以下為譯文：
我**很快！
這只是我的個人片面的論點，所以大家可以盡情的說出自己的想法，這樣這個領域就可以朝著正確的方向發展了。機器學習技術未來將會封裝到軟體工程師日常使用的工具包裡面。
其實，我們在每個領域一開始都會扮演著專業的角色，但隨著時間的推移，就變得普通起來，換一句話說，就是說的多了大家也就見怪不怪了。
現在在企業裡的ai和資料科學家被統稱為機器學習工程師，早些年，機器學習是個必要的角色。因為它確實能帶來一筆非常可觀的收入！但機器學習工程師也是因人而異的。
一部分看重本質的人認為機器學習工程師經常會用到資料工程，還可以將模型帶出實驗室並可量化、擴大機器學習系統規模，理論工程化。ml工程師非常強大，幾乎了解所有的模型。
但這感覺又有點像軟體工程師。
調研了一些頭部的技術公司，對於機器學習工程師的理解每家有不同的看法。沒啥可驚訝的，這是乙個比較新的崗位，而且基本上是經理級別的，很多時候他們沒有個幾十年是不能了解這塊的。
這是一些頭部技術企業的崗位招聘要求，注意看他們之間的不同：
第乙個很勁爆，確定不是要招研究員？
這是個大廠公司，而且是巨頭，所以也不用太驚訝。
最後這個是屬於照抄型的。
很多公司開始用新的辦法，就是把機器學習為核心的需求列出來，並且首選有軟體工程經驗的，不管這個框系統是基於ml還是其他的，雇主都應該選擇有豐富經驗的工程師來做。
只要機器學習了解的人少，而且門檻低，那機器學習工程師就很有存在的必要。
我堅信，機器學習工程師的角色將完全由普通軟體工程師代替。 它將轉變為標準工程角色，工程師將從上游人員那裡獲得介面和庫，將其轉換為生產**，並交付和擴充套件應用程式。
現在很多ml工程師都處在解決機器學習安全這塊的問題，就很詭異，在這種情況下，他們既是研究院又是工程師，我遇到過一部分ml工程師幾乎遍及整個堆疊，另外一波可能就是涉及範圍比較窄，但會花很多時間研究新的**，並他們落地實現。
現在我們就是處在乙個挺奇特的十字路口上，而且這個地方就像拼圖一樣安排好了大家的位置。
由於工作方式的影響，無論是否對我們的專業有用，但我們還是更傾向於去參加會議並且加入討論。可以說就是我們接受任何形式的會議邀請，哈哈，在我看來，ml應該是處在架構之上的輸出階段，把**落地。
不久前，大部分企業不需要研究工作就能完成相應的專案，只有利基（針對性、專業性很強的產品）和用到比較深的技術需求才會用到。未來的世界就要靠工程師使用api介面了，可以理解為ml將變成常用呼叫工具。我們可以看到現在越來越多的大學把機器學習納入到大學中，那在學習的過程中每個畢業生其實未來都會有自己的乙個領域。
打個比方，區塊鏈現在炙手可熱，那區塊鏈其實可以理解為分布式系統工程師。自 nakamoto 發布位元幣***以來，絕大多數區塊鏈專案一直在致力於基礎技術和基礎架構的建設。因此，你必須要有特別強大的工程技能——分布式系統工程師。 最終我們會看到事物變得抽象了，那麼企業就開始尋找用例，普通的工程師現在就可以使用區塊鏈構建新的用例。ai / ml也是在這樣變化著。
另外一些觀點：
「這只是個頭銜，沒人在乎」你是對的，所以無所謂怎麼想。
「機器學習是乙個新興領域，具有新的用例，在不斷地研究中。 在未來十年內放慢速度是幼稚的想法。」 很有可能！
「如你所說，這只是個頭銜，大部分的企業希望你有多重技能，歸根結底，這並不是關乎誰被淘汰，而是關乎誰具有足夠的才能不斷適應變化的行業。」我在向社群徵詢大量意見呦，當然我的觀點也永遠不會一成不變。
對此，你怎麼看呢？
我們真的需要機器學習工程師嗎？
隨著機器學習技術的發展，主打易用性 無需專業知識 人人皆可用的機器學習工具和平台正在成為主流，谷歌 微軟 saleforce uber 等公司紛紛推出了相應的產品。毋庸置疑，這些產品大大降低了機器學習的准入門檻，讓越來越多非專業人士得以快速將機器學習應用到實際工作中。但這也引出了乙個疑問 我們真的需...
軟體測試工程師的十年經驗之談
軟體測試工程師的十年經驗之談 種瓜得瓜，種豆得豆的時代已經過去了，如今種瓜能結豆，種豆也能結瓜，就好比學法律的能當翻譯，學英語的能做it。可是要在自己的非專業中脫穎而出，需要付出比專業人更多的努力。下面是微軟測試工程師鄭洪流，以自己的故事為您講述如何 在測試中學習測試 我是作為軟體測試工程師 sof...
一位老電子工程師十年的職場感悟
1 好好規劃自己的路，不要跟著感覺走！根據個人的理想決策安排，絕大部分人並不指望成為什麼院士或教授，而是希望活得滋潤一些，爽一些。那麼，就需要慎重安排自己的軌跡。從哪個行業入手，逐漸對該行業深入了解，不要頻繁跳槽，特別是不要為了一點工資而轉移陣地，從長遠看，這點錢根本不算什麼，當你對乙個行業有那麼幾...