Praca na rozwijającym się polu uczenia maszynowego

Na szczycie amerykańskiego raportu na temat nowych miejsc pracy LinkedIn w 2017 r. Znalazły się dwa zajęcia w dziedzinie uczenia maszynowego: inżynier uczenia maszynowego i naukowiec danych. Zatrudnienie inżynierów zajmujących się uczeniem maszynowym wzrosło o 9,8 razy w latach 2012–2017, a zatrudnienie naukowców w zakresie danych wzrosło 6,5 razy w tym samym pięcioletnim okresie. Jeśli trend się utrzyma, zawody te będą miały perspektywy zatrudnienia przewyższające wiele innych zawodów. Gdy przyszłość jest tak jasna, czy praca w tej dziedzinie może być dla Ciebie odpowiednia?

Co to jest uczenie maszynowe?

Uczenie maszynowe (ML) jest właśnie tym, co brzmi. Technologia ta obejmuje nauczanie maszyn do wykonywania określonych zadań. W przeciwieństwie do tradycyjnego kodowania, które dostarcza instrukcji, które informują komputery, co mają robić, ML dostarcza im danych, które pozwalają im samodzielnie to zrozumieć, podobnie jak zrobiłby to człowiek lub zwierzę. Brzmi jak magia, ale tak nie jest. Obejmuje interakcję informatyków z innymi specjalistami. Ci specjaliści IT tworzą programy zwane algorytmami - zestawy reguł, które rozwiązują problem - a następnie przekazują im duże zestawy danych, które uczą ich przewidywania na podstawie tych informacji.

Uczenie maszynowe jest „podzbiorem sztucznej inteligencji, który umożliwia komputerom wykonywanie zadań, do których nie zostały wyraźnie zaprogramowane” (Dickson, Ben. Umiejętności, których potrzebujesz, aby wylądować na maszynie Uczenie się. To kariera. 18 stycznia 2017 r.) Z biegiem lat stało się to bardziej skomplikowane, ale bardziej powszechne: Steven Levy w artykule przemawiającym do priorytetów Google w zakresie uczenia maszynowego i przekwalifikowania inżynierów firmy, pisze: „Przez wiele lat uczenie maszynowe było uważane za specjalność, ograniczone do elity niewielu.

Ta epoka się skończyła, ponieważ ostatnie wyniki wskazują, że uczenie maszynowe, zasilane przez „sieci neuronowe”, które naśladują sposób działania mózgu biologicznego, jest prawdziwą ścieżką do nasycania komputerów mocami ludzi, aw niektórych przypadkach super ludźmi ”(Levy, Steven Jak Google zmienia siebie jako uczącą się maszynę pierwsza firma przewodowa 22 czerwca 2016 r.).

Jak wykorzystuje się uczenie maszynowe w „świecie rzeczywistym”? Większość z nas spotyka się z tą technologią codziennie, nie zastanawiając się nad tym. Gdy korzystasz z Google lub innej wyszukiwarki, wyniki pojawiające się na górze strony są wynikiem uczenia maszynowego. Tekst predykcyjny, a także funkcja autokorekty, czasem złośliwa, w aplikacji SMS-owej smartfona, są również wynikiem uczenia maszynowego. Zalecane filmy i piosenki w Netflix i Spotify to kolejne przykłady tego, jak wykorzystujemy tę szybko rozwijającą się technologię, ledwo ją zauważając.

Niedawno Google wprowadziło inteligentną odpowiedź w Gmailu. Na końcu wiadomości przedstawia użytkownikowi trzy możliwe odpowiedzi na podstawie treści. Uber i inne firmy testują obecnie samochody samobieżne.

Branże korzystające z uczenia maszynowego

Wykorzystanie uczenia maszynowego wykracza daleko poza świat technologii. SAS, firma zajmująca się oprogramowaniem analitycznym, informuje, że wiele branż przyjęło tę technologię. Branża usług finansowych wykorzystuje ML do identyfikacji możliwości inwestycyjnych, pozwala inwestorom wiedzieć, kiedy handlować, rozpoznawać, którzy klienci mają profile wysokiego ryzyka i wykrywać oszustwa. W opiece zdrowotnej algorytmy pomagają diagnozować choroby, wychwytując nieprawidłowości.

