Hvordan forberede seg på en karriere innen maskinlæring og kunstig intelligens

Hvor viktig er en teknisk grad for en karriere innen maskinlæring? Voysis-grunnlegger og administrerende direktør Peter Cahill om de forskjellige måtene å utarbeide en karriere innen datavitenskap, taler på AI-konferansen presentert av O'Reilly og Intel AI.

Å holde seg foran tidevannet er mantraet for dagens teknologier. Etter hvert som teknologi og relaterte prosesser utvikler seg, må de som jobber i feltet oppdatere ferdighetene sine og til og med karriere om nødvendig.

Mer om kunstig intelligens

  • Google DeepMind-grunnlegger Demis Hassabis: Tre sannheter om AI
  • De 10 mest etterspurte AI-jobbene i verden
  • De 3 mest oversett begrensningene av AI i virksomheten
  • Hvordan bli maskinlæringsingeniør: Et jukseark

Noen tradisjonelle helpdesk-, system- og nettverksadministratorroller forsvinner for å bli erstattet av bestrebelser som krever en heftigere og mer mangfoldig kompetanse. Maskinlæring (ML) og kunstig intelligens (AL) er to slike felt som gir jevn inngang i IT-verdenen. Folk som leter etter en fremtidig karriere innen teknologi, vil gjøre det bra å bli kjent med både ML og AI.

Jeg snakket med Dillon Erb, administrerende direktør i Paperspace, en skyleverandørplattform, for å finne ut mer.

Ferdigheter som trengs for en ML / AI-karriere

Scott Matteson: Hva slags utdanningsbakgrunn er nyttig i ML / AI-området?

Dillon Erb: Jeg har hørt en interessant statistikk nylig: Cirka 70% av de som lærer dyp læring eller AI i dag, er fortsatt på skolen. Fordi dette er en ny teknologi, og den trekker inn folk fra alle slags fagfelt, har vi egentlig ikke noen stor presedens for det ennå.

Sannheten er at et flertall av gode utøvere i rommet i dag er enten selvlærte, eller de kommer helt fra et annet domene (dvs. ikke bare informatikk eller programmering). En solid bakgrunn i statistikk og tradisjonell matematikk er alltid nyttig - erfaring innen et forskningsområde er også et stort pluss.

Det er også mange online-kurs som FastAI og Udacity - og utallige ressurser tilgjengelig fra alle de store tech-aktørene - for å hjelpe deg med å utdanne deg til å bli en AI-utvikler. Å være dyktig på datasiden er nøkkelen og spesielt Python, ettersom det er det primære språket. På den andre siden er det den mer tradisjonelle programvarearkitekturen.

Generelt i dag har vi mange mennesker som enten er veldig gode på programvaresiden og ikke er så gode på den matematiske eller statistiske siden. Å øke eller balansere kunnskapsnivået og erfaringen din i både programvare og matematikk vil gi deg en betydelig fordel i arbeidsmarkedet.

Scott Matteson: Hvordan er tradisjonelle IT-ferdigheter nyttige?

Dillon Erb: Utfordringen IT står overfor i dag er at ML / AI er ny. Det er en ny type verktøy som de må lære om som ikke eksisterte før. Alle tradisjonelle IT-ferdigheter er fremdeles veldig nyttige og går fremover, det vil være mer fokus på hvordan maskinlæringsverktøy stabler med alle de eksisterende systemene som allerede er distribuert i en organisasjon. Men akkurat nå er det fortsatt spørsmål rundt hvordan man kan øke samarbeid eller synlighet i en organisasjon, og hvordan man kan gi mer innsikt til alle interessentene. En IT-avdeling er ikke nødvendigvis opptatt av en enkelt avdeling, men å sørge for at en avgjørelse som tas i en enhet enten kan flyttes til et annet område hvis det er vellykket eller tilfører en fugleperspektiv synlighet til resten av organisasjonen.

Dette er spesielt relevant i forbindelse med datavitenskap eller maskinlæring. En av bekymringene fra IT i dag er at ingen beste praksis eksisterer for AI / ML. Frykten er at utøverne er så tøffe som systemene er på tvers av forskjellige avdelinger, at disse utøverne ikke bruker versjonskontroll for modellbygging eller programvare, og de sliter med å hindre at disse menneskene fungerer isolert.

Jeg tror vi vil se en større etterspørsel etter nye maskinlæringsverktøy for å spille bedre i tradisjonell IT-sammenheng.

Scott Matteson: Hvordan er tradisjonelle IT-ferdigheter ikke relevante?

Dillon Erb: Jeg tror at maskinlæringsuniverset til slutt vil måtte tilpasse seg en tradisjonell IT-prosess, mer enn omvendt. Årsaken til at jeg sier det er fordi IT, i hvert fall i store organisasjoner, har brede initiativer som digitalisering, eller samarbeid, eller svært høye nivå initiativer rundt å øke utviklerhastigheten og samtidig opprettholde synligheten for interessenter utenfor.

De alle vil fortsette å være veldig sterke, men det som må skje er at maskinlæringsgruppen, som vi diskuterte tidligere, må være en hybrid av dataforskere og DevOps-mennesker. IT må imøtekomme denne typen samarbeidsenheter og prøve å finne ut hvor den finnes i organisasjonen.

Det er noen områder der AI og maskinlæring kan erstatte bestemte aspekter ved tradisjonell IT i dag, for eksempel trusselanalyse, anomalideteksjon, etc. Til syvende og sist tror jeg det virkelig bare vil være et annet verktøy i verktøykassen.

