Munkahelyek a gépi tanulás feltörekvő területén

A LinkedIn 2017-es amerikai feltörekvő munkahelyi jelentésének tetején két gép volt a gépi tanulás területén: gépi tanulás mérnök és adatkutató. A gépi tanulási mérnökök foglalkoztatása 9,8-szor nőtt 2012 és 2017 között, és az adatok tudósai 6,5-szeresére nőttek ugyanezen ötéves időszak alatt. Ha a tendencia folytatódik, ezek a foglalkozások foglalkoztatási kilátásokkal rendelkeznek, amelyek meghaladják a sok más foglalkozást. Olyan fényes jövővel, hogy a munka ezen a területen lehet-e Önnek megfelelő?

Mi a gépi tanulás?

A gépi tanulás (ML) éppen úgy hangzik. Ez a technológia magában foglalja a konkrét feladatokat ellátó oktatógépeket. Ellentétben a hagyományos kódolásokkal, amelyek utasításokat adnak a számítógépeknek arról, hogy mit tegyenek, az ML olyan adatokat szolgáltat számukra, amelyek lehetővé teszik számukra, hogy önmagukban kitalálják, mint egy ember vagy állat. Úgy hangzik, mint a varázslat, de nem. Ez magában foglalja a számítógépes tudósok és mások egymással kapcsolatos szakértelmét. Ezek az informatikai szakemberek olyan algoritmusokat nevű programokat hoznak létre, amelyek a problémát megoldják, majd nagy mennyiségű adatot táplálnak nekik, amelyek arra tanítják őket, hogy ezen információk alapján előrejelzéseket készítsenek.

A gépi tanulás egy olyan "mesterséges intelligencia részhalmaza, amely lehetővé teszi a számítógépek számára, hogy olyan feladatokat hajtsanak végre, amelyeket nem terveztek kifejezetten programozni" (Dickson, Ben. A gépi tanulási feladathoz szükséges készségek. Karrierkereső. 2017. január 18.) Az évek során bonyolultabb, még gyakrabban fordult elő, Steven Levy egy olyan cikkben, amely a Google gépi tanulásának és a vállalat mérnökeinek átképzésének prioritásairól beszél, azt írja: "Sok éven át a gépi tanulást speciálisnak, korlátozottnak tartották kevés elitnek.

Ez a korszak véget ért, mivel a legújabb eredmények azt mutatják, hogy a gépi tanulás, melyet a „neurális hálók” működnek, amelyek a biológiai agy működését emulálják, az az igazi út az emberek hatalmával és bizonyos esetekben szuper emberekkel való számítógépek beágyazására. Levy, Steven. Hogyan viselkedik a Google a gépi tanulás első vállalatként vezetésével. 2016. június 22.).

Hogyan használják a gépi tanulást a "valós világban?" Legtöbben naponta találkozunk ezzel a technológiával anélkül, hogy sok gondolatra adnánk. A Google vagy más keresőmotor használatakor az oldal tetején megjelenő eredmények a gépi tanulás eredménye. A prediktív szöveg, valamint az okostelefonok szöveges alkalmazásának néha hibás automatikus javítása is a gépi tanulás eredménye. Az ajánlott filmek és dalok a Netflix és a Spotify további példái annak, hogyan használjuk ezt a gyorsan növekvő technológiát, miközben alig észreveszik.

Újabban a Google bevezette az intelligens választ a Gmailben. Egy üzenet végén a felhasználónak három lehetséges választ kell adnia a tartalom alapján. Az Uber és más cégek jelenleg tesztelik az önjáró autókat.

A gépi tanulást használó iparágak

A gépi tanulás messze túlmutat a tech világon. Az analitikus szoftvergyártó SAS szerint számos iparág elfogadta ezt a technológiát. A pénzügyi szolgáltatási ágazat az ML-t használja a befektetési lehetőségek azonosítására, hagyja, hogy a befektetők tudják, mikor kell kereskedniük, felismerik, mely ügyfeleknek vannak magas kockázatú profiljai, és felismeri a csalást. Az egészségügyi ellátásban az algoritmusok a betegségek diagnosztizálását segítik a rendellenességek felemelésével.

