Home / AI in Azienda / Come trovare lavoro nell’intelligenza artificiale e nell’apprendimento automatico

Come trovare lavoro nell’intelligenza artificiale e nell’apprendimento automatico

Come prepararsi per una carriera nell’apprendimento automatico e nell’intelligenza artificiale

Stai pensando di perseguire una carriera in ML e AI? Ecco cosa devi sapere.

Stare davanti alla marea è il mantra per i professionisti della tecnologia di oggi. Con l’evolversi della tecnologia e dei processi correlati, coloro che lavorano sul campo devono aggiornare le proprie competenze e persino le carriere, se necessario.


Come diventare un ingegnere di machine learning: un cheat sheet
Alcuni tradizionali ruoli di help desk, sistema e amministratore di rete stanno svanendo per essere rimpiazzati da sforzi che richiedono un insieme più sofisticato e più diversificato di competenze. L’apprendimento automatico (ML) e l’intelligenza artificiale (AL) sono due campi di questo tipo che si stanno facendo strada nel mondo dell’IT. Le persone in cerca di una futura carriera nella tecnologia farebbero bene a familiarizzare con ML e AI.

VEDERE: guida del leader IT per l’apprendimento approfondito (Tech Pro Research)

Ho parlato con Dillon Erb, CEO di Paperspace , una piattaforma di provider cloud, per saperne di più.

Abilità necessarie per una carriera ML / AI
Scott Matteson: Che tipo di background educativo è utile nel regno ML / AI?

Dillon Erb: Ho sentito di recente un’interessante statistica: Approssimativamente il 70% dei professionisti dell’apprendimento profondo o dell’IA oggi sono ancora a scuola. Poiché si tratta di una tecnologia emergente e coinvolge persone di ogni genere, non abbiamo ancora un precedente eccellente.

La verità è che la maggior parte dei buoni praticanti nello spazio oggi sono autodidatti o provengono interamente da un dominio diverso (cioè non solo informatica o programmazione). Un solido background in statistica e matematica tradizionale è sempre utile: anche l’esperienza in un’area di ricerca è un grande vantaggio.

Ci sono anche molti corsi online come FastAI e Udacity – e una miriade di risorse disponibili da tutti i giocatori di grande tecnologia – per aiutare a educare te stesso a diventare uno sviluppatore di IA. Essere abile dal lato dei dati è fondamentale e, in particolare, Python, poiché è la lingua principale. Poi, dall’altra parte, c’è l’architettura software più tradizionale.

Oggi, in genere, ci sono molte persone che sono davvero brave dal punto di vista del software e non molto buone dal punto di vista matematico o statistico. Aumentare o bilanciare il tuo livello di conoscenza ed esperienza sia in software che in matematica ti darà un vantaggio significativo nel mercato del lavoro.

VEDERE: Intelligenza artificiale: tendenze, ostacoli e potenziali vittorie (Tech Pro Research)

Scott Matteson: come sono utili le competenze IT tradizionali?

Dillon Erb: La sfida che deve affrontare oggi è che ML / AI è una novità. È un nuovo tipo di strumento che devono apprendere su ciò che prima non esisteva. Tutte le competenze IT tradizionali sono ancora molto utili e in futuro, ci sarà maggiore attenzione su come gli strumenti di machine learning si sovrappongono a tutti i sistemi esistenti già distribuiti in un’organizzazione. Ma, al momento, ci sono ancora domande su come aumentare la collaborazione o la visibilità all’interno di un’organizzazione e su come aggiungere ulteriori informazioni a tutte le parti interessate. Un reparto IT non è necessariamente occupa di ogni singolo reparto, ma fare in modo che una decisione che è fatto in una sola unità può essere spostato in un’altra zona se è successo o aggiunge vista a visibilità di un uccello per il resto dell’organizzazione.

Ciò è particolarmente rilevante nel contesto della scienza dei dati o dell’apprendimento automatico. Una delle preoccupazioni dell’IT oggi è che non esistono pratiche migliori per AI / ML. Il timore è che i professionisti siano così silenziosi come i sistemi si trovano in diversi dipartimenti, che questi professionisti non stanno usando il controllo della versione per la costruzione del loro modello o il loro software, e faticano a impedire a queste persone di operare isolatamente.

Credo che vedremo una maggiore domanda di nuovi strumenti di apprendimento automatico per giocare meglio in un contesto IT tradizionale.

Scott Matteson: In che modo le competenze IT tradizionali non sono rilevanti?

Dillon Erb: Credo che l’universo dell’apprendimento automatico debba alla fine adattarsi a un processo IT tradizionale, molto più del contrario. La ragione per cui dico è che l’IT ha, almeno nelle grandi organizzazioni, iniziative di ampio respiro come la digitalizzazione o la collaborazione, o iniziative di altissimo livello volte ad aumentare la velocità degli sviluppatori mantenendo comunque visibilità agli stakeholder esterni.

Tutti continueranno ad essere molto forti, ma ciò che dovrà accadere è che il gruppo di apprendimento automatico, come abbiamo discusso in precedenza, deve essere un ibrido di scienziati dei dati e persone DevOps. L’IT dovrà ospitare questo tipo di unità collaborativa e cercare di capire dove esiste nell’organizzazione.

Ci sono alcune aree in cui l’intelligenza artificiale e l’apprendimento automatico potrebbero sostituire alcuni aspetti dell’IT tradizionale oggi come l’analisi delle minacce, il rilevamento di anomalie, ecc. In definitiva, penso che sarà davvero solo un altro strumento nella casella degli strumenti.

VEDERE: L’impatto dell’apprendimento automatico sull’IT e sulla tua carriera (PDF gratuito) (TechRepublic)

Costruire un team di sviluppo ML / AI
Scott Matteson: Quali sono le attuali competenze necessarie per costruire un team di sviluppo ML / AI?

