【新智元導讀】數據科學家會被機器學習取代嗎？雖然現在的數據科學家崗位需求非常熱，但是所從事的工作領域，正好面臨機器學習的不斷挑戰。福布斯作者認為，數據科學家工作的5個領域，未來5-10年會被機器學習取代，Reddit網友對此進行了激烈的討論。
數據科學崗位正在面臨巨大的變革。
計算器被發明之前，它的工作是由人來擔當的；網際網路剛剛發展起來的時候，網管是一個非常熱門的職業；中層領導曾經並不自己做PPT，這些瑣碎的工作由他們的秘書處理。
如今，計算員、網管、中層領導的秘書這些崗位，早已被科技的浪潮淹沒在海底深處。
數據科學淘金熱
數據科學家崗位現在的形勢，很像當年美國西部淘金熱潮。一些數據科學家賺到了高薪，各大公司、薪酬網站也在不算釋放缺人、待遇高的信號。
根據美國最熱崗位排行榜數據顯示，數據科學家崗位的招聘信息在過去3年時間，增加了75%，而薪資也提升到了嚇人的30萬美元，相當於200萬人民幣。
與此相對應的是，包括UC伯克利在內的多所高校，均新增了數據科學專業，並很快就成為最熱門專業。
著名科技網站Slashdot聯合創始人、Sight Machine聯合創始人兼CTO、福布斯科技委員會成員Nate Oostendorp對此表示，未來只會有一小部分人能夠真正成為數據科學家，而其中大部分，前途依舊充滿未知。
從彙編到高級語言，再到數據自動化
作為一名元老級別的開發者，Nate Oostendorp經歷了從低級語言到高級語言的變革時期。
最早的時候，編譯器設計是一門必修課程，比如把C轉換成彙編。在商業應用上直接使用彙編，是再正常不過的事情。
然而僅僅幾十年後，大家都還是用高級語言，直接用彙編語言開發的軟體，基本上絕跡了。而數據科學領域的變化，顯然更快。
如今，很多公司都在提供數據分析工具，就算你不懂代碼，也可以輕鬆進行數據分析。
3年後，更高級別的工具將越來越多地減少對基礎技術的專業知識的要求。這些工具的不僅簡化了數據科學家的工作流程、提升了工作效率，更重要的是降低了入行門檻，及時沒學過數據科學的人，不懂代碼也可以完成一些數據科學家的工作。
機器學習，人工智慧，像吹氣球一樣吹大了數據科學的旺盛需求，同時也將在5年後，吹爆數據科學家這個職業。
數據科學家崗位在5年後將不復存在
Nate認為，當下非常火的數據科學家，5年後將不再作為一個獨立崗位存在。而是分裂成5種類型：
1. 通才
他們將解釋數據並使其可用。這些通才將專注於教育最終用戶，幫助用戶提出數據問題而不是自己找到所有答案。這可能是一個過渡性的角色，五年內比十年更常見。
2. 行業專家
他們將在製造，醫學和金融等特定行業應用數據科學技術和工具。這是我認為大部分工作都將在這裡的地方。但是，這些不會被視為數據科學工作。這名工作人員不會是了解製造業的數據科學家，而是了解數據科學的製造業領導者。今天相當於研究員是統計學王牌。
3. 深度專家
這些細分的特定數據科學技術的深度專家，人數是也最少的。這是剩下的純數據科學工作所在的地方。他們的角色將是抽象地追求數據科學，提高算法的性能和設計新的通用方法。他們將像今天的計算機科學家一樣，建立理論基礎而不是解決日常問題。
4. 分析開發人員
他們將從數據科學家轉變為分析開發人員。這些是軟體開發專家，負責處理數據交互並幫助人們從數據報告中進行推斷。算法設計將是他們工作的一小部分，由數據平臺以及以交鑰匙方式完成大量工作的強大代碼庫提供幫助。
5. 數據工程師
他們構建管道，將數據轉換並傳輸到基礎平臺，進行分析和可視化。雖然數據科學家通常因其出色的算法而受到認可，但數據科學家80％的時間可用於收集，清理和組織數據。
此言論一出，造成了非常大的爭議，並在Reddit上產生了激烈的討論。與其說是討論，不如說是一邊倒的反對此觀點。
各方觀點
反方
logicchains用stackexchange上一個問題（What happens if the explanatory and response variables are sorted independently before regression?）來說明，數據科學並不單單是自動化。選擇正確使用，正確清理和驗證數據的數據至少與選擇正確的模型同樣重要。
他指出，目前沒有任何軟體能夠通過組織內部進行拖網查找`Sales`表上的'Extra2`欄位的正確解釋，該欄位有三個值：「TRUE」，「Error」和null。言下之意：5年內不可能，10年內不可能。
FrenchCuirassier認為，數據以指數速度增長，未來將會有更多的工作，但其中大部分將分析、理解和解釋數據。
人工智慧並不能解釋，也不能理解它做的所有事情。AI在未來可能達到人類智能，但誰敢說我們能活著看到那一天呢？
BeneficialArcher也持有相同觀點，認為大多數數據科學角色不太可能實現自動化。目前自動化已經很成熟了，但沒有任何軟體能夠解決模糊的問題，並使用所有可用的數據解決它。
但他又認為未來幾年工資會有所下降是合理的，因為初中政治學到的最基本的經濟原理：供大於求。
killver聲稱沒有看到一個案例能夠證明AutoML優於熟練的數據科學家。如果有，那每年舉行的Kaggle比賽，靠一個算法就夠了。
具體而言，領域知識將始終是重要的。嘗試了幾次AutoML工具後發現，這些工具從來沒有達到過滿意的效果。
正方
當然，每個人的認知都是不同的。也有人表示認可Nate的部分觀點。
sid__想的比較實際，他認為軟體工程作為一門學科將比數據科學更難實現自動化。
考慮一家不希望聘請150k數據科學家的普通公司，如果能夠利用普通的軟體工程師，將數據投入到autoML引擎中，使用api調用並獲得預測結果，在很多情況下這已經足夠了，特別是如果不是一些關鍵任務應用程式。
親愛的讀者，你怎麼看？
歡迎關注新智元百家號，第一時間掌握AI科技新資訊！