的知識圖譜是從 Wikipadia 抽取信息赔退，需要正確處理文本熏矿，因此知識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)的行為主義离钝，認(rèn)為智能就是 “感知－動作”票编，即感知外界環(huán)境并反饋正確的動作。實現(xiàn) “感知-動作” 模型的基礎(chǔ)是控制論思想卵渴，控制論在 20 世紀(jì) 40~50 年代就成為時代思潮的重要部分慧域。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)在浪读，研究能夠自己行走昔榴、搬運東西和其他功能的實體智能機(jī)器人依然是研究的熱點辛藻。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)域的主流互订，但就像符號主義有一個受人關(guān)注的延續(xù) (知識圖譜)一樣吱肌，行為主義也啟發(fā)了一個有名分支——強(qiáng)化學(xué)習(xí)。在早期的控制論中仰禽，人們已經(jīng)開始探索類似于強(qiáng)化學(xué)習(xí)的機(jī)制氮墨。強(qiáng)化學(xué)習(xí)關(guān)注決策者與其環(huán)境交互時所面臨的學(xué)習(xí)問題，有點類似于 “感知－動作” 模式吐葵。不同點在于強(qiáng)化學(xué)習(xí)更強(qiáng)調(diào)學(xué)習(xí)规揪，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)温峭、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)）之一猛铅。

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)模型凤藏。早在計算機(jī)誕生之前奸忽，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 年揖庄，首臺計算機(jī)設(shè)計者馮·諾依曼也研究過神經(jīng)網(wǎng)絡(luò)栗菜。50年代末，F(xiàn)·Rosenblatt 制成一層神經(jīng)網(wǎng)絡(luò)模型 “感知機(jī)”抠艾，神經(jīng)網(wǎng)絡(luò)從思想走向現(xiàn)實苛萎。但在 1968 年一本名為《感知機(jī)》的著作中指出線性感知機(jī)功能是有限的桨昙，它甚至不能解決異或這樣的基本關(guān)系检号。神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。

1986 年蛙酪，Rumelhart 為首小組提出了反向傳播算法齐苛，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)第二次興起桂塞。1995 年凹蜂，SVM 算法被提出，成為神經(jīng)網(wǎng)絡(luò)的強(qiáng)勁對手阁危。神經(jīng)網(wǎng)絡(luò)進(jìn)入了第二次低潮玛痊。

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)狂打，再進(jìn)行訓(xùn)練的方法擂煞，使得表達(dá)能力更強(qiáng)的多層神經(jīng)網(wǎng)絡(luò)變得可能。隨后趴乡，多層神經(jīng)網(wǎng)絡(luò)在不同競賽中取得遠(yuǎn)比其他方法好的效果对省。神經(jīng)網(wǎng)絡(luò)第三次興起蝗拿。

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蒿涎，那便是機(jī)器學(xué)習(xí)哀托。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)重要模型劳秋，機(jī)器學(xué)習(xí)則包含了更多的東西〔质郑現(xiàn)在，機(jī)器學(xué)習(xí)馳名當(dāng)世俗批，聲名遠(yuǎn)揚俗或，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)岁忘。

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)辛慰。比如下圖工作職位的稱呼是人工智能，但絕對不是讓你去做專家系統(tǒng), 而是讓你做學(xué)習(xí)相關(guān)的事干像。

2 機(jī)器學(xué)習(xí)的熱潮

1986 年真是令人振奮的一年帅腌。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)第二次興起麻汰。也是這一年速客，Quinlan 提出了著名的 ID3 決策樹算法，開啟了學(xué)習(xí)道路的另一條分支五鲫。這條樹模型的分支持續(xù)演進(jìn)到今天溺职，依然在人們工業(yè)實踐和學(xué)術(shù)研究中扮演著重要角色。后來科學(xué)家們引入統(tǒng)計學(xué)的方法進(jìn)入這個領(lǐng)域位喂，陸續(xù)引入新的算法浪耘，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)塑崖，比如 VC 維七冲；或者提出了新的算法，比如 SVM 和 RandomForest规婆。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)” 的定義澜躺，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)抒蚜。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”掘鄙，即依然是人工智能的范疇。

