论文部分内容阅读
不断发展的新兴技术正在迅速重塑我们的工作方式——为愿意探索和采用新技能的开发人员带来了创造机会。让我们看看11个技术发展趋势，专家们认为这些趋势可能会颠覆当前的IT方法，并为着眼于未来的工程师创造需求。
这不仅仅是关于未来的大突破。开发人员的未来机遇源自人工智能、虚拟现实、增强现实、物联网和云技术等前沿技术的融合，当然，从这些融合中演变出的安全问题也会带来很多机遇。
如果您有兴趣扩展开发人员的技能，请了解这些趋势领域，以及帮助您怎样开始布局的一些提示。
物联网安全
去年有数千万台联网设备遭到攻击，如果您稍有留意，就会发现未受保护的物联网设备将带来噩梦般的安全问题。
研究公司Gartner最近的一份报告建议开发人员和安全部门在设计的早期阶段联合起来工作，以便在新威胁出现时就将其解决掉——例如，让物联网设备具备下载安全更新的能力。
现在迫切需要具有物联网安全技能的工程师，尤其是那些了解联网设备软硬件漏洞的工程师们。
物联网创业公司Particle产品副总裁Richard Whitney说：“物联网中的攻击媒介与任何其他分布式网络（例如计算机和手机）的基本相同，因此适用同样的安全知识，既相互关联也都非常重要。研究加密和认证的基础知识，您的工作就會比较顺利。”
DocuSign创始人同时也是Seven Peaks风险投资公司合伙人Tom Gonser说，公司需要微处理器低层编程技能。他们还希望通过蓝牙，[Windows身份认证基础]和扩展频谱组件获得射频体验。前沿的Linux安全选项也是非常有价值的，特别是针对Qubes OS这样的微型内核进行了优化的安全选项。
Seven Peaks风险投资公司与Gonser的合伙人Matt Abrams建议，“应重点了解工作流程以及怎样创新。Postquantum计算密码学的发展速度也比预期的快。他们还应该了解差异隐私和对抗网络。”
人工智能
当我们准备迎接下一波自主车辆、机器人和智能电子产品浪潮时，对精通人工智能的工程师的需求越来越迫切。
Accenture高级总经理和人工智能主管Nicola Morini-Bianzino说：“我们现在处于关键点，很大程度上是因为泛在计算、低成本云服务和近乎无限的存储空间的不断发展。人工智能将无处不在。”
Morini-Bianzino认为，“对具备语言翻译、语音识别、计算机视觉、机器人、自然语言处理、知识表达和推理专业知识的软件工程师、技术人员和研究科学家的需求会很大。人工智能...数据提取，因此内容和数据管理员、数据科学家和分析专家也非常重要。”
Treasure Data营销副总裁Kiyoto Tamura设想，人工智能从非常具体的、平淡的运营转向更广泛和更激动人心的应用。
“过去，它更像是，‘找到交付包裹的最佳路线，或者搜索查询最相关的网站。’现在，我们开始看到，‘Go游戏玩的真好；安全驾驶汽车’等等。所有这一切都很酷，但人类仍然需要把目标功能提供给计算机，至少现在就是这种事实。”
MindMeld首席执行官Tim Tuttle说，现在越来越需要数据科学家、机器学习研究人员和计算语言学家。他引用了VentureScanner的一项研究结果，列举了2016年3月至10月期间的910家人工智能公司，其中一半以上专注于深度学习/机器学习和自然语言处理。
Tuttle说：“从事这些方面研究的公司不仅数量众多，而且还获得了大量的投资，高达45亿美元。由于近来对会话应用的兴趣高涨，导致供需失衡。因此，领域专家仍然会非常抢手，直到学术界和业界在人才供需上重新达到平衡后，这种情况才会缓解。”
机器学习
机器学习作为人工智能的一种形式，可以获取大量的数据，快速发现面部识别等模式，并解决问题，例如推荐电影流，而且不需要进行明确的编程。
Rocket Software商业智能研发高级总监Patrick Spedding说：“当企业力求从‘噪声中提取出信号’时，由机器人和机器学习提供帮助的认知技术将凸显其价值所在。毕竟，机器学习基于成熟的分析功能——以前被称为‘数据挖掘’，其实是一直在等待一个合适的平台，以便更适合‘可消费’。”
那些想扩展这一领域机器学习知识面的开发人员应该怎样开发这方面的技能呢？
Seven Peaks风险投资公司的Abrams建议了一个受到高度评价的在线课程：“Andrew Ng的Coursera机器学习的开创性课程是一个很好的例子。通过Coursera参加他的课程的学生在Kaggle比赛中的表现确实比一些长期从业者还要好。”
Solvvy首席技术官同时也是联合创始人Mehdi Samadi说，并不是所有从事机器学习工作的开发人员都有计算机科学背景——尽管这会有帮助；他看到也会聘用没有计算机科学学位的博士，经过培训可以成为机器学习工程师。
他说：“要在机器学习领域做出关键贡献需要运用实际数据进行大量实验，观察模型的结果，并改进模型。拥有计算机科学学位或者核心工程背景，通常会让工程师在工作中更加成功，不断进行实验，改进机器学习模型。”
数据科学
数据科学是另一热门领域，需要不同行业的多学科技能。其要求包括机器学习和人工智能的经验，获取大量数据，并对数据进行整理从而能够用于做出业务决策。
Spedding说：“一段时期以来，技术精湛的数据科学家供不应求。具体来说，我看到在一些领域中，技术可以用于‘协助’决策，例如认知机器人和导航分析等，这些领域的机会将产生很高的价值。”
Bloomberg机器学习部门负责人Gary Kazantsev说，对于那些想在这一领域工作的人来说，精通概率和统计是最关键的。“永远都需要编写一些代码来开发系统，因此要具备一些工程技能，随着TensorFlow和Jupyter笔记本电脑等工具的出现，这也变得更加容易了。他们还需要良好的研究能力——即形成假设并进行测试的能力，阅读最新的文献，并跟上最新研究进展。”
这不仅仅是关于未来的大突破。开发人员的未来机遇源自人工智能、虚拟现实、增强现实、物联网和云技术等前沿技术的融合，当然，从这些融合中演变出的安全问题也会带来很多机遇。
如果您有兴趣扩展开发人员的技能，请了解这些趋势领域，以及帮助您怎样开始布局的一些提示。
物联网安全
去年有数千万台联网设备遭到攻击，如果您稍有留意，就会发现未受保护的物联网设备将带来噩梦般的安全问题。
研究公司Gartner最近的一份报告建议开发人员和安全部门在设计的早期阶段联合起来工作，以便在新威胁出现时就将其解决掉——例如，让物联网设备具备下载安全更新的能力。
现在迫切需要具有物联网安全技能的工程师，尤其是那些了解联网设备软硬件漏洞的工程师们。
物联网创业公司Particle产品副总裁Richard Whitney说：“物联网中的攻击媒介与任何其他分布式网络（例如计算机和手机）的基本相同，因此适用同样的安全知识，既相互关联也都非常重要。研究加密和认证的基础知识，您的工作就會比较顺利。”
DocuSign创始人同时也是Seven Peaks风险投资公司合伙人Tom Gonser说，公司需要微处理器低层编程技能。他们还希望通过蓝牙，[Windows身份认证基础]和扩展频谱组件获得射频体验。前沿的Linux安全选项也是非常有价值的，特别是针对Qubes OS这样的微型内核进行了优化的安全选项。
Seven Peaks风险投资公司与Gonser的合伙人Matt Abrams建议，“应重点了解工作流程以及怎样创新。Postquantum计算密码学的发展速度也比预期的快。他们还应该了解差异隐私和对抗网络。”
人工智能
当我们准备迎接下一波自主车辆、机器人和智能电子产品浪潮时，对精通人工智能的工程师的需求越来越迫切。
