（本文來自新智元微信號，indeed.com、bloomberg，編譯：大明、肖琴，本文作為轉載分享。）

職業(yè)招聘信息網(wǎng)站Indeed.com近日發(fā)布報告稱，自2015年6月到2018年6月，與人工智能或機器學習有關的工作崗位數(shù)量增長了99.8％。

而在同一時間段內，更多的求職者也在尋找與人工智能有關的職位。對AI或機器學習有關職位的搜索或查詢次數(shù)更是增長了182％。

從硅谷到華爾街，人工智能和機器學習對高技術工人的需求不斷增加。但是，符合需求的人才數(shù)量極其有限，企業(yè)的求賢若渴讓少數(shù)符合條件的薪水越來越高。

過去三年中對人工智能和機器學習相關職業(yè)的搜索或查詢量增長了182％。但更多的搜索次數(shù)并不代表有更多合格的申請人，實際上，企業(yè)很難找到具備足夠熟練技能的求職者。

哪個城市AI職業(yè)機會最多？紐約！

Indeed.com分析了2015年6月至2018年6月期間在美國發(fā)布的數(shù)百萬份公開招聘信息。其中20%以上的職位描述或工作地點及薪資待遇的相關信息中都包括“人工智能”或“機器學習”。

從數(shù)據(jù)上來看，如果你想進入人工智能領域工作，那就把目光投向紐約市吧。

人工智能和機器學習職位分布最集中的大城市排名。按城市計算，紐約市發(fā)布的AI相關職位數(shù)站比例最高，但硅谷地區(qū)的總職位仍占全國的五分之一。資料來源：Indeed.com

在2015年6月至2018年6月期間，美國大城市的職位列表的描述中，紐約市有11.6％的職位描述與AI或機器學習有關，比例最高。其次是舊金山（9.6％），圣何塞（9.2％），華盛頓特區(qū)（7.9％）和波士頓（6.1％）。

據(jù)Glassdoor最近的一份報告，在過去四年中，美國薪酬最高的工作崗位都是技術部門。蘋果、亞馬遜、谷歌、Facebook、Uber等公司長期以來為具備機器學習技能的高技術求職者提供高薪待遇。

據(jù)《彭博商業(yè)周刊》報道，這些名牌公司可以提供每年超過30萬美元的工資和股票期權?，F(xiàn)在，包括金融業(yè)和醫(yī)療保健業(yè)在內的其他行業(yè)也在努力尋找人才，提供的年薪達6位數(shù)。

AI相關職位薪資排行：數(shù)據(jù)總監(jiān)最高，平均年薪14萬美元

在2017年6月至2018年6月的十大職位列表中，10個常見的AI相關職位中有7個的平均年薪超過10萬美元，如下圖所示：

與AI和機器學習相關的高薪職位排名。分析總監(jiān)的平均薪資最高，年薪達到近14.4萬美元。資料來源：Indeed.com

Indeed.com的報告顯示，今年在人工智能和機器學習相關職位中，平均工資最高的是分析總監(jiān)，達到14萬美元，其次是首席科學家（13.8萬美元），機器學習工程師和計算機視覺工程師（均為13.4萬美元）。該報告通過分析數(shù)萬個提供工資信息的公開招聘信息來確定平均工資。

公開發(fā)布的主任科學家、機器學習工程師、計算機視覺工程師和數(shù)據(jù)科學家的薪水也極具競爭力，最低的平均工資水平也在年薪13萬美元以上。如果工作地點位于紐約或硅谷，薪水還會額外提升3萬美元。

而且，Indeed.com發(fā)布的數(shù)字不包括員工獎金，股票期權等福利，這些都會使年薪大大提高。而且，在公共招聘平臺上提供的優(yōu)厚待遇，比起企業(yè)直接招募或通過獵頭招募的更高級職位相比，有時可能更顯得微不足道。

在職位發(fā)布信息與AI或機器學習的相關性方面，機器學習工程師的招聘職位信息中有94.2%提到了“機器學習”和“人工智能”。排在第二位的是數(shù)據(jù)科學家，比例為75.1%，計算機視覺工程師以64.6%的比例位居第三。

據(jù)市場研究機構Gartner預測，人工智能將讓就業(yè)機會變得更多，而不是更少。到2020年，人工智能將創(chuàng)造220萬個工作崗位，同時減少180萬個工作崗位。