講人工智能連接主義時嗡髓，我們說到神經(jīng)網(wǎng)絡(luò)第三次的興起操漠，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器贩，特別是在圖像和語音領(lǐng)域的性能颅夺。多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)效果太好了朋截，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 年一篇論文開始吧黄，到現(xiàn)在占據(jù)了機(jī)器學(xué)習(xí)領(lǐng)域的主流地位部服，不過短短十年。深度學(xué)習(xí)太火拗慨，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)廓八，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)練赵抢。這需要一個高效機(jī)器學(xué)習(xí)平臺剧蹂。即使現(xiàn)在有了 TensorFlow 之類的開源機(jī)器學(xué)習(xí)平臺，也需要工程師將它改造并部署到集群中烦却，讓它高效工作宠叼。因此機(jī)器學(xué)習(xí)專門有一個機(jī)器學(xué)習(xí)系統(tǒng)方向，研究怎么設(shè)計和實現(xiàn)高效的分布式機(jī)器學(xué)習(xí)平臺其爵。

在工作職位上冒冬，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)上摩渺，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)平臺简烤。

還有一個相關(guān)職位是算法工程師。這里算法不是指計算機(jī)基礎(chǔ)算法（比如動態(tài)規(guī)劃）摇幻，而是指機(jī)器學(xué)習(xí)算法横侦。個人覺得應(yīng)該稱呼為機(jī)器學(xué)習(xí)算法工程師比較恰當(dāng)一些。這個職位和機(jī)器學(xué)習(xí)工程師類似绰姻。另外一個職位則是深度學(xué)習(xí)工程師枉侧。因為深度學(xué)習(xí)最近太火了，不少公司指明要找深度學(xué)習(xí)方向的人龙宏，便產(chǎn)生了深度學(xué)習(xí)工程師的職位棵逊。

隨著人們在機(jī)器學(xué)習(xí)領(lǐng)域取得突破伤疙，機(jī)器學(xué)習(xí)的思想和方法開始影響不同的領(lǐng)域银酗。

2.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘擁有很多定義, 其中一個比較有名的定義為 “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案例認(rèn)識到數(shù)據(jù)挖掘：這是因為沃爾瑪通過數(shù)據(jù)分析發(fā)現(xiàn)徒像，男性顧客在購買嬰兒尿片時黍特，常常會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锯蛀；沒想到這個舉措居然使尿布和啤酒的銷量都大幅增加了灭衷。雖然這個故事很可能是假的（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)旁涤，建立一個類似現(xiàn)在機(jī)器學(xué)習(xí)那樣龐大的科學(xué)體系翔曲。開普勒從第谷的大量資料中發(fā)現(xiàn)行星運動規(guī)律的歷史迫像，“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)系的宣言瞳遍，是數(shù)據(jù)挖掘理論高度和實際應(yīng)用的背書闻妓，是數(shù)據(jù)挖掘?qū)崿F(xiàn)企圖心的見證。一山哪能容二虎掠械，數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)正面交鋒了由缆。它們之間有很多重合的地方，如下圖所示猾蒂。在重合部分的分類均唉、聚類和回歸上，機(jī)器學(xué)習(xí)有高層次的理論分析肚菠，有高效的訓(xùn)練方法舔箭；在非重合部分，機(jī)器學(xué)習(xí)有很多數(shù)據(jù)挖掘沒有的東西蚊逢，比如學(xué)習(xí)理論和強(qiáng)化學(xué)習(xí)限嫌。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)的獨特價值是什么了时捌。歷史給機(jī)器學(xué)習(xí)加了冕怒医。

