Работа в развивающейся области машинного обучения

В верхней части отчета LinkedIn по США о новых рабочих местах за 2017 год были две профессии в области машинного обучения: инженер по машинному обучению и специалист по данным. Занятость для инженеров машинного обучения выросла в 9,8 раза в период между 2012 и 2017 годами, а рабочие места исследователей данных выросли в 6,5 раз за тот же пятилетний период. Если тенденция сохранится, эти профессии будут иметь перспективы занятости, которые превзойдут многие другие профессии. С таким светлым будущим, работа в этой области может быть подходящей для вас?

Что такое машинное обучение?

Машинное обучение (ML) - это то, на что это похоже. Эта технология включает в себя обучение машин для выполнения конкретных задач. В отличие от традиционного кодирования, которое предоставляет инструкции, которые сообщают компьютерам, что делать, ML предоставляет им данные, которые позволяют им понять это самостоятельно, так же, как это сделал бы человек или животное. Звучит как магия, но это не так. Это вовлекает взаимодействие компьютерных ученых и других с соответствующей экспертизой. Эти ИТ-специалисты создают программы, называемые алгоритмами - наборы правил, которые решают проблему, - а затем предоставляют им большие наборы данных, которые учат их делать прогнозы на основе этой информации.

Машинное обучение - это «подмножество искусственного интеллекта, которое позволяет компьютерам выполнять задачи, которые они не были запрограммированы явно» (Диксон, Бен. Навыки, необходимые для получения работы по машинному обучению. It Career Finder. 18 января 2017 г.) С годами все усложнялось, но становилось все более обычным явлением. Стивен Леви в своей статье, посвященной приоритетам Google в области машинного обучения и переподготовки инженеров компании, пишет: «В течение многих лет машинное обучение считалось специальностью, ограниченной для избранных

Эта эра закончилась, поскольку последние результаты показывают, что машинное обучение, основанное на «нейронных сетях», которые имитируют работу биологического мозга, является истинным путем к тому, чтобы наполнить компьютеры способностями человека, а в некоторых случаях - сверхчеловека »(Леви, Стивен. Как Google делает себя первой компанией, обучающейся машинному обучению. 22 июня 2016 г.).

Как машинное обучение используется в «реальном мире»? Большинство из нас сталкиваются с этой технологией ежедневно, не задумываясь об этом. Когда вы используете Google или другую поисковую систему, результаты, которые появляются в верхней части страницы, являются результатом машинного обучения. Предиктивный текст, а также порочная функция автозамены в приложении для текстовых сообщений на смартфоне также являются результатом машинного обучения. Рекомендуемые фильмы и песни на Netflix и Spotify являются еще одним примером того, как мы используем эту быстро растущую технологию, едва замечая ее.

Совсем недавно Google представил Smart Reply в Gmail. В конце сообщения оно представляет пользователю три возможных ответа в зависимости от содержимого. Uber и другие компании в настоящее время проводят испытания автомобилей с автоматическим управлением.

Отрасли промышленности, использующие машинное обучение

Использование машинного обучения выходит далеко за рамки технического мира. SAS, аналитическая компания-разработчик программного обеспечения, сообщает, что во многих отраслях внедрена эта технология. Индустрия финансовых услуг использует ML для определения инвестиционных возможностей, информирования инвесторов о том, когда торговать, выявления клиентов с высокой степенью риска и выявления случаев мошенничества. В здравоохранении алгоритмы помогают диагностировать болезни, выявляя отклонения.

Вы когда-нибудь задавали вопрос: «Почему объявление о том продукте, о котором я думаю купить, показывается на каждой веб-странице, которую я посещаю?» ML позволяет индустрии маркетинга и продаж анализировать потребителей на основе их истории покупок и поиска. Адаптация этой технологии транспортной отраслью выявляет потенциальные проблемы на маршрутах и ​​помогает сделать их более эффективными. Благодаря ML нефтегазовая отрасль может определять новые источники энергии (Машинное обучение: что это такое и почему это важно. SAS).

Как машинное обучение меняет рабочее место

Предсказания о том, что машины займут все наши рабочие места, существуют уже несколько десятилетий, но сможет ли ML, наконец, сделать это реальностью? Эксперты прогнозируют, что эта технология имеет и будет продолжать изменять рабочее место. Но насколько забрали все наши рабочие места? Большинство экспертов не думают, что это произойдет.

Хотя машинное обучение не может занять место людей во всех профессиях, оно может изменить многие связанные с ними рабочие обязанности. «Задачи, связанные с принятием быстрых решений на основе данных, хорошо подходят для программ ОД; это не так, если решение зависит от длинных цепочек рассуждений, разнообразных базовых знаний или здравого смысла», - говорит Байрон Спайс. Спайс - директор по связям со СМИ в Carnegie Mellon Университет компьютерных наук (Spice, Байрон. Машинное обучение изменит рабочие места. Университет Карнеги-Меллона.

21 декабря 2017 г.).