Accenture高级总经理和人工智能主管Nicola Morini-Bianzino说：“我们现在处于关键点，很大程度上是因为泛在计算、低成本云服务和近乎无限的存储空间的不断发展。人工智能将无处不在。”
Morini-Bianzino认为，“对具备语言翻译、语音识别、计算机视觉、机器人、自然语言处理、知识表达和推理专业知识的软件工程师、技术人员和研究科学家的需求会很大。人工智能...数据提取，因此内容和数据管理员、数据科学家和分析专家也非常重要。”
Treasure Data营销副总裁Kiyoto Tamura设想，人工智能从非常具体的、平淡的运营转向更广泛和更激动人心的应用。
“过去，它更像是，‘找到交付包裹的最佳路线，或者搜索查询最相关的网站。’现在，我们开始看到，‘Go游戏玩的真好；安全驾驶汽车’等等。所有这一切都很酷，但人类仍然需要把目标功能提供给计算机，至少现在就是这种事实。”
MindMeld首席执行官Tim Tuttle说，现在越来越需要数据科学家、机器学习研究人员和计算语言学家。他引用了VentureScanner的一项研究结果，列举了2016年3月至10月期间的910家人工智能公司，其中一半以上专注于深度学习/机器学习和自然语言处理。
Tuttle说：“从事这些方面研究的公司不仅数量众多，而且还获得了大量的投资，高达45亿美元。由于近来对会话应用的兴趣高涨，导致供需失衡。因此，领域专家仍然会非常抢手，直到学术界和业界在人才供需上重新达到平衡后，这种情况才会缓解。”
机器学习
机器学习作为人工智能的一种形式，可以获取大量的数据，快速发现面部识别等模式，并解决问题，例如推荐电影流，而且不需要进行明确的编程。
Rocket Software商业智能研发高级总监Patrick Spedding说：“当企业力求从‘噪声中提取出信号’时，由机器人和机器学习提供帮助的认知技术将凸显其价值所在。毕竟，机器学习基于成熟的分析功能——以前被称为‘数据挖掘’，其实是一直在等待一个合适的平台，以便更适合‘可消费’。”
那些想扩展这一领域机器学习知识面的开发人员应该怎样开发这方面的技能呢？
Seven Peaks风险投资公司的Abrams建议了一个受到高度评价的在线课程：“Andrew Ng的Coursera机器学习的开创性课程是一个很好的例子。通过Coursera参加他的课程的学生在Kaggle比赛中的表现确实比一些长期从业者还要好。”
Solvvy首席技术官同时也是联合创始人Mehdi Samadi说，并不是所有从事机器学习工作的开发人员都有计算机科学背景——尽管这会有帮助；他看到也会聘用没有计算机科学学位的博士，经过培训可以成为机器学习工程师。
他说：“要在机器学习领域做出关键贡献需要运用实际数据进行大量实验，观察模型的结果，并改进模型。拥有计算机科学学位或者核心工程背景，通常会让工程师在工作中更加成功，不断进行实验，改进机器学习模型。”
数据科学
数据科学是另一热门领域，需要不同行业的多学科技能。其要求包括机器学习和人工智能的经验，获取大量数据，并对数据进行整理从而能够用于做出业务决策。
Spedding说：“一段时期以来，技术精湛的数据科学家供不应求。具体来说，我看到在一些领域中，技术可以用于‘协助’决策，例如认知机器人和导航分析等，这些领域的机会将产生很高的价值。”
Bloomberg机器学习部门负责人Gary Kazantsev说，对于那些想在这一领域工作的人来说，精通概率和统计是最关键的。“永远都需要编写一些代码来开发系统，因此要具备一些工程技能，随着TensorFlow和Jupyter笔记本电脑等工具的出现，这也变得更加容易了。他们还需要良好的研究能力——即形成假设并进行测试的能力，阅读最新的文献，并跟上最新研究进展。”