Kérdezted már valaha a kérdést: "Miért gondolok arra, hogy az adott termék hirdetését minden weblapon megnézem?" Az ML lehetővé teszi, hogy a marketing és értékesítési ipar a vásárlási és keresési előzmények alapján elemezze a fogyasztókat. A közlekedési ipar ezen technológia adaptációja észleli az útvonalakon jelentkező potenciális problémákat és segít hatékonyabbá tenni őket. Az ML-nek köszönhetően az olaj- és gázipar azonosíthat új energiaforrásokat (gépi tanulás: mi az és miért számít. SAS).

Hogyan változik a gépi tanulás a munkahelyen

Előrejelzések arról, hogy az összes munkahelyet átveszi-e a gépek, évtizedek óta létezik, de az ML végül ezt valósággá teszi? A szakértők előrejelzik, hogy ennek a technológiának a munkahelye megváltozik. De amennyire elvettük az összes munkánkat? A legtöbb szakértő nem hiszi, hogy ez megtörténne.

Míg a gépi tanulás nem tud helyet foglalni az embereknek minden foglalkozásban, megváltoztathatja a hozzájuk kapcsolódó munkaköri feladatokat. „Az adatokon alapuló gyors döntések meghozatalához kapcsolódó feladatok jól illeszkednek az ML-programokhoz, nem így, ha a döntés hosszú gondolkodási láncoktól, sokszínű háttérismerettől vagy józan észtől függ” - mondja Byron Spice. Egyetemi Számítástudományi Iskola (Spice, Byron. Géptanulás megváltoztatja a munkát. Carnegie Mellon Egyetem.

2017. december 21.).

A Science Magazine-ban Erik Brynjolfsson és Tom Mitchell írják: „a munkaerő-kereslet nagyobb valószínűséggel esik az ML képességeinek közeli helyettesítő feladataihoz, míg nagyobb valószínűséggel növekszik az ezekhez a rendszerekhez kapcsolódó feladatokra. a rendszer átlépi a küszöbértéket, ha a feladatnál költséghatékonyabbá válik, mint az emberek, a profit-maximalizáló vállalkozók és a vezetők egyre inkább az emberek gépi helyettesítésére törekszenek, és ez hatással lehet a gazdaság egészére, növelve a termelékenységet, csökkentve az árakat, a munkaerő-keresletet, és szerkezetátalakítási iparágak (Brynjolfsson, Erik és Mitchell, Tom.

Mit tud csinálni a géptanulás? Munkaerő-hatások. Tudomány. 2017. december 22.).

Szeretne karriert a gépi tanulásban?

A gépi tanulás pályafutása szakértelemmel jár a számítástechnika, a statisztika és a matematika területén. Sokan jönnek ezen a területen a háttérben ezeken a területeken. Számos főiskola, amely a gépi tanulásban jelentős szerepet játszik, multidiszciplináris megközelítést alkalmaz egy olyan tananyaggal, amely a számítástechnika, az elektromos és számítógépes tervezés, a matematika és a statisztika mellett (Top 16 iskolai géptanulás. AdmissionTable.com).

Azok számára, akik már részt vesznek az informatikai iparágban, az ML-munkára való áttérés nem messze ugrás. Előfordulhat, hogy sok szükséges képessége van. A munkáltató még segíthet abban, hogy ezt az átmenetet elvégezze. Steven Levy cikke szerint "jelenleg nincs sok ember, akik szakértők az ML-ben, így olyan cégek, mint a Google és a Facebook, olyan mérnököket képeznek át, akiknek szakértelme a hagyományos kódolásban rejlik."

Míg az informatikai szakemberként kifejlesztett készségek nagy része átkerül a gépi tanulásra, lehet, hogy egy kicsit kihívást jelent. Remélhetőleg ébren maradt a főiskolai statisztika osztályai alatt, mert az ML erősen megragadja a témát, valamint a matematikát. Levy azt írja, hogy a kódolóknak készen kell állniuk arra, hogy feladják a teljes ellenőrzést, amit a rendszer programozásához viszonyítanak.