在工作職位方面，我們能看到很多數(shù)據(jù)挖掘工程師奢讨，似乎成了機(jī)器學(xué)習(xí)工程的別稱稚叹，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)部門招聘拿诸，機(jī)器學(xué)習(xí)工程師偏重于點擊率預(yù)估算法的實現(xiàn)和改進(jìn)扒袖，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)級的大系統(tǒng)亩码，需要各個子系統(tǒng)相互配合協(xié)調(diào)季率，但都以機(jī)器學(xué)習(xí)建構(gòu)其中一個核心子系統(tǒng) —— 點擊率預(yù)估 (CTR)。推薦系統(tǒng)和廣告系統(tǒng)對現(xiàn)在的人工智能有很重要的意義描沟。如果這次人工智能的幾個創(chuàng)新點（人臉識別飒泻、對話機(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重現(xiàn)于世吏廉。因為推薦系統(tǒng)和廣告系統(tǒng)能直接產(chǎn)生收益泞遗。根據(jù)艾瑞發(fā)布了《2016Q1網(wǎng)絡(luò)廣告營收報告》，2016 年第一季度中國網(wǎng)絡(luò)廣告市場規(guī)模達(dá)543.4億元席覆。再加上收益不菲的推薦系統(tǒng)史辙。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廣告” 聊倔。

推薦系統(tǒng)和廣告系統(tǒng)作為能直接帶來效益的部門晦毙，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擊率預(yù)估耙蔑。

2.3 搜索引擎

搜索引擎更是一個工業(yè)級的大系統(tǒng)了结序。不把搜索引擎、推薦系統(tǒng)和廣告系統(tǒng)并列在一起纵潦，是因為機(jī)器學(xué)習(xí)并不是搜索引擎的核心部件徐鹤。基于可解釋和可控制的原因邀层，搜索引擎的網(wǎng)頁排序大量基于規(guī)則返敬，而不是機(jī)器學(xué)習(xí)模型。同時信息采集 (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寥院。但機(jī)器學(xué)習(xí)在搜索引擎中也起了一定作用, 比如需要查詢詞的意圖意圖劲赠。因此搜索工程師指負(fù)責(zé)搜索引擎的各個模塊的工程師。

2.4 自然語言處理秸谢、計算機(jī)視覺和語音識別

自然語言處理要讓計算機(jī)理解和生成人類語言凛澎，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)包括分詞估蹄、詞性標(biāo)注塑煎、語法樹解析、機(jī)器翻譯和人機(jī)對話等等臭蚁。5 年前最铁，除了百度（百度很早就成立了單獨的自然語言處理部門），大部分公司都不單獨招聘自然語言工程師的垮兑，而是將自然語言處理作為推薦系統(tǒng)冷尉、廣告系統(tǒng)和搜索引擎的子模塊。比如搜索引擎中的 query 分詞就是一個典型的分詞任務(wù)系枪。近幾年雀哨，由于大量的人機(jī)對話項目，和少部分機(jī)器翻譯項目私爷，導(dǎo)致很多公司單獨招聘自然語言工程師雾棺。下圖就是騰訊的自然語言處理的招聘職位，可以看出這個職位就是做對話機(jī)器人的当犯。

計算機(jī)視覺要讓計算機(jī)理解和生成圖像垢村，是機(jī)器學(xué)習(xí)和圖像處理融合的產(chǎn)物割疾。計算機(jī)視覺在深度學(xué)習(xí)大發(fā)展的今天嚎卫，取得了巨大的突破。雖然計算機(jī)視覺的商業(yè)應(yīng)用場景還在探索中，一些大公司和創(chuàng)業(yè)公司已經(jīng)開始招聘計算機(jī)視覺工程師了拓诸。由于最近幾年計算機(jī)視覺的突破幾乎都是由深度學(xué)習(xí)進(jìn)步帶來的侵佃，因此計算機(jī)視覺工程師需要有深度學(xué)習(xí)的知識和背景。

