Radna mjesta u novom području strojnog učenja

Na vrhu LinkedInovog izvješća za US Emerging Jobs u 2017. godini bila su dva zanimanja u području strojnog učenja: strojni inženjer učenja i znanstvenik za podatke. Zaposlenost za inženjere strojnog učenja porasla je 9,8 puta u razdoblju između 2012. i 2017., a poslovi znanstvenika s podacima povećali su se 6,5 puta tijekom istog petogodišnjeg razdoblja. Ako se taj trend nastavi, ta će zanimanja imati izglede za zapošljavanje koji nadmašuju mnoga druga zanimanja. S tako svijetlom budućnošću, može li vam posao na ovom polju biti pravi?

Što je strojno učenje?

Strojno učenje (ML) je upravo ono što zvuči. Ova tehnologija uključuje podučavanje strojeva za obavljanje određenih zadataka. Za razliku od tradicionalnog kodiranja koje daje upute koje računalima govore što da rade, ML im daje podatke koji im omogućuju da sami sami to pročitaju, slično kao što bi to učinilo ljudsko biće ili životinja. Zvuči kao magija, ali nije. To uključuje interakciju računalnih znanstvenika i drugih stručnjaka. Ti IT stručnjaci stvaraju programe koji se zovu algoritmi - skupovi pravila koji rješavaju problem - i zatim ih hrane velikim skupovima podataka koji ih uče da prave predviđanja na temelju tih informacija.

Strojno učenje je "podskup umjetne inteligencije koja omogućuje računalima da obavljaju zadatke koje nisu izričito programirane" (Dickson, Ben. Vještine koje trebate za strojno učenje posla. To Finder karijere. 18. siječnja 2017.) Steven Levy je u članku koji govori o Googleovom prioritetu strojnog učenja i prekvalifikacije inženjera tvrtke, napisao: "Mnogo godina, strojno učenje se smatralo specijalitetom, ograničenim nekolicini elita.

To je razdoblje gotovo, jer nedavni rezultati pokazuju da strojno učenje, koje pokreću "neuronske mreže" koje oponašaju način na koji biološki mozak djeluje, pravi je put prema prožimanju računala moćima ljudi, au nekim slučajevima i super ljudima "(Levy, Steven: Kako se Google preoblikuje kao stroj koji uči prvu tvrtku, 22. lipnja 2016).

Kako se strojno učenje koristi u "stvarnom svijetu"? Većina od nas naići na ovu tehnologiju na dnevnoj bazi, bez dajući mnogo misli. Kada koristite Google ili drugu tražilicu, rezultati koji se pojavljuju na vrhu stranice rezultat su strojnog učenja. Prediktivni tekst, kao i ponekad maligned autocorrect značajka, na vaš pametni telefon texting app, također su rezultat strojnog učenja. Preporučeni filmovi i pjesme na Netflixu i Spotifyu su daljnji primjeri kako koristimo ovu brzo rastuću tehnologiju dok je jedva primjećujemo.

U novije vrijeme, Google je uveo pametni odgovor u Gmailu. Na kraju poruke korisniku se daju tri moguća odgovora na temelju sadržaja. Uber i druge tvrtke trenutno testiraju automobile koji se sami voze.

Industrije koje koriste strojno učenje

Korištenje strojnog učenja doseže daleko izvan tehnološkog svijeta. SAS, analitička softverska tvrtka, izvješćuje da su mnoge industrije usvojile tu tehnologiju. Industrija financijskih usluga koristi ML kako bi identificirala investicijske mogućnosti, neka investitori znaju kada treba trgovati, prepoznaju klijente s visokorizičnim profilima i otkrivaju prijevare. U zdravstvu, algoritmi pomažu u dijagnosticiranju bolesti prikupljanjem abnormalnosti.

Jeste li ikada postavili pitanje: "Zašto se oglas za taj proizvod razmišlja o kupnji na svakoj web stranici koju posjećujem?" ML omogućuje marketingu i prodaji da analizira potrošače na temelju njihove povijesti kupnje i pretraživanja. Prilagodba ove tehnologije u transportnoj industriji otkriva potencijalne probleme na rutama i pomaže im da postanu učinkovitiji. Zahvaljujući ML-u, industrija nafte i plina može prepoznati nove izvore energije (strojno učenje: što je to i zašto je važno. SAS).

Kako strojno učenje mijenja radno mjesto

Predviđanja o strojevima koji preuzimaju sve naše poslove postoje već desetljećima, ali da li će ML konačno to učiniti stvarnošću? Stručnjaci predviđaju da će ova tehnologija i dalje mijenjati radno mjesto. Ali što se tiče oduzimanja svih naših poslova? Većina stručnjaka ne misli da će se to dogoditi.

Dok strojno učenje ne može zauzeti mjesto ljudskih bića u svim zanimanjima, moglo bi promijeniti mnoge dužnosti vezane uz posao. "Zadaci koji uključuju donošenje brzih odluka na temelju podataka dobro su prikladni za programe ML-a, ali ne i ako odluka ovisi o dugim lancima rasuđivanja, različitoj pozadini znanja ili zdravom razumu", kaže Byron Spice, a Spice je direktor Odjela za odnose s medijima u Carnegie Mellonu Sveučilišna škola računalnih znanosti (Spice, Byron. Strojno učenje će promijeniti posao. Sveučilište Carnegie Mellon.

21. prosinca 2017.)

