在過去的五年里，當python編程成為潮流時，我一直在數據科學領域工作。當時，在2016年，神經網絡和深度學習只是一些時髦的詞。當時有一場關于谷歌自動駕駛汽車和強化學習的炒作。但是，大多數數據科學愛好者甚至不知道神經網絡的工作。

2021年的今天，大多數公司都在采用數據科學戰略，通過自動化不同的場景，用一名數據科學家取代幾十名IT人員，從而獲得更多收入，這些數據科學家可以使用各種自動化工具，如BluePrism、UI Path、Python和機器學習算法，自動化這些IT人員的任務。

這就是為什么我們大多數人都在努力學習python，機器學習，分析，深度學習。為什么？因為數據科學家在行業中有極好的價值。而且，在數據科學領域，人們的工作數據也有了很大的增長。

但是，你知道在今天，這些“自動化任務正在使用另一種自動化策略來自動化嗎？”整個數據科學管道正在使用一個單一的工具來自動化。

在2019年，數據科學家過去需要花費數天時間進行數據收集、數據清洗、特征選擇，但現在我們在市場上有很多工具可以在幾分鐘內完成這些工作。

另一方面，我們嘗試了不同的機器學習庫，如logistic回歸、隨機森林、boosting machines、樸素貝葉斯和其他數據科學庫來建立更好的模型。

但是，今天，我們有像H2O、PyCaret和許多其他云提供商這樣的工具，他們可以使用其他30-50個機器學習庫的組合對相同的數據進行相同的模型選擇，為您的數據提供最佳的機器學習算法，并且誤差最小。

現在情況正在以快速的速度發生變化。而且，我們無論如何都在失去我們的價值，因為每個人都會相信這個工具，它嘗試了20多個機器學習算法，結果比我們更準確，而我們只嘗試了幾個機器學習庫，結果卻不太準確。

艱難的現實部分

到目前為止，我們已經討論了一些自動化工具是如何在機器學習領域做得很好的。這些工具做得比我們好，因為我們使用的機器學習算法知識有限。相反，這些工具使用庫的組合，通過自動化完整的EDA過程來獲得更有效的結果，從而在更短的時間內提供最好的結果。

但是，在深度學習領域，我們比機器學習領域擁有更少的命令，并且處理能力有限。我們也有大量的工具在市場上。這些工具在擁有最好的處理器方面投入了大量資金。

深度學習是關于更多的數據、處理能力和一個復雜的神經網絡，它需要更多的處理能力來提供更準確的結果。

當我們談論深度學習時，它以處理非結構化數據而聞名。而且，95%的時間，我們在這里處理圖像和測試數據。目標檢測、圖像分割、構建聊天機器人、情感分析、文檔相似度都是著名的用例。

但是，處理這些用例需要了解不同的深度學習算法，如卷積神經網絡、遞歸神經網絡、U-Net、沙漏、YOLO，以及更多需要大量處理能力來處理更多數據以獲得更高精度的模型。

這里的問題是，在2021年的今天，公司正在投資大量資金來自動化這些完整的管道工作流。而且，我們忙于理解基本的機器學習和深度學習模型，而不顧沒有任何投資者我們買不起高端機器的事實。

每個公司都意識到了這一事實，所以五年后，當這些云支持的數據科學工具將變得更加高效，并能夠在更短的時間內提供更好的準確性時，為什么公司會投資雇傭我們，而不購買這些工具的訂閱？

希望之光

當所有這些事情都將自動化時，您可能會考慮數據科學愛好者的未來。會有工作短缺還是會有更少的招聘？

好吧，當我們換位思考時，事情就變得容易了。誠然，公司將繼續專注于機器學習的自動化工作流程。但是，請記住，沒有一家公司愿意依賴于另一家公司的工作。

每個公司的目標是建立他們的產品，這樣他們就可以建立自己的自動化系統，然后在市場上銷售，以賺取更多的收入，而不是依賴他人。所以，是的，將需要數據科學家，他們可以幫助行業建立自動化系統，可以自動化機器學習和深度學習的任務。

最后，我們可以說，數據科學家的角色將是以優化的結果自動化流水線。因此，我們最終將機器學習工作流的流水線自動化，并讓自動化決定數據中的最佳特征，并使用最佳策略的算法得到可能的最佳結果。

最后的想法

我們已經看到，在未來五年里，數據科學工作崗位將會短缺，因為公司將采用數據科學的自動化管道。但是，對能夠自動化數據科學管道的數據科學家也將有很高的需求。

按照我的想法，要使這些管道自動化，我們首先需要理解機器學習算法，以建立一個更好的自動化系統，這最終將導致更多的工作。

嗯，你有什么想法？我很想聽聽你的。我希望你喜歡這篇文章。聯系更多相關文章。我發表關于實時數據科學場景及其用例的文章。

謝謝你的閱讀！