同樣得力于深度學(xué)習(xí)的進(jìn)步奠支，語音識別也取得了突破馋辈。語音識別就是講說話的音頻轉(zhuǎn)成文字的過程。隨著語音識別的進(jìn)步倍谜，一些大公司和創(chuàng)業(yè)公司開始招聘專門的語音識別工程師, 語音識別工程師的主要職責(zé)是負(fù)責(zé)建立和維護(hù)語音識別系統(tǒng)迈螟。市面上，語音識別的訓(xùn)練數(shù)據(jù)非常少尔崔，收集和整理數(shù)據(jù)也是職責(zé)之一答毫。

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)界的概念比較寬泛季春，什么 4v 啊 5v 啊什么的 (IBM 咨詢提出的洗搂，大數(shù)據(jù)有4V特點，即Volume（大量）载弄、Velocity（高速）耘拇、Variety（多樣）、Value（價值))宇攻，以至于 “人人都在談大數(shù)據(jù)惫叛，但沒人知道大數(shù)據(jù)究竟是什么”。 但在技術(shù)上逞刷，大數(shù)據(jù)技術(shù)的定義是明確挣棕，其指的是一系列處理和存儲海量數(shù)據(jù)的技術(shù)。大數(shù)據(jù)技術(shù)的起點應(yīng)該是人稱 Google 的三駕馬車的三篇論文: Google FS亲桥、 MapReduce 和 Bigtable洛心。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 項目，于 2006 年完成一套獨立而完整的軟件, 并將其命名為 Hadoop题篷。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)词身。目前最主流的大數(shù)據(jù)處理平臺是 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”番枚。哈哈, 這句話會得罪很多人吧法严。不少人把 excel 級別的數(shù)據(jù)處理也稱為大數(shù)據(jù)，我們能說什么呢葫笼？

大數(shù)據(jù)工程師的職位是很火的深啤，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，建立和維護(hù)大數(shù)據(jù)集群路星。在某些公司溯街，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)計方法對數(shù)據(jù)進(jìn)行分析呈昔，發(fā)現(xiàn)數(shù)據(jù)中規(guī)律挥等，從而幫助業(yè)務(wù)發(fā)展。這個工作和數(shù)據(jù)很近堤尾，要求從業(yè)人員對數(shù)據(jù)敏感肝劲，和人工智能比較遠(yuǎn)。它主要發(fā)揮人的主觀能動性郭宝，而不是使用算法效能辞槐。數(shù)據(jù)分析是人的，不是機(jī)器的粘室。

舉個例子催蝗，漏斗模型是經(jīng)典的消費者模型，如上圖育特。如果網(wǎng)站改版之后數(shù)據(jù)分析發(fā)現(xiàn)展現(xiàn)到點擊的轉(zhuǎn)化率變低丙号，這時候就要分析原因，比如是不是點擊按鈕不顯眼了缰冤。根據(jù)這些分析結(jié)果犬缨，能夠持續(xù)優(yōu)化網(wǎng)站。數(shù)據(jù)分析有自己的故事棉浸，“商業(yè)智能”怀薛、“數(shù)據(jù)驅(qū)動” 和 “增長黑客” 都是數(shù)據(jù)分析飽含理想和格調(diào)的稱呼。下面是一個典型的數(shù)據(jù)分析職位的例子迷郑。

5 總結(jié)

人工智能枝恋、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和大數(shù)據(jù)等概念關(guān)系密切嗡害，相互之間有很深淵源焚碌，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算機(jī)視覺相關(guān)的工作霸妹，而計算機(jī)視覺工程師必須有深度學(xué)習(xí)背景和知識十电。

目前人工智能、機(jī)器學(xué)習(xí)叹螟、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)鹃骂。這是人工智能、機(jī)器學(xué)習(xí)罢绽、深度學(xué)習(xí)和大數(shù)據(jù)等領(lǐng)域深刻影響經(jīng)濟(jì)活動和社會生活的縮影畏线，是這個時代的注腳。

本文已經(jīng)投稿至小象(ChinaHadoop)