在过去的五年里，当python编程成为潮流时，我一直在数据科学领域工作。当时，在2016年，神经网络和深度学习只是一些时髦的词。当时有一场关于谷歌自动驾驶汽车和强化学习的炒作。但是，大多数数据科学爱好者甚至不知道神经网络的工作。

2021年的今天，大多数公司都在采用数据科学战略，通过自动化不同的场景，用一名数据科学家取代几十名IT人员，从而获得更多收入，这些数据科学家可以使用各种自动化工具，如BluePrism、UI Path、Python和机器学习算法，自动化这些IT人员的任务。

这就是为什么我们大多数人都在努力学习python，机器学习，分析，深度学习。为什么？因为数据科学家在行业中有极好的价值。而且，在数据科学领域，人们的工作数据也有了很大的增长。

但是，你知道在今天，这些“自动化任务正在使用另一种自动化策略来自动化吗？”整个数据科学管道正在使用一个单一的工具来自动化。

在2019年，数据科学家过去需要花费数天时间进行数据收集、数据清洗、特征选择，但现在我们在市场上有很多工具可以在几分钟内完成这些工作。

另一方面，我们尝试了不同的机器学习库，如logistic回归、随机森林、boosting machines、朴素贝叶斯和其他数据科学库来建立更好的模型。

但是，今天，我们有像H2O、PyCaret和许多其他云提供商这样的工具，他们可以使用其他30-50个机器学习库的组合对相同的数据进行相同的模型选择，为您的数据提供最佳的机器学习算法，并且误差最小。

现在情况正在以快速的速度发生变化。而且，我们无论如何都在失去我们的价值，因为每个人都会相信这个工具，它尝试了20多个机器学习算法，结果比我们更准确，而我们只尝试了几个机器学习库，结果却不太准确。

艰难的现实部分

到目前为止，我们已经讨论了一些自动化工具是如何在机器学习领域做得很好的。这些工具做得比我们好，因为我们使用的机器学习算法知识有限。相反，这些工具使用库的组合，通过自动化完整的EDA过程来获得更有效的结果，从而在更短的时间内提供最好的结果。

但是，在深度学习领域，我们比机器学习领域拥有更少的命令，并且处理能力有限。我们也有大量的工具在市场上。这些工具在拥有最好的处理器方面投入了大量资金。

深度学习是关于更多的数据、处理能力和一个复杂的神经网络，它需要更多的处理能力来提供更准确的结果。

当我们谈论深度学习时，它以处理非结构化数据而闻名。而且，95%的时间，我们在这里处理图像和测试数据。目标检测、图像分割、构建聊天机器人、情感分析、文档相似度都是著名的用例。

但是，处理这些用例需要了解不同的深度学习算法，如卷积神经网络、递归神经网络、U-Net、沙漏、YOLO，以及更多需要大量处理能力来处理更多数据以获得更高精度的模型。

这里的问题是，在2021年的今天，公司正在投资大量资金来自动化这些完整的管道工作流。而且，我们忙于理解基本的机器学习和深度学习模型，而不顾没有任何投资者我们买不起高端机器的事实。

每个公司都意识到了这一事实，所以五年后，当这些云支持的数据科学工具将变得更加高效，并能够在更短的时间内提供更好的准确性时，为什么公司会投资雇佣我们，而不购买这些工具的订阅？

希望之光

当所有这些事情都将自动化时，您可能会考虑数据科学爱好者的未来。会有工作短缺还是会有更少的招聘？

好吧，当我们换位思考时，事情就变得容易了。诚然，公司将继续专注于机器学习的自动化工作流程。但是，请记住，没有一家公司愿意依赖于另一家公司的工作。

每个公司的目标是建立他们的产品，这样他们就可以建立自己的自动化系统，然后在市场上销售，以赚取更多的收入，而不是依赖他人。所以，是的，将需要数据科学家，他们可以帮助行业建立自动化系统，可以自动化机器学习和深度学习的任务。

最后，我们可以说，数据科学家的角色将是以优化的结果自动化流水线。因此，我们最终将机器学习工作流的流水线自动化，并让自动化决定数据中的最佳特征，并使用最佳策略的算法得到可能的最佳结果。

最后的想法

我们已经看到，在未来五年里，数据科学工作岗位将会短缺，因为公司将采用数据科学的自动化管道。但是，对能够自动化数据科学管道的数据科学家也将有很高的需求。

按照我的想法，要使这些管道自动化，我们首先需要理解机器学习算法，以建立一个更好的自动化系统，这最终将导致更多的工作。

嗯，你有什么想法？我很想听听你的。我希望你喜欢这篇文章。联系更多相关文章。我发表关于实时数据科学场景及其用例的文章。

谢谢你的阅读！