В журнале Science Magazine Эрик Бриньольфссон и Том Митчелл пишут: «Спрос на рабочую силу, скорее всего, упадет на задачи, которые являются близкими заменителями возможностей ML, тогда как с большей вероятностью он увеличится для задач, которые дополняют эти системы. Каждый раз, когда ML Система переступает порог, когда она становится более рентабельной, чем люди при выполнении задачи, максимизирующие прибыль предприниматели и менеджеры будут все чаще стремиться заменить машины людьми. Это может иметь последствия для всей экономики, повышая производительность, снижая цены, изменяя спрос на рабочую силу, и реструктуризация отраслей (Brynjolfsson, Erik and Mitchell, Tom.

Что может сделать машинное обучение? Последствия для рабочей силы. Наука. 22 декабря 2017 г.)

Хотите карьеру в машинном обучении?

Карьера в машинном обучении требует знаний в области компьютерных наук, статистики и математики. Многие люди приходят на это поле с опытом работы в этих областях. Многие колледжи, предлагающие специальность в области машинного обучения, используют междисциплинарный подход с учебным планом, который включает, помимо компьютерных наук, электротехники и компьютерной инженерии, математики и статистики (16 лучших школ для машинного обучения. AdmissionTable.com).

Для тех, кто уже вовлечен в индустрию информационных технологий, переход на работу по ОД не является большим скачком. Возможно, вы уже обладаете многими необходимыми навыками. Ваш работодатель может даже помочь вам сделать этот переход. Согласно статье Стивена Леви, «в настоящее время не так много людей, которые являются экспертами по ML, поэтому такие компании, как Google и Facebook, проходят переподготовку инженеров, чей опыт заключается в традиционном кодировании».

Хотя многие навыки, которые вы приобрели в качестве ИТ-специалиста, перейдут на машинное обучение, это может быть немного сложным. Будем надеяться, что вы не спали во время занятий по статистике в колледже, потому что ML полагается как на этот предмет, так и на математику. Леви пишет, что программисты должны быть готовы отказаться от полного контроля над программированием системы.

Вам не повезло, если ваш технический работодатель не предоставляет услуги по переподготовке в Google и Facebook. Колледжи и университеты, а также онлайн-платформы обучения, такие как Udemy и Coursera, предлагают занятия, которые преподают основы машинного обучения. Тем не менее, важно завершить свой опыт, пройдя статистику и уроки математики.

Названия вакансий и заработок

Основные должности, с которыми вы столкнетесь при поиске работы в этой области, включают инженера по машинному обучению и специалиста по данным.

Инженеры машинного обучения «управляют операциями проекта машинного обучения и отвечают за управление инфраструктурой и конвейерами данных, необходимыми для внедрения кода в производство». Специалисты по обработке данных занимаются разработкой алгоритмов, а не стороной в области кодирования. Они также собирают, очищают и подготавливают данные (Чжоу, Аделина. «Наименования рабочих мест в области искусственного интеллекта: что такое инженер по машинному обучению?», Forbes. 27 ноября 2017 г.).

Glassdoor.com сообщает, что, согласно сообщениям пользователей от людей, работающих на этих работах, средняя заработная плата инженеров ML и специалистов по данным составляет 120 931 долл. США. Заработная плата варьируется от 87 000 долл. США до 158 000 долл. США (Зарплата инженера по машинному обучению. Glassdoor.com. 1 марта 2018 г.). Хотя Glassdoor группирует эти названия, между ними есть некоторые различия.

Требования к рабочим местам машинного обучения

Инженеры ML и специалисты по данным выполняют разные работы, но между ними много общего. Объявления о вакансиях для обеих должностей часто имеют схожие требования. Многие работодатели предпочитают степень бакалавра, магистра или доктора в области компьютерных наук или инженерии, статистики или математики.

Чтобы стать профессионалом в области машинного обучения, вам потребуется сочетание технических навыков - навыков, полученных в школе или на работе, - и навыков работы с навыками. Мягкие навыки - это способности, которые они не изучают в классе, а вместо этого рождаются или приобретают в течение жизни. Опять же, существует большое совпадение между необходимыми навыками для инженеров ML и ученых данных.

Объявления о работе показывают, что те, кто работает на инженерных должностях в ML, должны быть знакомы с системами машинного обучения, такими как TensorFlow, Mlib, H20 и Theano. Они должны иметь глубокие знания в области кодирования, включая опыт работы с языками программирования, такими как Java или C / C ++, и языками сценариев, такими как Perl или Python. Экспертиза в области статистики и опыт использования статистических программных пакетов для анализа больших наборов данных также входят в число спецификаций.

Разнообразие мягких навыков позволит вам добиться успеха в этой области. Среди них гибкость, адаптивность и настойчивость. Разработка алгоритма требует много проб и ошибок, а значит, терпения. Необходимо проверить алгоритм, чтобы увидеть, работает ли он, и, если нет, разработать новый.

Отличные коммуникативные навыки необходимы. Специалисты по машинному обучению, которые часто работают в команде, нуждаются в превосходных навыках аудирования, разговорной речи и межличностного общения, чтобы сотрудничать с другими, а также должны представить свои выводы своим коллегам. Кроме того, они должны быть активными учениками, которые могут включать новую информацию в свою работу. В отрасли, где ценится инновация, нужно быть креативным, чтобы преуспеть.