Dillon Erb: ci sono tre set di abilità primarie da cercare. Il primo è generalmente ciò che rientra nell’ambito della scienza dei dati, o talvolta anche degli strumenti di BI, che è qualcuno che può raccogliere e ripulire i dati esistenti e fornire informazioni su tali fonti. Poi hai un gruppo emergente di persone con intelligenza artificiale che potrebbero essere meno focalizzate sul lato della raccolta dei dati e più sulla creazione di approfondimenti su quei dati. Il terzo set di abilità coinvolge una persona DevOps che può unirsi a team che costruiscono modelli e motori di previsione.

Un team di IA davvero killer unisce le abilità di uno statistico o scienziato dei dati e alcuni degli strumenti più moderni che generalmente chiamiamo AI o deep learning con le persone DevOps che possono prendere quei modelli e metterli davvero in produzione. Oggi c’è un bel divario tra queste due abilità.

ML/AI developer job market
Scott Matteson: che aspetto ha il mercato del lavoro per gli sviluppatori di ML / AI?

Dillon Erb: è ancora molto competitivo nel senso che è un mercato di venditori. Se sei abile nei nuovi strumenti di apprendimento automatico e di intelligenza artificiale, farai molto bene. Ciò che è cambiato negli ultimi due anni è che a quei tempi chiunque potesse capire da remoto questa roba avrebbe avuto un lavoro. Oggi, c’è una forte pressione verso la ricerca di competenze e la gratificazione di tale esperienza.

Qualcuno che entra nel mercato del lavoro e ha una certa familiarità con gli strumenti ma non è in grado di collegarsi a tutti i sistemi esistenti ha molto meno valore di qualcuno che può rendere operativa l’intelligenza artificiale all’interno di un’organizzazione che ha già molti sistemi e molti strumenti esistenti sulla raccolta / distribuzione dei dati , eccetera.

Scott Matteson: quali nuove aree di terreno vengono infrante sul campo?

Dillon Erb: L’area più eccitante in questo momento è AutoML. I modelli di apprendimento automatico sono molto difficili da creare. Richiedono specialisti. Quindi la domanda è: come creare strumenti in grado di automatizzare la scoperta di reti neurali efficaci o modelli efficaci di apprendimento automatico?

Un’altra nuova area innovativa è l’apprendimento di rinforzo in base al quale si crea un sistema in cui i modelli di apprendimento automatico possono allenarsi, in un certo senso. Vorrei anche elencare i dati sintetici. L’idea è che quasi tutto l’apprendimento automatico è limitato dalla quantità di dati disponibili per l’algoritmo di apprendimento automatico. Esistono nuovi modi entusiasmanti per generare nuovi dati, come l’utilizzo dell’apprendimento automatico per generare dati, che allena quindi altri modelli di apprendimento automatico, che aiutano a riavviare l’intero processo.

VEDERE: Gestione di AI e ML nell’azienda 2019: i responsabili della tecnologia si aspettano più difficoltà rispetto ai precedenti progetti IT (Tech Pro Research)

Scott Matteson: quali posti di lavoro potrebbero essere minacciati da ML / AI?

Dillon Erb: Non c’è dubbio che la ML / AI porterà a un cambio di posti di lavoro in certe aree come l’inserimento di documenti, che un modello di apprendimento automatico può fare in modo più efficiente e / o essere più conveniente. La raccolta dei dati in certe aree è un’altra possibilità. Penso che la tecnologia creerà molti nuovi posti di lavoro anche perché quando questi sistemi sono online, avrete bisogno di persone che possano monitorarli, analizzarli, profilarli, pensarli e utilizzarli. In generale, ci sarà uno spostamento di posti di lavoro, ma sono ottimista riguardo alla situazione in termini di crescita complessiva del lavoro.

Scott Matteson: Come raccomandi che il personale attuale in qualsiasi area minacciata si evolva per rimanere competitivo?

Dillon Erb: Uno dei pericoli dell’IA è che nella sua forma attuale sembra destinato a essere controllato da pochi specialisti o persone che hanno accesso a quantità estremamente elevate di dati. Credo che in generale, come società o cultura, abbiamo bisogno di investire nella comprensione di questi sistemi in modo che non siano più scatole nere. In realtà, sono il genere di cose di cui possiamo parlare collettivamente: come si comportano e perché esistono.

VEDERE: Come diventare un ingegnere di apprendimento automatico: un cheat sheet (TechRepublic)

ML/AL forecast
Scott Matteson: cosa prevedi lungo la strada per ML / AI e il personale che lavora nel campo?

Dillon Erb: La grande mossa in questo momento è dalla R & S alla produzione. Molte aziende, individui e ricercatori hanno investito nell’apprendimento di questa tecnologia negli ultimi anni. La grande domanda ora è come portarla in un ambiente reale che non è solo il banco di prova.

La tendenza a lungo termine è quella, e questa è una richiesta più ampia, ma credo che l’apprendimento automatico e l’intelligenza artificiale saranno inclusi in altre pratiche commerciali. In questo senso, non è più entità separate, ma è in realtà il core nello stesso modo in cui le aziende erano solite avere il team web e il team mobile, ma alla fine è diventato l’unico team di app che ha fatto sia il mobile che il sito web.

Non c’è dubbio per le persone che la guardano intensamente, AI / ML è una tecnologia fondamentalmente trasformativa. Detto questo, ci sono ancora molte domande aperte sui suoi limiti, i suoi limiti. Alcune di queste sono domande tecnologiche, alcune sono questioni culturali, politiche e politiche. Credo che il futuro della tecnologia sia in gran parte indefinito, quindi incoraggerei tutti a investire per comprenderlo meglio.

Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi