Робочі місця в області нових видів машинного навчання

На вершині звіту LinkedIn за 2017 рік, що стосується нових робочих місць у США, було два заняття в області машинного навчання: машинобудівного інженера та вченого даних. Зайнятість для машинобудівних інженерів зросла в 9,8 рази між 2012 і 2017 роками, а робота вчених даних зросла в 6,5 разів за той же п'ятирічний період. Якщо ця тенденція продовжиться, ці професії матимуть перспективи зайнятості, які перевершують багато інших професій. Якщо майбутнє настільки яскраве, чи може робота в цій галузі бути правильною для вас?

Що таке машинне навчання?

Машинне навчання - це саме те, що це звучить. Ця технологія передбачає навчання машинам для виконання конкретних завдань. На відміну від традиційного кодування, яке надає інструкції, які повідомляють комп'ютеру, що робити, ML надає їм дані, які дозволяють їм розібрати їх самостійно, так само, як і людина чи тварина. Звучить як магія, але це не так. Вона передбачає взаємодію комп'ютерних вчених та інших фахівців, що мають відповідні знання. Ці ІТ-фахівці створюють програми, які називаються алгоритмами - наборами правил, які вирішують проблему, і потім подають їм великі набори даних, які навчають їх робити прогнози на основі цієї інформації.

Машинне навчання - це "підмножина штучного інтелекту, що дозволяє комп'ютерам виконувати завдання, які вони не були явно запрограмовані" (Діксон, Бен. Навички, необхідні для роботи на машинному роботі. Це кар'єра Finder. 18 січня 2017 року.) Протягом багатьох років вона стала більш складною, але більш поширеною. Стівен Леві, у статті, яка говорить про пріоритетність Google для машинного навчання та перепідготовки інженерів компанії, пише: "Протягом багатьох років машинне навчання вважалося спеціальністю, обмеженою мало хто з еліт.

Ця епоха закінчилася, оскільки останні результати показують, що машинне навчання, засноване на «нейронних мережах», що імітують дію біологічного мозку, є справжнім шляхом до проникнення комп'ютерів силами людини, а в деяких випадках і надлюдськими »(Леві, Стівен, як Google переробляє себе як машину навчання першої компанії Wired.

Як машинне навчання використовується в «реальному світі»? Більшість з нас стикаються з цією технологією на щоденній основі, не даючи їй багато думати. Коли ви використовуєте Google або іншу пошукову систему, результати, які з'являються у верхній частині сторінки, є результатом машинного навчання. Інтелектуальний текст, а також іноді знеболена функція автокоректування в текстовому додатку вашого смартфона також є результатом машинного навчання. Рекомендовані фільми та пісні на Netflix та Spotify є додатковими прикладами того, як ми використовуємо цю швидко зростаючу технологію, не помічаючи її.

Зовсім недавно компанія Google представила інтелектуальний відповідь у Gmail. В кінці повідомлення він представляє користувачеві три можливі відповіді на основі вмісту. Uber та інші компанії в даний час тестують автомобілі самостійного керування.

Галузі використання машинного навчання

Використання машинного навчання досягає далеко за межі світу технологій. SAS, аналітична компанія з програмного забезпечення, повідомляє, що багато технологій прийняли цю технологію. Індустрія фінансових послуг використовує МЛ для визначення інвестиційних можливостей, нехай інвестори знають, коли треба торгувати, визнають, які клієнти мають профілі високого ризику, і виявляють шахрайство. В охороні здоров'я алгоритми допомагають діагностувати хвороби шляхом підбору аномалій.

Ви коли-небудь ставили запитання: "чому оголошення для цього продукту я думаю про покупку на кожній веб-сторінці, яку я відвідую?" ML дозволяє маркетинговій та торговельній індустрії аналізувати споживачів на основі їхніх історій купівлі та пошуку. Адаптація цієї технології в транспортній галузі виявляє потенційні проблеми на маршрутах і допомагає зробити їх більш ефективними. Завдяки МЛ нафтогазова промисловість може визначити нові джерела енергії (машинне навчання: що це таке і чому це має значення).

Як машинне навчання змінює робоче місце

Прогнози щодо машин, які беруть на себе всі наші робочі місця, існують десятиліттями, але ML нарешті зробить це реальністю? Експерти прогнозують, що ця технологія має і буде продовжувати змінювати робоче місце. Але наскільки забирають всі наші робочі місця? Більшість експертів не думають, що це станеться.

Хоча машинне навчання не може зайняти місце людей у ​​всіх професіях, воно може змінити багато службових обов'язків, пов'язаних з ними. "Завдання, які передбачають прийняття швидких рішень на основі даних, добре підходять для програм ML; не так, якщо рішення залежить від довгих ланцюжків міркувань, різноманітних фонових знань або здорового глузду", - каже Байрон Спайс. Університетська школа комп'ютерних наук (Spice, Byron. Машинне навчання змінить роботу. Університет Карнегі-Меллона.

21 грудня 2017 р.).

