完美的臥龍諸葛亮
深度學習架構設計吧。進入2020年，深度學習框架爆發式發佈。前有清華Jittor,後有曠世天元MegEngine，再有華為MindSpore跟進，整個技術體系朝著越來越先進的理念發展。關注前沿技術，不做調參俠。廣泛的閱讀學習深度學習框架，打好堅實的AI基礎。
在AI工程師中能做架構的人是少之又少，可謂是AI領域皇冠上的明珠，也是各種AI前沿公司爭奪的熱點。
新的一年面對疫情，避免被公司優化，那麼學一門頂尖的技術就是最好的手段。
DeepVision
今天我們來說一說2020年所需的頂級IT技能：
大數據，數據科學，商業智能和ETL, Salesforce, SAP, Oracle開發人員和管理員，雲計算，人工智能，Python開發人員和區塊鏈開發人員。
1.大數據
大數據無處不在，該領域的職業機會巨大。當您使用大數據時，如果您擅長分析並且同時具有創造性的思維，這將很有幫助。您需要大量處理數字，因此精通數學和統計學將有助於您在大數據事業中取得成功。
您需要獲得大量專業知識的一些大數據技術包括Apache Hadoop，Spark, SQL, NoSQL,使用統計和定量分析模型，數據可視化以及能夠用C ++，Java, Python和其他語言 。
要聞速覽
到2026年， 大數據應用程序的資本預計將從2018年的53億美元增長到194億美元。
大數據分析師的平均工資為59,000美元，大數據科學家的平均工資為92,000美元。
2.數據科學
數據科學是一種從遍佈全球的PB級數據中衍生出意義的藝術。作為數據科學專業人員,您的主要職責是創建和設計數據模型和應用程序,商業企業可以使用它們來擴大收入。將會派上用場的一些技能是SAS,R編程和創建統計模型的方式, Python語言編碼,SαL數據庫的工作知識以及使用非結構化數據的能力,這在大多數情況下是一種規範而非例外。
3.商業智能和ETL
商業智能仍然是另一個熱門話題，擁有正確的技能，您可以在此領域內職業發展迅猛。BI專業人員需要了解設置和運行系統的技術細微差別，瞭解業務觀點，並將業務查詢轉換為分析專有技術以快速實現業務解決方案。BI專業人員還應該理解並解析他們獲得的結果，以便可以實施企業的業務策略。
在BI領域工作需要專業人員瞭解數據倉庫和數據挖掘的概念。您應該可以從多個來源收集，驗證，合併和傳輸數據，並將其存儲以進行分析和分發。因此，您應該對信息分析技術和其他相關概念有深刻的瞭解。
4. Salesforce
Salesforce已經存在了一段時間，也就不足為奇了，它是世界上使用最廣泛的CRM工具，受到了一些大公司的信任。
要聞速覽
根據IT招聘公司Dice進行的一項調查, Salesforce是一 種趨勢技能， 可以幫助訓練有素的候選人每年獲得超過100,000美元的收入。
5. SAP
SAP作業配置文件種類繁多。由於有很多產品是定期從SAP堆棧中發佈的，因此明智地單獨討論它們是明智的。SAP產品包括CRM, ERP (企業資源計劃)，供應鏈管理，戰略企業管理，供應商關係管理等。SAP專業人員需要的兩個重要技術技能是: BASIS管 理和ABAP開發。
SAP HANA是一個關係數據庫管理平臺，可用於內部部署或雲處理。它用於從各種形式的數據中獲取實時分析。它用於文本處理，圖形處理甚至流分析。瞭解SAP HANA編程和管理可以幫助合適的候選人獲得高薪工作。
要聞速覽
根據Indeed, SAP HANA專業人員的平均年薪為149,139美元。
6. Oracle開發人員和管理員
