A legnépszerűbb gépi tanulási munkák
Tartalom
- Mi a gépi tanulás?
- Gépi tanulást használó iparágak
- Hogyan változtatja meg a gépi tanulás a munkahelyet?
- Szeretne karrierjét a gépi tanulásban?
- Munkacímek és keresetek
- A gépi tanulási feladatokra vonatkozó követelmények
A LinkedIn 2017. évi amerikai feltörekvő munkahelyi jelentésének tetején két foglalkozás volt a gépi tanulás területén: gépi tanulási mérnök és adattudós. A gépi tanulási mérnökök foglalkoztatása 2012 és 2017 között 9,8-szor növekedett, az adattudósok állása pedig 6,5-szeresére nőtt ugyanazon öt éves időszak alatt. Ha a tendencia folytatódik, ezeknek a foglalkozásoknak olyan foglalkoztatási kilátásai vannak, amelyek meghaladják sok más foglalkozást. Olyan fényes jövőben megfelelő lehet-e Önnek ezen a területen egy állásajánlat?
Mi a gépi tanulás?
A gépi tanulás (ML) éppen így hangzik. Ez a technológia magában foglalja a gépek megtanítását meghatározott feladatok elvégzésére. A hagyományos kódolástól eltérően, amely utasításokat ad a számítógépek számára, hogy mit kell tennie, az ML olyan adatokkal látja el őket, amelyek lehetővé teszik számukra, hogy saját maguk is kitalálják, akárcsak egy ember vagy állat. Mágikusnak hangzik, de nem az. Ez magában foglalja a számítógépes tudósok és mások interakcióját a kapcsolódó szakértelemmel. Ezek az informatikai szakemberek algoritmusoknak nevezett programokat hoznak létre - szabályok halmazát, amelyek megoldják a problémát -, majd nagy adatsort adnak nekik, és megtanítják, hogy ezen információk alapján előrejelzéseket tegyenek.
A gépi tanulás "a mesterséges intelligencia részhalmaza, amely lehetővé teszi a számítógépek számára olyan feladatok elvégzését, amelyeket nem kifejezetten beprogramoztak" (Dickson, Ben. A gépi tanulási feladatok megszerzéséhez szükséges készségek. Karrierkereső. 2017. január 18.) Az évek során egyre bonyolultabbá, mégis általánosabbá vált. Steven Levy egy cikkben, amely a Google által a gépi tanulás és a cég mérnökeinek átképzése szempontjából prioritássá tett prioritásokról beszélt, azt írja: „Sok éven át a gépi tanulást szakterületnek tartották, korlátozott mértékben néhány elitnek. Ez a korszak véget ért, mivel a legfrissebb eredmények azt mutatják, hogy a biológiai agy működését utánozó „ideghálókkal” működő gépi tanulás valódi útja a számítógépek beépítéséhez az emberek, és egyes esetekben a szuper emberek erejéhez ”( Levy, Steven: Hogyan alakítja át a Google magát mint gépi tanulást elsőként vezetett vállalat (2016. június 22.).
Hogyan használják a gépi tanulást a "való világban"? Legtöbben naponta találkozunk ezzel a technológiával anélkül, hogy sokat gondolkodnánk. A Google vagy más keresőmotor használatakor az oldal tetején megjelenő eredmények gépi tanulás eredményei. Az okostelefon szöveges üzenetküldő alkalmazásában a prediktív szöveg, valamint az esetenként rosszindulatú automatikus javítás funkciója szintén a gépi tanulás eredménye. A javasolt filmek és dalok a Netflix és a Spotify oldalán további példák arra, hogyan használjuk ezt a gyorsan növekvő technológiát, miközben alig veszi észre. A közelmúltban a Google bevezette az intelligens válasz funkciót a Gmailben. Az üzenet végén a felhasználónak a tartalom alapján három lehetséges választ ad. Az Uber és más cégek jelenleg önjáró autók tesztelését végzik.
Gépi tanulást használó iparágak
A gépi tanulás használata messze túlmutat a tech világon. A SAS, egy elemző szoftvergyártó cég jelentése szerint sok iparág alkalmazta ezt a technológiát. A pénzügyi szolgáltató ipar az ML segítségével azonosítja a befektetési lehetőségeket, tudatosítja a befektetőknek, hogy mikor kell kereskedni, felismeri, melyek az ügyfelek magas kockázatú profiljai, és felfedezi a csalásokat. Az egészségügyben az algoritmusok a rendellenességek felvételével segítik a betegségek diagnosztizálását.