數(shù)據(jù)科學革命：各行各業(yè)無所不包

今年在人工智能和機器學習相關職位中，數(shù)據(jù)科學家的招聘信息量排第二。

現(xiàn)代數(shù)據(jù)科學在科技領域內的應用越來越廣，可以優(yōu)化Google搜索排名和LinkedIn建議，還能影響B(tài)uz***eed上的頭條新聞。而現(xiàn)在，數(shù)據(jù)科學有望改變所有行業(yè)，從零售業(yè)、電信業(yè)、農(nóng)業(yè)到醫(yī)療，貨運和刑罰制度。

然而，有時人們不是很理解“數(shù)據(jù)科學”和“數(shù)據(jù)科學家”這類詞。

DataCamp的數(shù)據(jù)科學家Hugo Bowne-Anderson博士接觸了35位一線數(shù)據(jù)科學家，描述了他們的日常工作內容。

數(shù)據(jù)科學家是做什么的。我們現(xiàn)在至少在科技行業(yè)內，了解數(shù)據(jù)科學的運行方式。首先，數(shù)據(jù)科學家要奠定堅實的數(shù)據(jù)基礎，以便執(zhí)行可靠的分析。然后使用在線實驗以及其他方法來實現(xiàn)可持續(xù)增長。最后，他們構建機器學習流程，打造個性化的數(shù)據(jù)產(chǎn)品，以更好地了解他們的業(yè)務和客戶，并做出更好的決策。

換句話說，在技術領域，數(shù)據(jù)科學涉及基礎設施、實驗測試，用于決策的機器學習以及數(shù)據(jù)產(chǎn)品。

數(shù)據(jù)科學在科技之外的行業(yè)也在取得重大進展。我與Convoy的數(shù)據(jù)科學家Ben Skrainka談到了該公司如何利用數(shù)據(jù)科學徹底改變北美卡車運輸業(yè)的現(xiàn)狀。 Flatiron Health的Sandy Griffith表示，數(shù)據(jù)科學已經(jīng)開始助力對癌癥的研究。 Drew Conway和我討論了他的公司Alluvium“使用機器學習和人工智能將工業(yè)運營產(chǎn)生的大量數(shù)據(jù)流轉化為觀點?！?/p>

現(xiàn)任Uber自駕車主管的MikeTamir討論了與Takt合作，以促進世界500強企業(yè)利用數(shù)據(jù)科學，包括他在星巴克推薦系統(tǒng)方面的工作。目前，一場數(shù)據(jù)科學革命正跨越多個縱向行業(yè)而展開。

我說的不僅僅是自動駕駛汽車和人工通用智能。我接觸過的許多人不僅對主流媒體對人工智能的迷戀持懷疑態(tài)度，他們對目前關于機器學習和深度學習的熱議的態(tài)度也是如此。當然，機器學習和深度學習是已經(jīng)產(chǎn)生重大應用的強大技術，但是，正如所有的熱議話題一樣，我們應該保持對這一話題的健康的懷疑。

幾乎所有人都明白，工作數(shù)據(jù)科學家通過數(shù)據(jù)收集和數(shù)據(jù)清理，來制作日常工作的原料，通過圖表和報告、數(shù)據(jù)可視化、統(tǒng)計結論等方式將結果傳達給主要利益相關方，并努力讓決策者相信他們的結果。

溝通第一：PPT做得好，可能比懂技術還重要

科學家所需的技能正在不斷發(fā)展（具備深度學習的經(jīng)驗并不是最重要的）。在與西雅圖地區(qū)的數(shù)據(jù)科學家Jonathan Nolis的對話中，我們提出了一個問題，“對于數(shù)據(jù)科學家來說，哪種技能更重要：是能夠使用最復雜的深度學習模型，或還是制作更優(yōu)秀的PPT幻燈片的能力？“他表示后者更重要，因為溝通結果仍然是數(shù)據(jù)科學工作的重要組成部分。

另一個反復出現(xiàn)的主題是，如今必要的這些技能可能會在相對較短的時間內發(fā)生變化。隨著數(shù)據(jù)科學工具的開源生態(tài)系統(tǒng)和商業(yè)化，數(shù)據(jù)科學工具實現(xiàn)了快速發(fā)展，許多數(shù)據(jù)科學中的辛苦工作的自動化程度越來越高，比如數(shù)據(jù)清理和數(shù)據(jù)準備。一個常見的比喻是，數(shù)據(jù)科學家80％的寶貴時間用于查找，清理和組織數(shù)據(jù)，只有20％用于實際執(zhí)行分析。