Oracle是當今最大的數據庫管理軟件公司之一。您需要掌握的一些技能是:瞭解各種數據庫結構，部署Oracle數據庫工具,過程語言和結構化查詢語言的工作知識(包括DML (數據操作語言)的知識)以及對DBA體系結構，數據庫建模的深入瞭解，各種架構對象和數據恢復。
SQL是解析大量數據的最重要的編程語言之一，並且使用Oracle PL/ SQL，您可以管理大量的數據庫應用程序。在此領域中進行正確的培訓可以為未來的事業鋪平道路。
要聞速覽
Oracle開發人員的平均時薪為60美元。
7.雲計算
到2020年，所有數據的三分之一將通過雲傳輸， 這將對雲計算領域的公司產生巨大的積極影響。在雲計算方面擁有正確的技能可以幫助將您的職業推進到大聯盟。根據《福布斯》的報告，雲計算專業人士的平均工資約為124,000美元。
據《福布斯》報道，對Linux，虛擬化和Java有深入的瞭解可以幫助您在當今世界上擔負起具有挑戰性的雲計算專業人員的角色。您可以在雲計算域中申請的一些工作角色是企業架構師，資源計劃員，數據分析師，安全管理器等等。
要聞速覽
根據Gartner， 2019年， 公共雲服務市場預計將增長17.33%。
最受歡迎和最受歡迎的雲計算技能是Amazon Web Services (AWS) ，Linux, Java等。
雲計算專業人士的平均工資為146,350美元。
AWS在雲行業中擁有廣泛的市場。
8.人工智能
藉助人工智能(AI) ，業務正在迅速變化。人工智能是一個廣 義的概念，其中機器被設計為以智能方式執行一組特定任務。人工智能工程師將業務自動化提升到一個新水平。他們直接處理業務運營和實踐的優化。它極大地減少了人工，並減少了對人工的依賴，從而提高了質量和生產效率。
有一個神話，即人工智能和機器學習是相同的。好吧，這是有區別的:機器學習是按AI分類的應用程序。它旨在使用所有可用數據並從每組特定數據中得出明智的事實。
要聞速覽
據《福布斯》報道，人工智能專業人士的平均年薪為111,118美元。
在當前的十年中，人工智能的工作機會呈指數增長。
9. Python開發人員
從編程的角度來看，Python認證仍然是開發人員要求的最搶手的技能。Python是 一種簡單的編程語言，可將開發時間減少近50%。它具有所有重要功能，例如易於編譯，讀取語法以及支持數據分析，可視化和操作的更多庫。因此，Python已成為開發人員必知的語言。
要聞速覽
根據Indeed, Python開 發人員在美國的平均年薪為123,124美元。
大多數市場領導者，如Facebook, SlideShare, Quora, YouTube, Pinterest, Netflix等， 都已經採用Python作為其編程語言。
10.區塊鏈開發人員
區塊鏈技術不僅限於加密貨幣。它還具有其他潛在用途，例如提供安全性，對等支付，文件存儲，眾籌，數字投票，身份管理等。區塊鏈技術的快速增長提高了對區塊鏈開發人員的需求。
區塊鏈開發人員應具備的一些技能包括聯網，數據庫設計，密碼計算, Java, Python, JavaScript, C++等編程語言。他們必須掌握區塊鏈安全性，區塊鏈架構模式和互操作性，並且他們應該在分佈式分類賬方面也具有專業知識。
24鬥地主
No.1 雲原生將以容器的形態落地
2019 年，還是有很多人會對“雲原生”充滿了疑惑甚至誤解。這想必也是為何我們一直能夠在不同場合聽到關於雲原生的各種不同定義的原因所在。有人說，雲原生就是 Kubernetes 和容器；也有人說，雲原生就是“彈性可擴展”；還有人說，雲原生就是 Serverless；而後來，有人乾脆做出判斷：雲原生本身就是“哈姆雷特”，因為每個人的理解都不一樣。