U časopisu Science, pišu Erik Brynjolfsson i Tom Mitchell, "potražnja za radnom snagom vjerojatnije će pasti na zadatke koji su bliski nadomjestci za sposobnosti ML-a, dok je vjerojatnije da će se povećati za zadatke koji su nadopune za te sustave. Sustav prelazi prag gdje postaje isplativiji od ljudi na zadatku, poduzetnici i menadžeri koji maksimiziraju profit će sve više tražiti zamjenu strojeva za ljude.To može imati učinke u cijeloj ekonomiji, povećavajući produktivnost, snižavajući cijene, mijenjajući potražnju za radnom snagom, i restrukturiranje industrija (Brynjolfsson, Erik i Mitchell, Tom.

Što može strojno učenje učiniti? Implikacije radne snage. Znanost. 22. prosinca 2017.)

Želite li karijeru u strojnom učenju?

Karijere u strojnom učenju zahtijevaju stručnost u računalnoj znanosti, statistici i matematici. Mnogi ljudi dolaze na ovo područje s iskustvom u tim poljima. Mnogi fakulteti koji nude glavni u strojnom učenju uzimaju multidisciplinarni pristup s nastavnim planom i programom koji uključuje, uz računalne znanosti, elektrotehniku ​​i računalno inženjerstvo, matematiku i statistiku (Top 16 škola za strojno učenje. AdmissionTable.com).

Za one koji su već uključeni u industriju informacijske tehnologije, prijelaz na posao s ML-om nije daleko skok. Možda već imate mnoge vještine koje su vam potrebne. Vaš poslodavac vam čak može pomoći u tom prijelazu. Prema članku Stevena Levyja, "trenutno nema mnogo ljudi koji su stručnjaci u ML-u, tako da tvrtke poput Googlea i Facebooka obučavaju inženjere čija stručnost leži u tradicionalnom kodiranju."

Iako će se mnoge vještine koje ste razvili kao IT stručnjak prenijeti na strojno učenje, to može biti malo izazovno. Nadajmo se da ste ostali budni za vrijeme nastave na fakultetskoj statistici jer se ML oslanja na snažno shvaćanje te teme, kao i na matematiku. Levy piše da koderi moraju biti voljni odustati od potpune kontrole koju imaju nad programiranjem sustava.

Niste bez sreće ako vaš tehnološki poslodavac ne pruža ML prekvalifikaciju Googlea i Facebooka. Fakulteti i sveučilišta, kao i online platforme za učenje kao što su Udemy i Coursera, nude nastavu koja podučava osnove strojnog učenja. Ključno je, međutim, zaokružiti svoju stručnost uzimajući statistike i satove matematike.

Nazivi poslova i zarade

Primarni poslovi na koje ćete naići kad tražite posao u ovom području uključuju strojnog inženjera i znanstvenika podataka.

Inženjeri strojnog učenja "upravljaju projektom strojnog učenja i odgovorni su za upravljanje infrastrukturom i cjevovodima podataka koji su potrebni za unos koda u proizvodnju." Znanstvenici za podatke su na strani podataka i analize razvoja algoritama, a ne na strani kodiranja. Oni također prikupljaju, čiste i pripremaju podatke (Zhou, Adelyn. "Nazivi poslova za umjetnu inteligenciju: što je inženjer strojnog učenja?" Forbes, 27. studenog 2017.).

Na temelju podnesaka korisnika koji rade na tim poslovima, Glassdoor.com izvješćuje da inženjeri ML-a i stručnjaci za podatke zarađuju prosječnu osnovnu plaću od 120.931 dolara. Plaće se kreću od najnižeg iznosa od 87.000 dolara do najvišeg iznosa od 158.000 dolara (Strojarsko-tehničke plaće za inženjere. Glassdoor.com. 1. ožujka 2018.). Iako Glassdoor grupira te naslove, postoje neke razlike između njih.

Zahtjevi za radna mjesta za strojno učenje

ML inženjeri i znanstvenici za podatke obavljaju različite poslove, ali među njima postoji mnogo preklapanja. Najava posla za oba radna mjesta često ima slične zahtjeve. Mnogi poslodavci preferiraju diplomu prvostupnika, magistra ili doktora znanosti iz računarstva ili inženjerstva, statistike ili matematike.

Da biste bili profesionalni stručnjak za strojno učenje, trebat će vam kombinacija tehničkih vještina - vještina stečenih u školi ili na poslu - i mekih vještina. Meke vještine su sposobnosti koje ne uče u razredu, već se rađaju ili stječu kroz životno iskustvo. Opet, postoji velika preklapanja između potrebnih vještina za inženjere ML-a i znanstvenika za podatke.

Oglasi za posao otkrivaju da bi oni koji rade u ML inženjerskim poslovima trebali biti upoznati s okvirima strojnog učenja poput TensorFlow, Mlib, H20 i Theano. Potrebna im je snažna pozadina kodiranja, uključujući iskustvo s programskim jezicima kao što su Java ili C / C ++ i skriptni jezici kao što su Perl ili Python. Stručnost u statistici i iskustvo u korištenju statističkih programskih paketa za analizu velikih skupova podataka također su među specifikacijama.

Različite meke vještine omogućit će vam da uspijete u ovom području. Među njima su fleksibilnost, prilagodljivost i ustrajnost. Razvijanje algoritma zahtijeva puno pokušaja i pogrešaka, a time i strpljenja. Mora se testirati algoritam kako bi se vidjelo radi li i ako ne, razviti novi.

Izvrsne komunikacijske vještine su neophodne. Stručnjaci za strojno učenje, koji često rade na timovima, trebaju vrhunske vještine slušanja, govora i interpersonalne suradnje kako bi surađivali s drugima, a svoje rezultate moraju predstaviti i svojim kolegama. Osim toga, oni bi trebali biti aktivni učenici koji mogu uključiti nove informacije u svoj rad. U industriji u kojoj se vrednuje inovacija, moramo biti kreativni u izvrsnosti.