但這種情況不太可能繼續(xù)下去了。如今，大量的機器學習和深度學習的自動化程度正在提升，這種快速變化的一個結果是，我的絕大多數(shù)交流對象表示，數(shù)據(jù)科學家的關鍵技能不是構建和使用深度學習基礎架構的能力。

今天的數(shù)據(jù)科學家有能力即時學習和溝通，回答業(yè)務方面的問題，向非技術利益相關者解釋復雜的結果。那么，有抱負的數(shù)據(jù)科學家應該更少關注技術本身，而應該關注要解決的問題。新技術來來去去，但無論如何，我們仍然需要批判性思維和大量針對特定領域的技能。

數(shù)據(jù)科學專業(yè)化是大趨勢，道德問題是最大挑戰(zhàn)

專業(yè)化變得越來越重要。雖然數(shù)據(jù)科學家沒有明確的職業(yè)道路，對初級數(shù)據(jù)科學家的支持也很少，但我們已經(jīng)開始看到某種形式的專業(yè)化。Emily Robinson描述了A型和B型數(shù)據(jù)科學家之間的區(qū)別：“A型是分析型的，有點像傳統(tǒng)的統(tǒng)計學家；而B型是構建機器學習模型?！?/p>

Jonathan Nolis將數(shù)據(jù)科學分為三個部分：（1）商業(yè)智能，主要是以儀表板、報告和電子郵件的形式“獲取公司所擁有的數(shù)據(jù)并將其提供給合適的人員”；（2）決策科學，即“獲取數(shù)據(jù)并利用它來幫助公司做出決定”；（3）機器學習，即“如何采用數(shù)據(jù)科學模型并將它們持續(xù)投入生產(chǎn)?！北M管許多數(shù)據(jù)科學家都是通才，他們同時從事所有三種工作，但我們看到了截然不同的職業(yè)道路，例如機器學習工程師的案例。

道德是該領域面臨的最大挑戰(zhàn)之一。你可能會認為這個職業(yè)為其從業(yè)者提供了很大的不確定性。當我詢問Hilary Mason，問她數(shù)據(jù)科學界是否還面臨其他重大挑戰(zhàn)，她說：“你認為不明確的道德規(guī)范、缺乏實踐標準、缺乏一致的術語這些挑戰(zhàn)，對我們來說還不夠重大嗎？”

這三點都非常重要，尤其是前兩點，這是幾乎所有數(shù)據(jù)科學家最關心的問題。在這個時代，我們與世界的這么多互動都是由數(shù)據(jù)科學家開發(fā)的算法決定的，這其中倫理扮演了一個什么角色呢？正如GitHub高級機器學習數(shù)據(jù)科學家Omoju Miller在我們的采訪中所說：

“我們需要有倫理解釋，我們需要接受培訓，我們需要有類似于希波克拉底誓言的東西。我們需要有適當?shù)脑S可證，這樣如果你確實做了什么不道德的事情，也許你會受到一些處罰，或取消資格，或追索補償。我們可以說這不是我們整個行業(yè)想這樣，然后要找出方法來糾正哪些做錯的人，因為他們沒有經(jīng)過培訓，他們不知道?！?/p>

一個經(jīng)常出現(xiàn)的主題是數(shù)據(jù)科學可能產(chǎn)生嚴重、有害和不道德的結果，例如“在全美用于預測未來罪犯”的COMPAS再次犯罪風險評分系統(tǒng)，并且據(jù)ProPublica報道，該系統(tǒng)“對黑人有偏見”。

我們正在接近一個共識，即道德標準需要來自數(shù)據(jù)科學本身，以及立法者、草根運動和其他利益相關者。這一運動部分涉及重新強調模型的可解釋性，而不是黑箱模型。也就是說，我們需要建立可以解釋為什么它們做出這一預測的模型。深度學習模型在許多方面都很出色，但它們不可解釋。許多研究人員、開發(fā)人員和數(shù)據(jù)科學家正在這方面取得進展，例如Lime，這是一個旨在解釋機器學習模型正在做什么的項目。

整個行業(yè)和社會的數(shù)據(jù)科學革命才剛剛開始。數(shù)據(jù)科學家這一頭銜是否會繼續(xù)成為“21世紀最性感的工作”，是否會變得更加專業(yè)化，還是會成為大多數(shù)專業(yè)工作者需要具備的技能，目前尚不清楚。正如Hilary Mason所說：“10年后我們還會有數(shù)據(jù)科學嗎？我記得我們有過沒有數(shù)據(jù)科學的時代，如果告訴我說那時候數(shù)據(jù)科學家的頭銜是’網(wǎng)站管理員’，我也不會驚訝。”