實際上，自從這個關鍵詞被 CNCF 和 Kubernetes 技術生態“借用”之初，雲原生的意義和內涵就是非常確定的。在這個生態當中，雲原生的本質是一系列最佳實踐的結合；更詳細的說，雲原生為實踐者指定了一條低心智負擔的，能夠以可擴展、可複製的方式最大化地利用雲的能力、發揮雲的價值的最佳路徑。所以說，雲原生並不指代某個開源項目或者某種技術，它是一套指導軟件與基礎設施架構設計的思想。這種思想，以一言以蔽之，就是“以應用為中心”。
正是因為以應用為中心，雲原生技術體系才會無限強調讓基礎設施能更好的配合應用，以更高效的方式為應用“輸送”基礎設施能力，而不是反其道而行之。而相應的， Kubernetes 、Docker、Operator 等在雲原生生態中起到關鍵作用的開源項目，就是讓這種思想落地的技術手段。以應用為中心，是指導整個雲原生生態和 Kubernetes 項目蓬勃發展至今的重要主線。
2020 年，隨著容器、尤其是 Kubernetes 的迅猛發展，CNCF 基於 Kubernetes 這樣一個“種子”迅速構建起來一個以數百個開源項目組成的龐大生態，使得雲原生的落地趨勢越來越清晰：以容器的形態落地，把“以應用為中心”進行到底。
No.2 DDD 即將撞上敏捷式的尷尬
DDD（領域驅動設計）的思想發端於 2004 年，在過去的十餘年時間中一直不溫不火，直到最近兩年才得到越來越多的關注度。有人說，正是託微服務的福，DDD 才有了流行的土壤。實際上，目前微服務的劃分方法裡全球共識的就是 DDD，但 DDD 的核心思想並不僅僅侷限於微服務本身。因為微服務是一種架構風格，而 DDD 是一種思想。微服務定義的九大核心特質，跟 DDD 的原則是完全一致的，這在某種程度上也是業界願意在微服務上下文中採用 DDD 方法和實踐的原因。
雖然 DDD 的關注度日漸提升，但在實踐過程中，也遇到了敏捷開發式的尷尬：如何調整組織架構以適配 DDD？
過去業界提到敏捷開發，都說對個體的要求太高，但實際上並不是。表面上看敏捷對開發人員的技能要求高，實際上是因為敏捷開發要求調整組織架構，很多人不願意動，因此業務和技術協作上的問題很難解決。
DDD 面臨的困境同樣如此。在過去，技術這條線的劃分可能是開發一部、開發二部，業務這條線的劃分可能是業務一線、業務二線。但 DDD 的劃分理念是從業務角度劃分成領域，領域再劃成服務，落地的時候採用微服務架構，以前的劃分方式完全適配不了。所以直接造成 DDD 落地難的阻礙也是組織結構。具體表現就是協作不起來，各條線相互甩鍋，領導抱怨團隊人員能力不夠。
可以預見，隨著微服務和中臺思想的持續升溫，2020 年 DDD 將會變得更加流行，但由此帶來的問題也會愈加凸顯。
No.3 Service Mesh 將迎來技術的普及年
2018 年至今，Service Mesh 的熱度直線上升，而隨著 Kubernetes 生態體系的逐漸建立和完善，基於 Kubernetes 應用程序的規模和複雜性將增加，Service Mesh 將成為有效管理那些應用程序所必需的一切。企業對其的需求將會快速增長。
我們認為，2020 年 Istio 作為控制平面的一種技術實現仍將在 Service Mesh 領域扮演核心角色。Istio 獲得業界廣泛關注的原因，在於背靠 Google 公司的內部工程實踐，以及對工程實踐的再思考和重新提煉。而在國內也有阿里巴巴等大玩家在參與其中。未來市場上可能還有其他競爭者的空間，但市場的整合將於 2020 年開始。
從長遠來看，我們很可能會看到類似 Kubernetes 的情況，其中出現了贏家，公司開始標準化那個贏家。目前來看，業界正在圍繞 Istio 建立生態，Istio 似乎最有可能成為事實上的 Service Mesh。
2019 年 Service Mesh 的解決方案用例較為單一，展望 2020 年，相信會有更多的公司通過實踐而對 Service Mesh 的價值更有體感，通過創造更多的成功用戶故事、案例而加速 Service Mesh 的普及。也許，2020 年將成為 Service Mesh 技術的普及年。
No.4 Serverless 從觀望走向落地
Gartner 最近的一份報告表明，到 2020 年，全球將有 20% 的企業部署無服務器架構。這說明無服務器架構不只是一個流行語，更是一種眾所周知的雲計算趨勢，並且已經在軟件世界掀起一場革命。大型廠商（如亞馬遜、微軟和谷歌）已經在無服務器架構領域重資投入，追趕革命的浪潮。
Serverless 已經從觀望期走向了落地進程，O’Reilly 近期的一份千人樣本的調查顯示：超過 40% 受訪者已在使用，50% 開發者想要嘗試。2020 年 Serverless 的發展將在以下幾個方面取得更多進展：
- Serverless 計算平臺的能力有了長足進步，變得更加通用；
- Serverless 正在從偏離線業務進入在線業務；
- Serverless 生態不斷髮展，在應用構建，安全，監控報警等方面湧現了很多開源項目和創業公司，工具鏈越來越成熟；
- 用戶對 Serverless 的接受度不斷增加，除了互聯網等迅速擁抱新技術的行業，傳統企業如銀行用戶也開始採用 Serverless 技術；
- Java 語言、社區不斷努力，試圖成為 Serverless 平臺的主流語言；
- 基於 WebAssembly（WASM）的 FaaS 方案有望出現。
No.5 WebAssembly 將成為 Web 新技術浪潮主角
雖然前端一直是推陳出新速度最快、開發者最愛抱怨“學不動”的技術領域，但是回顧剛剛過去的 2019 年，多位專家都會這樣告訴我們：2019 年大前端領域增速放緩，並沒有出現很多顛覆性技術。
仔細想想這個說法確實也站得住腳，無論框架、語言還是前後端分工，2019 年並未出現重磅新聞，主要的“廝殺”都在細分領域展開。這未嘗不是好事，可能意味著前端正在走向成熟。
不過如果非要在 2019 年看似平淡的前端圈選擇一個超過預期、2020 年值得關注的技術趨勢，我們可能會選擇 WebAssembly（Wasm）。
WebAssembly 至今已經發展了三四年時間，2019 年發展速度之快超乎我們想象。3 月份 Mozilla 提出 WASI ；Mozilla、Fastly、英特爾與紅帽宣佈成立 Bytecode Alliance（字節碼聯盟）；2019 年末的大事件則是 WebAssembly 進入 W3C 成為正式推薦標準。
Docker 聯合創始人在 Twitter 上說的一句話更是給 WebAssembly 添了一把火：
“如果 WASM+WASI 在 2008 年就已誕生，那麼我們就用不著創建 Docker 了。”
但是如果你認為 WebAssembly“真香”，可能又錯了。最近對 JavaScript 開發人員進行的一項調查顯示，只有一小部分人在使用 WebAssembly，因為目前大家還找不到放棄 JavaScript 的理由。
不過進入 2020 年，WebAssembly 在商業化上的進程可能會加快，如果你還沒有關注和學習 WebAssembly，建議你補上這個功課。
Wasm 現階段的應用場景還比較少，主要的幾個應用場景都集中在前端密集計算業務的優化上，除此之外也有 AI、區塊鏈上的嘗試。我們預測 2020 年 WebAssembly 應該主要還是以標準制定及基礎設施（瀏覽器、編譯器等）實現發展為主，在 Post-MVP 沒有被完全落地的情況下，Wasm 很難跳出目前的幾個應用場景來進行能夠放到生產環境上的試驗，這也是 2020 年 Wasm 將會面臨的一個比較大的挑戰。
當然現階段對於 JavaScript 開發者而言，由於現階段 Wasm 標準的落地進度並沒有達到可以為 JavaScript 開發者或者前端開發者提供很多的、能夠解決前端實際問題的 Wasm 落地場景，因此導致更多的小夥伴只是採取觀望態度。2020 年這樣的情況是否會有所改善？可能還要看 Wasm 標準在工具鏈和瀏覽器層面的落地實現程度。
除了 WebAssembly，2020 年值得關注的前端趨勢還有很多，比如 Serverless，比如前端智能化。
No.6 容器化加速席捲大數據基礎架構
前十多年，大數據的發展主要集中在技術框架上，社區出現了一系列優秀作品，比如引領大數據風潮的 Hadoop，比如計算引擎 Spark、Flink ，比如消息中間件 Kafka 等等，可以說，大數據領域的技術框架已經比較成熟。我們認為新的一年中，大數據領域將迎來大數據的容器化浪潮。
IT 基礎設施往雲上遷移是大勢所趨，由於來自雲平臺的競爭，Hadoop 正面臨越來越大的阻力。去年 6 月 Cloudera 和 Hortonworks 合併，股價暴跌 40%。雖然 Hadoop 不太可能很快就會消失，但它的採用可能會減緩。
同時出於對成本以及對廠商鎖定的擔憂，促成了向混合方法的演變，包括公用雲、私有云和本地部署的組合。在混合雲時代，容器依靠其自身標準化、一次構建隨處運行的能力，非常適合用於大數據系統的構建和管理。目前已經有大量的大數據系統原生支持 on Kubernetes，例如 Spark 官方版本從 2.3 開始就可以無需任何修改直接跑在 Kubernetes 上，而且“更好地在 K8s 上運行”已成為後續版本演進的的重大策略。行業也已湧現出多個案例。數據基礎架構正在從 Hadoop 到雲服務再到混合雲 / Kubernetes 環境的三個階段過渡，目前這一過程正在加速。
當然除了容器化浪潮外，2020 年大數據領域還會迎來數據實時以及全鏈路整合的趨勢。數據本身的價值是隨著時間推移而快速降低的，以 Kafka、Flink 為代表的流處理計算引擎已經為實時計算提供了堅實的底層技術支持，實時數據計算已融入各種企業場景。大數據的實時性包括快速獲取和傳輸數據、快速計算處理數據、實時可視化數據、在線機器學習和模型實時更新等各個環節，每個環節都會影響整體實時性。
傳統的機器學習和大數據兩套技術也逐漸在融合，從原始數據導入到數據準備、數據訓練到模型部署，整個是一套閉環，大數據和 AI 平臺的集成與協同將是未來發展的一個趨勢。比如在 Spark 社區裡也提出了 Hydrogen 計劃，在應用層把大數據和 AI 開源的框架全部串聯在一起，通過分佈式的調度方式，把這些框架調度到分佈式數據與 AI 平臺之上。
除此以外，2019 年”數據中臺“的概念可謂火了一把。2020 年依然是大數據發展的一個值得關注的趨勢。
No.7 深度遷移學習 基於預訓練模型有更多改進
2019 年，由於預訓練模型 BERT 以及 GPT 2.0 的發展，深度遷移學習成為 AI 領域的熱門詞彙。準確地說，預訓練模型是自然語言處理領域新的 baseline，如果要在完全不依賴 BERT 的基礎上，提出一個與 BERT 效果相當或者更好的新模型，目前來看可能性非常低。業界大部分 NLP 成果均是基於 BERT 的各種改進或者在對應業務場景上進行應用的，而且 BERT 的改進方向比較多，已經出現各種可用的變種 。
目前，XLNet、RoBERTa 等各種 BERT 的改進預訓練模型，雖然是通過增加預訓練的數據進一步提升效果，但除了增加數據，還做了許多模型方面的優化，這些突破都不是僅僅依靠堆數據就能帶來的成果。
我們認為：2020 年，深度遷移學習將基於預訓練模型有更多改進，比如對性能要求較高的場景需要對模型做一些改進和方案上的優化，雙向語言模型有可能出現訓練和預測不一致的現象，以及在長文本處理、文本生成任務上的不足。同樣值得期待的是，該領域未來可能會出現更加輕量級的在線服務模型。拓展到自然語言處理領域，除了不斷提升預訓練模型的效果，未來如何更好地與領域的知識圖譜融合，彌補預訓練模型中知識的不足，也是新的技術突破方向。
No.8 圖神經網絡的應用邊界繼續擴展
圖神經網絡（GNN，Graph Neural Networks）是 2019 年 AI 領域最熱門的話題之一。雖然深度學習目前已經在諸多領域擁有了顯著的應用成果，但因果推理和可解釋性仍是短板，這幾年學術界和工業界都在探索新的方向。圖神經網絡是用於圖結構數據的深度學習架構，將端到端學習與歸納推理相結合，業界普遍認為其有望解決深度學習無法處理的因果推理、可解釋性等一系列瓶頸問題，是未來 3 到 5 年的值得關注的重點方向。
展望 2020 年，最可以確定的一點是：GNN 依然會保持如今快速發展的態勢。從理論研究上看，不斷解構 GNN 相關的原理、特色與不足，進而提出相應改進與拓展，是非常值得關注的部分，如動態圖、時序圖、異構圖等。另外，一直以來研究 GNN 所用的標準數據集，如 Cora、PubMed，相對來說場景單一、異構性不足，難以對複雜的 GNN 模型進行準確評價。針對這一問題，近期斯坦福大學等開源的 OGB 標準數據集有望大大改善這個現狀。在新的評價體系下，哪些工作能夠脫穎而出？值得期待。
從應用上看，除了在視覺推理、點雲學習、關係推理、科研、知識圖譜、推薦、反欺詐等領域有廣泛應用外，在其他諸如交通流量預測、醫療影像、組合優化等場景下，也出現了一些 GNN 相關工作。在這其中，如何準確有效地將圖數據與 GNN 二者有機結合到相關場景，是應用上需要著重考慮的。相信 2020 年，會出現更多這樣的工作來拓展 GNN 的應用邊界。此外，GNN 要真正在工業界大規模落地，底層系統架構方面仍需做大量工作。業界期待著一個更為開放、高性能，且支持超大規模分佈式圖網絡計算的主流平臺的出現。
No.9大規模知識圖譜的自動化構建將成為重要發展趨勢
作為認知智能領域核心技術之一，目前知識圖譜已運用到語音助手、聊天機器人、智能問答等熱門的人工智能應用場景中，並覆蓋泛互聯網、金融、政務、醫療等眾多領域。儘管發展火爆，但現在知識圖譜在構建和落地過程中還面臨著諸多挑戰：首先，對人工構建的依賴度還較高，仍然缺乏從大規模數據裡獲取的手段；其次，知識圖譜的構建技術成本很高。為解決上述問題，目前有很多公司都在做一些自動化構建知識圖譜的探索工作，如明略科技開發了自動圖譜構建工具，將一些中間構建過程自動化；騰訊正在基於聚類算法和強化學習結合的模式開發 schema 自動構建和根據反饋調整知識圖譜的能力….
2019 年知識圖譜構建技術已經從過去的完全人工編輯，進化到了場景化定製 NLP 知識抽取配合人工模板和審核的模式，正在經歷人工構建 – 群體構建 – 自動構建這樣的技術路線。自動化構建知識圖譜的特點是面向互聯網的大規模、開放、異構環境，利用機器學習技術和信息抽取技術自動獲取互聯網信息。
2020 年，我們可以預見的是：大規模知識圖譜的自動化、高質量構建將成為重要的發展趨勢。具體來看，首先，知識圖譜的 schema 自動構建和圖表示推理將成為關注的重點；其次，隨著知識圖譜在各個行業的深入落地，會有更多面向領域知識圖譜的自動化構建方案湧現出來，比如智能醫療、智能金融等相關知識圖譜及推理應用建設；此外，隨著 5G 的到來，5G 知識圖譜的構建也值得我們期待。
No.10 區塊鏈穩定幣將成全球關注重點
2019 年，區塊鏈技術迎來了兩支“強心劑”，一支是以 Facebook Libra 為代表的穩定幣技術，另一支是中共中央政治局集體學習區塊鏈技術，國家最高領導人對區塊鏈技術給予高度肯定。
在過去一年中，各大主要分佈式賬本技術（DLT）、各大公司的聯盟鏈技術團隊都做出了不少改進，已經顯著增加了相關方案解決實際問題的潛力。技術的相對成熟，讓區塊鏈能在未來的一年裡結合企業業務得到落地發展。
我們認為，區塊鏈未來主要有兩點值得關注：一是區塊鏈之間的互操作性，2020 年我們很可能會看到更多區塊鏈系統的相互融合，跨鏈技術也有望進一步突破；二是穩定幣支付技術。支付是區塊鏈的看家本領，穩定幣避免了其他類型數字貨幣幣值不穩、劇烈波動的弊端，從而使數字貨幣能夠真正應用於日常支付等業務場景中。
同時，在 Facebook Libra 的影響下，各國央行數字貨幣之間的競爭加劇，尤其我國的央行數字貨幣已是“呼之欲出”，未來國際金融體系勢必會發生大變革。全球各國政府都比較重視這塊兒的發展，相信在未來會掀起穩定幣的熱潮。
IT行業素來有著“高薪”的標籤，除了“高薪”標籤之外，未來IT行業的發展潛力也是非常巨大的，隨著大數據、人工智能、物聯網、雲計算等技術的不斷推進，IT行業也在不斷地向前發展。
在科技發展的推動下，IT行業自然會出現一些熱門的工作崗位，下面就為大家介紹一下2020年甚至今後IT行業可能會持續缺口、易獲高薪的崗位：
No.11
AI/機器學習工程師
如果你是十年前進入機器學習領域，那當時除了學術界之外很難找到別的工作。但是現在，每個行業都希望能將 AI 應用到他們的領域，對於機器學習專業知識的需求也就無處不在，因此 AI 也將繼續推動社會對於機器學習工程師高需求趨勢的發展。除此之外，AI 不同垂直行業的企業，包括圖像識別、語音識別、醫藥和網絡安全等，也面臨著缺乏合適技能和知識的勞動力這一問題的挑戰。
No.12
算法工程師
數據挖掘、互聯網搜索算法這些體現大數據發展方向的算法越來越流行，同時也逐漸朝向人工智能的方向發展，其功能和作用主要體現在：針對公司搜索業務，開發搜索相關性、排序算法，對公司海量用戶行為數據和用戶意圖，設計數據挖掘等。
No.13
網絡安全工程師
隨著互聯網發展和IT技術的普及，互聯網已經日漸深入到人們的日常生活和工作當中，社會信息化和信息網絡化，突破了應用信息在時間和空間上的障礙，使信息的價值不斷提高。但是與此同時，網頁篡改、計算機病毒、系統非法入侵、數據洩密、網站欺騙、服務癱瘓、漏洞非法利用等信息安全事件時有發生。
移動互聯網深入到生活方方面面的今天，網絡安全在個人信息保護、隱私保護、企業數據保密方面顯得尤為重要，所以網絡安於個人、於社會、於國家而言，都具備大量的需求。
No.14
軟件測試工程師
相比於其他IT技術崗位，軟件測試工程師的入門門檻較低，隨著各大廠對用戶體驗的重視，近幾年，就業好、薪水高、工作輕鬆等特點受到追捧。因為軟件測試工作是對質量的把關，其中包含技術及管理等方面的工作，工作相對穩定，對年齡沒有限制，而且隨著經驗的積累，工齡越長越吃香，所以發展前景很好，不需要擔心失業問題。