Te is feltette valaha azt a kérdést: "Miért gondolok arra a termékre vonatkozó hirdetést, hogy minden meglátogatott weblapon megjelenik?" Az ML lehetővé teszi a marketing- és értékesítőipar számára, hogy a fogyasztókat elemezze vásárlási és keresési előzményei alapján. A közlekedési ágazat adaptációja e technológiára felismeri az útvonalakon felmerülő lehetséges problémákat, és hozzájárul azok hatékonyabbá tételéhez. Az ML-nek köszönhetően az olaj- és gázipar új energiaforrásokat azonosíthat (Machine Learning: Mi ez és miért számít. SAS).
Hogyan változtatja meg a gépi tanulás a munkahelyet?
Jóslatok arra, hogy a gépek átveszik az összes munkánkat, évtizedek óta fennállnak, de az ML végre ezt valóságra hozza? A szakértők szerint ez a technológia megváltoztatja és továbbra is megváltoztatja a munkahelyet. De amennyire elvonjuk az összes munkahelyünket? A legtöbb szakértő nem gondolja, hogy ez megtörténik.
Noha a gépi tanulás nem helyettesítheti az embereket minden foglalkozásban, ez megváltoztathatja a velük kapcsolatos sok munkaköri feladatot. "Az adatok alapján történő gyors döntések meghozatalával járó feladatok jól illeszkednek az ML programokhoz; nem az, ha a döntés az érvelés hosszú láncolatától, a sokféle háttértudástól vagy a józan észtől függ" - mondja Byron Spice. A Spice a Carnegie Mellon médiakapcsolatok igazgatója. Az Egyetem Számítástudományi Iskolája (Spice, Byron. A gépi tanulás megváltoztatja a munkahelyeket. Carnegie Mellon University. 2017. december 21.).
A Science Magazine Erik Brynjolfsson és Tom Mitchell írja: "A munkaerő iránti igény nagyobb valószínűséggel csökken azon feladatoknál, amelyek szorosan helyettesítik az ML képességeit, míg valószínűbb, hogy növekszik azoknál a feladatoknál, amelyek kiegészítik ezeket a rendszereket. ML minden alkalommal a rendszer túllépi a küszöböt, ha egy feladatnál költséghatékonyabbá válik, mint az emberek, a profitmaximalizáló vállalkozók és vezetők egyre inkább az emberek gépeinek helyettesítésére törekszenek, ami a gazdaság egész területén hatással lehet, növelve a termelékenységet, csökkentve az árakat, elmozdítva a munkaerőt. és az iparágak szerkezetátalakítása (Brynjolfsson, Erik és Mitchell, Tom. Mit tehet a gépi tanulás? Munkaerő-következmények. Tudomány. 2017. december 22.).
Szeretne karrierjét a gépi tanulásban?
A gépi tanulás karrierje a számítógépes ismeretek, a statisztika és a matematika ismereteit igényli. Sokan háttérrel érkeznek erre a mezőre. Számos olyan főiskola, amely kiemelkedő feladatot nyújt a gépi tanulás területén, multidiszciplináris megközelítést alkalmaz olyan tantervvel, amely a számítástechnikán túl az elektromos és számítógépes mérnöki feladatokat is magában foglalja a matematikát és a statisztikákat (a 16 legjobb gépi tanulási iskola. AdmissionTable.com).
Azok számára, akik már részt vesznek az információs technológiai iparban, az ML állásra való áttérés nem nagy előrelépés. Lehet, hogy már van sok szükséges készsége. A munkáltatója segíthet Önnek ezen átmenet végrehajtásában is. Steven Levy cikke szerint "jelenleg nincs sok olyan ember, aki az ML szakértője, tehát olyan vállalatok, mint a Google és a Facebook olyan mérnököket továbbképznek, akiknek szakértelme a hagyományos kódolásban rejlik".
Míg az informatikai szakemberként kifejlesztett készségek nagy része átkerül a gépi tanulásba, ez kissé kihívást jelenthet. Remélhetőleg ébren maradt a főiskolai statisztika óráin, mert az ML erős ismeretekre támaszkodik ebből a tantárgyból, valamint a matematikából. Levy azt írja, hogy a kódolóknak hajlandóak feladni a rendszer programozásának teljes irányítását.
Nincs szerencséje, ha a technológiai munkáltatója nem biztosítja az ML átképzését a Google és a Facebook számára. A főiskolák és egyetemek, valamint olyan online tanulási platformok, mint az Udemy és a Coursera, osztályokat kínálnak, amelyek a gépi tanulás alapjait tanítják. Alapvető fontosságú azonban, hogy statisztikákon és matematikai órákon alapuló ismeretekkel egészítse ki szakértelmét.
Munkacímek és keresetek
Az elsődleges munkakörök, amelyekkel ezen a területen munkát keres, a géptanulásmérnök és az adattudós.
A gépi tanulási mérnökök "egy gépi tanulási projekt műveleteit végzik, és felelősek az infrastruktúra és az adatcsatornák kezeléséért, amelyek a kód előállításához szükségesek". Az adattudósok az algoritmusok kidolgozásának az adat- és elemzési oldalán, nem pedig a kódolásban vannak. Emellett adatokat gyűjtenek, tisztítanak és előkészítenek (Zhou, Adelyn. "Mesterséges intelligencia munkacímei: Mi az a gépi tanulási mérnök?" Forbes., 2017. november 27.).
Az ezeken a munkákban dolgozó emberek által benyújtott beadványok alapján a Glassdoor.com jelentése szerint az ML mérnökei és adattudósai átlagos alapbért keresnek 120 931 USD-ért. A fizetések a 87 000 dollártól a 158 000 dollárig terjednek (Machine Learning Engineer fizetések. Glassdoor.com., 2018. március 1.). Bár a Glassdoor ezeket a címeket csoportosítja, vannak különbségek közöttük.
A gépi tanulási feladatokra vonatkozó követelmények
Az ML mérnökei és adattudósai különféle munkákat végeznek, ám ezek között nagyon sok az átfedés. Mindkét pozíció álláshirdetése gyakran hasonló követelményekkel rendelkezik. Sok munkáltató inkább a számítógépes vagy mérnöki, statisztikai vagy matematikai alapképzettséget, mesterképzést vagy doktori fokozatot szereti.
A gépi tanuláshoz szükséges szakembereknek a technikai készségek - az iskolában vagy a munka során megtanult készségek - és a puha készségek kombinációjára van szükségük. A lágy készségek azok a képességek, amelyeket nem az osztályban tanulnak meg, hanem életkockázaton keresztül születnek vagy szereznek el. Ismét nagymértékben átfedésben van az ML mérnökeinek és az adattudósoknak a szükséges képességei.
Az álláshirdetések azt mutatják, hogy az ML mérnöki munkájában dolgozóknak ismerniük kell a gépi tanulási keretrendszereket, mint például a TensorFlow, Mlib, H20 és Theano. Erős háttérre van szükségük a kódolásban, ideértve a programozási nyelvek, például a Java vagy a C / C ++, valamint a szkriptnyelvek, például a Perl vagy a Python tapasztalatait. A specifikációk között szerepel a statisztikákkal kapcsolatos tapasztalat és a statisztikai szoftvercsomagokkal kapcsolatos tapasztalatok is a nagy adathalmaz elemzésére.
A különféle puha készségek lehetővé teszik a sikert ezen a területen. Közöttük a rugalmasság, alkalmazkodóképesség és kitartás. Az algoritmus kifejlesztése sok próbát és hibát, és ezért türelmet igényel. Tesztelnie kell egy algoritmust, hogy megnézze, működik-e, és ha nem, dolgozzon ki egy újat.
A kiváló kommunikációs készség nélkülözhetetlen. A gépi tanulásban részt vevő szakemberek, akik gyakran csapaton dolgoznak, másokkal való együttműködéshez kiemelkedő hallgatási, beszéd- és interperszonális készségekre van szükségük, és eredményeiket be kell mutatniuk kollégáikhoz is. Ezen felül aktív tanulóknak kell lenniük, akik új információkat beépíthetnek munkájukba. Az iparágban, ahol az innovációt értékelik, kreatívnak kell lennie, hogy kitűnjön.