Å bygge et ML / AI utviklingsteam

Scott Matteson: Hva er dagens ferdigheter som trengs for å bygge et ML / AI utviklingsteam?

Dillon Erb: Det er tre primære ferdighetssett å se etter. Den første er generelt det som faller inn under datavitenskap, eller noen ganger til og med BI-verktøy, som er noen som kan samle og rydde opp eksisterende data, og gi innsikt i disse kildene. Så har du en fremvoksende gruppe AI-mennesker som kanskje er mindre fokusert på datainnsamlingssiden og mer på å bygge ut innsikt om disse dataene. Det tredje ferdighetssettet involverer en DevOps-person som kan bli med i team som bygger ut modeller og prediksjonsmotorer.

Et virkelig drapsmann AI-team blander ferdighetene til en statistiker eller dataforsker, og noe av det mer moderne verktøyet som vi vanligvis kaller AI eller dyp læring med DevOps mennesker som kan ta disse modellene og virkelig skyve dem i produksjon. I dag er det ganske stort gap mellom de to ferdighetssettene.

ML / AI utvikler jobbmarked

Scott Matteson: Hvordan ser arbeidsmarkedet ut for ML / AI-utviklere?

Dillon Erb: Det er fremdeles veldig konkurransedyktig i den forstand at det er et selgers marked. Hvis du er dyktig i nyere maskinlæring og AI-verktøy, vil du gjøre det veldig bra. Det som har endret seg i løpet av det siste året eller to, er at alle som til og med eksternt kunne forstå disse tingene ville ha en jobb. I dag er det sterkt press for å finne kompetanse og belønne den kompetansen.

Noen som kommer inn i arbeidsmarkedet og er litt kjent med verktøyene, men ikke klarer å koble til alle de eksisterende systemene, er langt mindre verdifulle enn noen som kan operasjonalisere AI i en organisasjon som allerede har mange systemer og mange eksisterende verktøy rundt datainnsamling / distribusjon, etc.

Scott Matteson: Hvilke nye bakkearealer brytes i feltet?

Dillon Erb: Det mest spennende området akkurat nå er AutoML. Maskinlæringsmodeller er veldig vanskelig å lage. De krever spesialister. Så spørsmålet er, hvordan lager du verktøy som kan automatisere oppdagelsen av effektive nevrale nettverk eller effektive maskinlæringsmodeller?

Et annet nytt banebrytende område er forsterkningslæring der du lager et system der maskinlæringsmodeller kan trene seg på en måte. Jeg ville også listet syntetiske data. Ideen er at nesten all maskinlæring begrenses av hvor mye data som er tilgjengelig for maskinlæringsalgoritmen. Det er spennende nye måter å generere nye data på, som å bruke maskinlæring for å generere data, som deretter trener andre maskinlæringsmodeller, som hjelper med å starte opp hele denne prosessen.

Scott Matteson: Hvilke jobber kan bli truet av ML / AI?

Dillon Erb: Det er ingen tvil om at ML / AI vil føre til et skifte i jobber i visse områder som dokumentinnføring, noe en maskinlæringsmodell kan gjøre mer effektivt og / eller være mer kostnadseffektivt. Datainnsamling i visse områder er en annen mulighet. Jeg tror teknologien vil skape mange nye jobber også fordi når disse systemene kommer på nettet, trenger du folk som kan overvåke dem, analysere dem, profilere dem, tenke på dem og bruke dem. Generelt sett vil det være et skifte i jobber, men jeg er optimistisk med tanke på situasjonen når det gjelder generell jobbvekst.

Scott Matteson: Hvordan anbefaler du nåværende personell i truede områder å utvikle seg for å holde seg konkurransedyktig?

Dillon Erb: En av farene ved AI er at den i sin nåværende form ser ut til å være kontrollert av noen få spesialister, eller personer som har tilgang til ekstremt store datamengder. Jeg tror at vi generelt, som samfunn eller som kultur, må investere i å forstå disse systemene bedre, slik at de ikke lenger er sorte bokser. Faktisk er de den typen ting vi kan snakke om samlet - hvordan de presterer og hvorfor de eksisterer.

ML / AL-varsel

Scott Matteson: Hva ser du for deg på veien for ML / AI og personellet som jobber i feltet?

Dillon Erb: Det store trekket akkurat nå er fra FoU til produksjon. Mange selskaper og enkeltpersoner og forskere har investert i å lære denne teknologien de siste årene. Det store spørsmålet nå er hvordan du bringer det inn i et virkelig miljø som ikke bare er test saken.

Den langsiktige trenden er det, og dette er en større påstand, men jeg tror maskinlæring og AI vil bli underlagt andre forretningsmetoder. I den forstand er det ikke lenger separate enheter, men det er faktisk kjernen på samme måte som selskaper pleide å ha webteamet og mobilteamet, men til slutt ble det det appteamet som gjorde mobil så vel som nettstedet.

Det er ikke noe spørsmål for menneskene som ser på det intenst, AI / ML er en grunnleggende transformativ teknologi. Når det er sagt, er det fortsatt mange åpne spørsmål om grensene, grensene for det. Noen av disse er teknologiske spørsmål, andre er kulturelle, politiske og politiske spørsmål. Jeg tror teknologiens fremtid stort sett er udefinert, så jeg vil oppfordre alle til å investere i å forstå den bedre.

Nyhetsbrev om innovasjon

Vær kjent med smarte byer, AI, Internet of Things, VR, AR, robotikk, droner, autonom kjøring og mer av de kuleste teknologiske nyvinningene. Leveres onsdager og fredager

Registrer deg i dag

© Copyright 2020 | mobilegn.com