Nem vagy szerencséje, ha a technikai munkáltatója nem nyújtja az ML átképzést. A főiskolák és egyetemek, valamint az online tanulási platformok, mint például az Udemy és a Coursera, olyan osztályokat kínálnak, amelyek a gépi tanulás alapjait tanítják. Fontos azonban, hogy a statisztikákat és a matematikai osztályokat a szakértelem köré kerekítsük.

Munkanemek és bevételek

Az elsődleges munkakörök, amelyekkel ezen a területen munkát keresnek, a gépi tanulási mérnök és az adat tudós.

A gépi tanulást végző mérnökök "működtetik a gépi tanulási projektet, és felelősek a kód előállításához szükséges infrastruktúra és adatcsatornák kezeléséért." Az adatok tudósai a fejlesztő algoritmusok adat- és elemzési oldalán vannak, nem pedig a kódoló oldalon. Ők is gyűjtenek, tisztítanak és készítenek adatokat (Zhou, Adelyn. "Mesterséges intelligencia munka címei: Mi a gépi tanulási mérnök?" Forbes. 2017. november 27.).

Az ezeken a munkahelyeken dolgozó felhasználók által benyújtott beadványok alapján Glassdoor.com arról számol be, hogy az ML mérnökök és az adatok tudósai átlagosan 120,931 dolláros bért fizetnek. A fizetések 87 000 dollár és 158 000 dollár közötti értékűek (Machine Learning Engineer fizetés. Glassdoor.com. 2018. március 1.). Bár a Glassdoor ezeket a címeket csoportosítja, vannak közöttük különbségek.

A gépi tanulási feladatokra vonatkozó követelmények

Az ML-mérnökök és az adatok tudósai különböző munkákat végeznek, de sokan átfedik egymást. A két álláshelyre vonatkozó álláshirdetések gyakran hasonló követelményekkel rendelkeznek. Számos munkáltató inkább a bölcsészettudományi, mester- vagy doktori fokozatokat részesíti előnyben a számítástechnikában vagy a mérnöki, statisztikai, vagy matematikai szakon.

Ahhoz, hogy gépi tanulási szakember legyen, szüksége lesz a technikai készségek kombinációjára - az iskolában megtanult készségekre vagy a munkahelyre - és a lágy készségekre. A lágy készségek olyan képességek, amelyeket nem tanulnak az osztályteremben, hanem élettapasztalattal születnek, vagy élnek át. Ismét nagy az átfedés az ML-mérnökök és az adat-tudósok szükséges készségei között.

A munkaköri közlemények azt mutatják, hogy az ML mérnöki munkákban dolgozóknak ismerniük kell a gépi tanulási kereteket, mint a TensorFlow, a Mlib, a H20 és a Theano. Erős háttérre van szükségük a kódolásban, beleértve a programozási nyelvek, például a Java vagy a C / C ++ és a szkriptnyelvek, például a Perl vagy a Python tapasztalatait. A statisztikák és a statisztikai szoftvercsomagok felhasználásával szerzett tapasztalatok a nagy adatelemek elemzésére szintén a specifikációk közé tartoznak.

Számos puha készség lehetővé teszi, hogy sikerüljön ezen a területen. Ezek közé tartozik a rugalmasság, az alkalmazkodóképesség és a kitartás. Egy algoritmus fejlesztése sok próbát és hibát követel meg, ezért türelem. Meg kell vizsgálnunk egy algoritmust, hogy lássuk, működik-e, és ha nem, akkor dolgozzon ki egy újat.

A kiváló kommunikációs készségek elengedhetetlenek. Azok a gépi tanulási szakemberek, akik gyakran csapatokon dolgoznak, kiváló hallgatói, beszéd- és interperszonális készségeket igényelnek, hogy másokkal együttműködjenek, és az eredményeiket is bemutassák kollégáiknak. Ezenkívül aktív tanulóknak kell lenniük, akik új információkat építhetnek be munkájukba. Egy olyan iparágban, ahol az innovációt értékelik, kreatívnak kell lennie, hogy kitűnjön.