В журналі Science, Ерік Брайньольфссон і Том Мітчелл пишуть, "попит на робочу силу, швидше за все, потрапить до завдань, які є близькими замінниками можливостей МЛ, тоді як більш ймовірно, що вони збільшуватимуться для завдань, які доповнюють ці системи. Система перетинає поріг, де вона стає більш рентабельною, ніж люди, на завданнях, підприємці та менеджери, які максимізують прибуток, все більше прагнуть замінити машини людям, що може мати наслідки для всієї економіки, підвищення продуктивності, зниження цін, зміщення попиту на робочу силу, і реструктуризація галузей (Brynjolfsson, Erik і Mitchell, Tom.

Що може зробити машинне навчання? Наслідки робочої сили. Наука. 22 грудня 2017 р.).

Ви хочете кар'єру в машинному навчанні?

Кар'єра в машинному навчанні вимагає знань з інформатики, статистики і математики. Багато людей приїжджають в цю сферу з фоном в цих областях. Багато коледжів, які пропонують спеціалізацію в машинному навчанні, використовують багатопрофільний підхід з навчальною програмою, яка включає в себе, на додаток до інформатики, електротехніки та комп'ютерної техніки, математики та статистики (Top 16 Schools for Machine Learning. AdmissionTable.com).

Для тих, хто вже залучений до індустрії інформаційних технологій, перехід на роботу з МЛ не є далеко проривом. Можливо, у вас вже є багато потрібних навичок. Ваш роботодавець може навіть допомогти вам зробити цей перехід. Згідно зі статтею Стівена Леві, "в даний час немає великої кількості людей, які є експертами в сфері ML, тому такі компанії, як Google і Facebook, є перепідготовкою інженерів, досвід яких полягає в традиційному кодуванні".

Хоча багато навичок, які ви розвинули як фахівця з інформаційних технологій, перейдуть до машинного навчання, це може бути дещо складним завданням. Сподіваюся, ви залишилися неспалими під час своїх класів статистики коледжу, тому що ML спирається на сильне розуміння цього питання, а також математику. Леві пише, що кодери повинні бути готові відмовитися від повного контролю над системою.

Вам не пощастило, якщо ваш роботодавець не надає ML перепідготовку Google і Facebook. Коледжі та університети, а також онлайнові навчальні платформи, як Udemy і Coursera, пропонують заняття, які викладають основи машинного навчання. Важливо, однак, завершити свій досвід, взявши статистику та математичні класи.

Назви робіт і заробіток

Основні посади, на які ви зустрінетесь, коли шукаєте роботу в цій галузі, включають інженера з машинного навчання та вчених з даних.

Інженери машинного навчання "виконують операції з проектом машинного навчання і відповідають за управління інфраструктурою і конвеєрами даних, необхідними для введення коду у виробництво". Дані вчені знаходяться на стороні даних і аналізу розробки алгоритмів, а не з боку кодування. Вони також збирають, очищають і готують дані (Чжоу, Аделн. "Назви робіт з штучного інтелекту: що таке машинобудівний інженер?" Forbes. 27 листопада 2017).

На підставі даних користувачів, які працюють на цих роботах, компанія Glassdoor.com повідомляє, що інженери з ML та вчені з даних отримують середній базовий оклад у розмірі 120 931 доларів США. Заробітна плата варіюється від низького рівня від $ 87,000 до максимуму у 158 000 доларів (зарплати інженера з машинобудування. Glassdoor.com. 1 березня 2018 року). Хоча Glassdoor групує ці назви, між ними є деякі відмінності.

Вимоги до робочих місць для машинного навчання

Інженери та вчені з аналізу даних роблять різні робочі місця, але між ними багато перекриття. Оголошення про роботу для обох позицій часто мають подібні вимоги. Багато роботодавців віддають перевагу бакалаврським, магістерським або докторським ступеням у галузі комп'ютерних та технічних наук, статистики або математики.

Щоб стати професіоналом машинного навчання, вам знадобиться поєднання технічних навичок - навичок, отриманих у школі або на роботі - і м'яких навичок. М'які навички - це здібності, які вони не навчають у класі, а народжуються або набувають через життєвий досвід. Знову ж таки, існує багато дублювання між необхідними навичками для інженерів-лаборантів та вчених з даних.

Оголошення про роботу показують, що ті, хто працює в інженерних роботах, повинні знати рамки машинного навчання, такі як TensorFlow, Mlib, H20 і Theano. Вони потребують сильного досвіду в кодуванні, включаючи досвід роботи з мовами програмування, такими як Java або C / C ++, і мови сценаріїв, такі як Perl або Python. Спеціалізація у статистиці та досвіді використання статистичних пакетів програмного забезпечення для аналізу великих наборів даних також є серед специфікацій.

Різноманітні м'які навички дозволять вам досягти успіху в цій галузі. Серед них гнучкість, адаптивність і наполегливість. Розробка алгоритму вимагає великої кількості проб і помилок, а отже, терпіння. Треба перевірити алгоритм, щоб побачити, чи він працює, і, якщо ні, розробити новий.

Відмінні комунікативні навички необхідні. Фахівці з машинного навчання, які часто працюють за командами, потребують чудових навичок прослуховування, мовлення та міжособистісного спілкування для співпраці з іншими, а також повинні представити свої висновки своїм колегам. Крім того, вони повинні бути активними учнями, які можуть включити нову інформацію в свою роботу. У галузі, де інновації цінуються, треба бути творчим, щоб досягти успіху.