No.15
安全運維工程師
“防火牆”，Linux，“網絡安全”，“信息安全”是安全工程師應具備的技能。市場對本職位的需求較去年上升了35%，幫助公司保護數字財產的專業人士的需求正在穩步增長，尤其是近年來數據安全事件頻頻發生，企業級數據安全開始受到了廣泛重視。
No.16
數據挖掘工程師
數據挖掘是通過分析每個數據，從大量數據中尋找其規律的技術。基於人工智能、機器學習、模式識別、統計學、數據庫、可視化技術等，高度自動化地分析企業的數據，做出歸納性的推理，幫助決策者調整市場策略，減少風險。
No.17
高級算法工程師
國內從事算法研究的工程師不少，但是高級算法工程師卻很少，是一個非常緊缺的專業工程師。算法工程師根據研究領域來分主要有音頻/視頻算法處理、圖像技術方面的二維信息算法處理和通信物理層、雷達信號處理、生物醫學信號處理等領域的一維信息算法處理。
No.18
系統架構師
系統構架師是最近在國內外迅速成長並發展良好的一個職位，它的重要性及給IT業所帶來的影響是不言而喻的。在我國雖然還存在一定的爭論性、不可預測性、不理解性，不確定性，但它確實是時代發展的需要。IT業各公司為了IT系統實現更大的價值紛紛進行了重大的技術變革，對高水平的架構師的需求激增。
No.19
數據庫管理員
數據庫作為整個系統的一部分，它的表現直接受服務器、操作系統、存儲、網絡、應用程序中SQL語句的質量、數據庫設計的質量、以及其它諸多因素的影響，這些因素加在一起非常複雜，經驗起著非常重要的作用。因此一個好的DBA除了知識作為基礎，經驗的多寡、見識的薄廣，往往決定了是否合格與優秀。
以上這些崗位，只是未來IT行業中其中一部分前景較為廣闊的高薪崗位，隨著技術的快速更新迭代，也會有更多新興的職業和崗位湧現出來。但總體來看，IT行業相較於大多數行業來說，其發展潛力巨大、崗位薪資之高是毋庸置疑的。如果一些朋友想要在2020年尋求職場中新的突破口，不妨關注一下IT行業，學習一門IT技術，也是一種不錯的選擇~
李才哥
你好！
首先，強調一件事情，任何所謂的“新技術”都是基於“老技術”演進過來的，不可能憑空出現一門新技術，所以把基礎打造牢固，才有可能不斷更新我們的新技術；
其次，依據目前行業發展的趨勢來推斷，有些領域很是值得其它的，在雲計算、大數據相關領域的發展，以人工智能為代表相關的產業取得了長足的進步。另外，邊緣計算、量子計算、航空航天技術、自動駕駛、區塊鏈都是值得期待的新技術。
最後，不管是哪一門技術都是與行業、產業相關聯。最值得學習的新技術一定要和自己所擅長的領域和自己感興趣的技術相關聯。
人工智能崔老師
1、serverless無服務器技術，BAT的雲平臺都有相關的技術服務，很適合創業公司，這是未來的趨勢
2、AI，包括NLP、CV、推薦系統等技術
3、web全棧技術，前端開發也學一些後端技術，實現全棧開發，這是前端開發的趨勢
4、Python好好學習，從web技術到數據分析到AI，甚至是物聯網等領域，Python都可以很好地應用，所以Python一定要學好
5、普通的程序員多學些架構層面的技術，微服務等是提高自己技術水平很好的方式
6、學再多新技術，都不如好好學學大學計算機的基礎性課程：算法、組成原理、操作系統、計算機網絡、數學、物理等，這可以練好內功，可以讓自己從容面對越來越多的新技術
7、學技術要按自己的技術路線體系性地學習，不要一味去各種新技術，要讓自己學的技術形成體系
下班創業研習會
語言方面有Golang，RUST非常值得學習，API方面新興的GraphQL是非常值得學習的。在人工智能技術方面，大多人都沒有機會（能力）做底層算法科研方面的工作，但在應用方面可以學習一下去年開始熱起來的圖計算，知識圖譜方面。