Czy kiedykolwiek zadałeś pytanie: „dlaczego myślę o reklamie tego produktu, kupując pokazywanie się na każdej odwiedzanej stronie?” ML pozwala branży marketingu i sprzedaży analizować konsumentów na podstawie ich historii zakupów i wyszukiwania. Dostosowanie tej technologii przez branżę transportową wykrywa potencjalne problemy na trasach i pomaga zwiększyć ich wydajność. Dzięki ML przemysł naftowy i gazowy może zidentyfikować nowe źródła energii (uczenie maszynowe: co to jest i dlaczego ma to znaczenie. SAS).

Jak uczenie maszynowe zmienia miejsce pracy

Przewidywania dotyczące maszyn, które przejmują wszystkie nasze prace, istnieją już od dziesięcioleci, ale czy ML w końcu stanie się rzeczywistością? Eksperci przewidują, że technologia ta zmieni i zmieni stanowisko pracy. Ale jeśli chodzi o zabieranie wszystkich naszych miejsc pracy? Większość ekspertów nie uważa, że ​​tak się stanie.

Podczas gdy uczenie maszynowe nie może zastąpić istot ludzkich we wszystkich zawodach, może zmienić wiele związanych z nimi obowiązków zawodowych. „Zadania, które wymagają podejmowania szybkich decyzji na podstawie danych, są odpowiednie dla programów ML; nie jest tak, jeśli decyzja zależy od długich łańcuchów rozumowania, różnorodnej wiedzy lub zdrowego rozsądku”, mówi Byron Spice. Spice jest dyrektorem ds. Relacji z mediami w Carnegie Mellon University of Computer Science (Spice, Byron. Machine Learning zmieni pracę. Carnegie Mellon University.

21 grudnia 2017).

W Science Magazine Erik Brynjolfsson i Tom Mitchell piszą, że „popyt na pracę z większym prawdopodobieństwem spadnie w przypadku zadań, które są bliskimi substytutami możliwości ML, podczas gdy jest bardziej prawdopodobne, że wzrośnie w przypadku zadań, które są uzupełnieniem dla tych systemów. system przekracza próg, w którym staje się bardziej opłacalny niż ludzie na zadaniu, przedsiębiorcy i menedżerowie maksymalizujący zyski będą coraz częściej starali się zastąpić maszyny dla ludzi, co może mieć wpływ na całą gospodarkę, zwiększając wydajność, obniżając ceny, zmieniając popyt na pracę, i restrukturyzacja przemysłu (Brynjolfsson, Erik i Mitchell, Tom.

Co może zrobić uczenie maszynowe? Implikacje dla siły roboczej. Nauka. 22 grudnia 2017).

Czy chcesz kariery w uczeniu maszynowym?

Kariera w uczeniu maszynowym wymaga wiedzy z zakresu informatyki, statystyki i matematyki. Wiele osób przychodzi do tego pola z tłem w tych polach. Wiele szkół wyższych, które oferują specjalizację w uczeniu maszynowym, stosuje podejście wielodyscyplinarne z programem nauczania, który oprócz informatyki, inżynierii elektrycznej i komputerowej, matematyki i statystyki (Top 16 Schools for Machine Learning. AdmissionTable.com).

Dla tych, którzy są już zaangażowani w branżę informatyczną, przejście do pracy w ML nie jest wielkim skokiem. Możesz już mieć wiele umiejętności, których potrzebujesz. Twój pracodawca może nawet pomóc Ci dokonać tego przejścia. Według artykułu Stevena Levy'ego „obecnie nie ma wielu ludzi, którzy są ekspertami w ML, więc firmy takie jak Google i Facebook są inżynierami przekwalifikowującymi, których wiedza leży w tradycyjnym kodowaniu”.

Chociaż wiele umiejętności, które rozwinąłeś jako specjalista IT, przeniesie się na uczenie maszynowe, może to być trochę trudne. Mam nadzieję, że nie zasnąłeś podczas lekcji statystyki college'u, ponieważ ML polega na silnym pojmowaniu tego tematu, a także matematyki. Levy pisze, że programiści muszą być gotowi zrezygnować z całkowitej kontroli nad programowaniem systemu.

Nie tracisz szczęścia, jeśli Twój pracodawca technologiczny nie zapewnia, że ​​przekwalifikowanie ML przez Google i Facebook jest. Szkoły wyższe i uniwersytety, a także internetowe platformy edukacyjne, takie jak Udemy i Coursera, oferują zajęcia, które uczą podstaw uczenia maszynowego. Ważne jest jednak, aby uzupełnić swoją wiedzę, biorąc statystyki i lekcje matematyki.

Tytuły i zarobki

Podstawowe tytuły stanowisk, na które natrafisz, szukając pracy w tej dziedzinie, to inżynier uczenia maszynowego i naukowiec danych.

Inżynierowie uczący się maszyn „prowadzą operacje projektu uczenia maszynowego i są odpowiedzialni za zarządzanie infrastrukturą i strumieniami danych potrzebnymi do wprowadzenia kodu do produkcji”. Naukowcy zajmujący się danymi zajmują się raczej danymi i analizami rozwijających się algorytmów niż strony kodowania. Zbierają, czyszczą i przygotowują dane (Zhou, Adelyn. „Tytuły zadań sztucznej inteligencji: co to jest inżynier uczenia maszynowego?” Forbes. 27 listopada 2017 r.).

Na podstawie zgłoszeń użytkowników od osób pracujących w tych zawodach, Glassdoor.com informuje, że inżynierowie ML i naukowcy zajmujący się danymi zdobywają przeciętne wynagrodzenie podstawowe w wysokości 120 931 USD. Wynagrodzenia wahają się od niskiego poziomu 87 000 USD do wysokości 158 000 USD (Wynagrodzenia inżyniera maszynowego. Glassdoor.com. 1 marca 2018 r.). Chociaż Glassdoor grupuje te tytuły, istnieją między nimi pewne różnice.

Wymagania dotyczące zadań uczenia maszynowego

Inżynierowie ML i naukowcy zajmujący się danymi wykonują różne zadania, ale jest ich wiele. Ogłoszenia o pracy dla obu stanowisk często mają podobne wymagania. Wielu pracodawców preferuje tytuł licencjata, magistra lub doktora w dziedzinie informatyki lub inżynierii, statystyki lub matematyki.

Aby zostać profesjonalistą w zakresie uczenia maszynowego, będziesz potrzebował kombinacji umiejętności technicznych - umiejętności zdobytych w szkole lub w pracy - oraz umiejętności miękkich. Umiejętności miękkie to umiejętności, których nie uczą się w klasie, ale rodzą się z doświadczeniem życiowym lub zdobywają je. Ponownie, wymagane umiejętności dla inżynierów ML i naukowców zajmujących się danymi bardzo się pokrywają.

Ogłoszenia o pracy ujawniają, że osoby pracujące w inżynierii ML powinny być zaznajomione z ramami uczenia maszynowego, takimi jak TensorFlow, Mlib, H20 i Theano. Potrzebują silnego tła w kodowaniu, w tym doświadczenia z językami programowania, takimi jak Java lub C / C ++ i języki skryptowe, takie jak Perl lub Python. Ekspertyzy w zakresie statystyk i doświadczenia w korzystaniu z pakietów oprogramowania statystycznego do analizy dużych zbiorów danych są również wśród specyfikacji.

Różnorodne umiejętności miękkie pozwolą Ci odnieść sukces w tej dziedzinie. Wśród nich są elastyczność, zdolność adaptacji i wytrwałość. Opracowanie algorytmu wymaga wiele prób i błędów, a zatem cierpliwości. Należy przetestować algorytm, aby sprawdzić, czy działa, a jeśli nie, opracować nowy.

Niezbędne są doskonałe umiejętności komunikacyjne. Specjaliści od uczenia maszynowego, którzy często pracują w zespołach, potrzebują lepszych umiejętności słuchania, mówienia i interpersonalnych, aby współpracować z innymi, a także przedstawiać swoje wyniki kolegom. Powinni oni ponadto być aktywnymi uczniami, którzy mogą włączać nowe informacje do swojej pracy. W branży, w której ceni się innowacje, trzeba być kreatywnym, aby przodować.