Послови за машинско учење

Садржај

• Шта је машинско учење?
• Индустрије које користе машинско учење
• Како машинско учење мења радно место
• Да ли желите каријеру у машинском учењу?
• Наслови и зараде посла
• Захтеви за послове машинског учења

На врху ЛинкедИн-овог извјештаја о новим пословима о раду у САД-у за 2017. била су два занимања из области машинског учења: инжењер машинског учења и научник података. Запосленост инжењера машинског учења порасла је за 9,8 пута у периоду од 2012. до 2017. године, а послови научника за податке повећали су се за 6,5 пута у току истог петогодишњег периода. Ако се тренд настави, ова занимања ће имати перспективу запошљавања која надмашује многа друга занимања. Са тако светлом будућношћу, да ли би посао на овом пољу могао да вам одговара?

Шта је машинско учење?

Машинско учење (МЛ) је управо оно што звучи. Ова технологија укључује наставне машине за обављање одређених задатака. За разлику од традиционалног кодирања које пружа упутства која говоре рачунарима шта да раде, МЛ им пружа податке који им омогућавају да сами схвате, баш као што би то радили људи или животиње. Звучи као магија, али није. То укључује интеракцију рачунарских научника и других са сродном експертизом. Ови ИТ професионалци стварају програме који се зову алгоритми - скупа правила која решавају проблем - и затим им хране велике скупове података који их уче да могу предвидјети на основу ових информација.

Машинско учење је „подскуп вештачке интелигенције који омогућава рачунарима да обављају задатке за које нису експлицитно програмирани да раде“ (Дицксон, Бен. Вештине које требате да запослите посао машинског учења. Ит Цареер Финдер. 18. јануара 2017.) Током година је постало компликованије, али и уобичајеније. Стевен Леви у чланку који говори о Гооглеовом приоритизацији машинског учења и преквалификације инжењера компаније, пише: „Дуго година је машинско учење сматрано специјалношћу, ограниченом неколицини елитних. То доба је завршено, јер недавни резултати показују да је машинско учење, које покрећу „неуронске мреже“ које опонашају начин функционисања биолошког мозга, прави пут ка импутацији рачунара снагама људи, а у неким случајевима и супер људима “( Леви, Стевен. Како Гоогле себе доживљава као ожичење прве компаније, 22. јун 2016).

Како се машинско учење користи у "стварном свету?" Већина нас свакодневно наилазимо на ову технологију без пуно размишљања. Када користите Гоогле или неки други претраживач, резултати који се појаве на врху странице резултат су машинског учења. Предиктивни текст, као и понекад злостављана функција за аутоматско исправљање, на апликацији за слање порука на вашем паметном телефону, такође су резултат машинског учења. Препоручени филмови и песме на Нетфлику и Спотифију даљњи су примери како користимо ову брзо растућу технологију док је једва примећујемо. Недавно је Гоогле представио Смарт Репли у Гмаил-у. На крају поруке кориснику се нуде три могућа одговора на основу садржаја. Убер и друге компаније тренутно тестирају аутомобиле са самосталном вожњом.

Индустрије које користе машинско учење

Употреба машинског учења достиже много више од света технологије. САС, аналитичка софтверска компанија, извештава да су многе индустрије усвојиле ову технологију. Индустрија финансијских услуга користи МЛ да би идентификовала могућности инвестирања, обавестила инвеститоре када тргује, препознала који клијенти имају високо ризичне профиле и открила преваре. У здравственој заштити алгоритми помажу у дијагностицирању болести тако што откривају абнормалности.

Јесте ли икад поставили питање "зашто се оглас за тај производ размишља о куповини појављивања на свакој веб страници коју посјетим?" МЛ омогућава маркетиншкој и продајној индустрији да анализира потрошаче на основу историје куповине и претраживања. Прилагођавање ове саобраћајне индустрије овој технологији открива потенцијалне проблеме на рутама и помаже јој да буду ефикасније. Захваљујући МЛ-у, индустрија нафте и гаса може идентификовати нове изворе енергије (Машинско учење: шта је то и зашто је важно. САС).

Како машинско учење мења радно место

Предвиђања о машинама које преузимају све наше послове постоје већ деценијама, али да ли ће МЛ коначно то остварити? Стручњаци предвиђају да ова технологија има и наставиће да мења радно место. Али што се тиче одузимања свих наших послова? Већина стручњака не мисли да ће се то догодити.

Иако машинско учење не може заузети мјесто људских бића у свим занимањима, то може промијенити многе радне задатке повезане са њима. "Задаци који укључују брзо доношење одлука на основу података добро се уклапају у МЛ програме, али не ако одлука зависи од дугих ланаца резоновања, разноликих позадинских знања или здравог разума", каже Бирон Спице. Спице је директор за односе са медијима у Царнегие Меллон Универзитетска школа рачунарских наука (Спице, Бирон. Машинско учење ће променити посао. Универзитет Царнегие Меллон. 21. децембра 2017).

У научном часопису Ерик Брињолфссон и Том Митцхелл пишу, „вероватноћа пада радне снаге за задатке који су замена способности МЛ-а, док је вероватније да ће се повећати за задатке који су комплементарни за ове системе. Сваки пут МЛ систем прелази праг где постаје економичнији од људи на неком задатку, подузетници и менаџери који повећавају профит све ће теже да замењују машине људима. То може имати ефекте у целој економији, повећати продуктивност, снизити цене, променити потражњу радне снаге, и реструктурирање индустрије (Брињолфссон, Ерик и Митцхелл, Том. Шта може машинско учење? импликације радне снаге. наука, 22. децембар 2017).

Да ли желите каријеру у машинском учењу?

Каријере у машинском учењу захтевају стручност у рачунарској науци, статистици и математици. Многи људи долазе на ово поље са позадином на тим пољима. Многи факултети који нуде велику машинску подуку користе мултидисциплинарни приступ са наставним планом и програмом који, поред рачунарске науке, електротехнике и рачунарског инжењерства, математике и статистике (Топ 16 школа за машинско учење. АдмиссионТабле.цом).

За оне који су већ укључени у индустрију информационих технологија, прелазак на посао МЛ није далеко прескок. Можда већ имате многе вештине које су вам потребне. Ваш послодавац вам може чак помоћи да направите овај прелаз. Према чланку Стевена Левија, "тренутно нема пуно људи који су стручњаци за МЛ, тако да компаније попут Гооглеа и Фацебоока преквалификују инжењере чија се стручност састоји у традиционалном кодирању".

Иако ће многе вештине које сте развили као ИТ професионалац пренети на машинско учење, то може бити мало изазовно. Надамо се да сте остали будни током наставе статистике на факултетима, јер се МЛ ослања на снажно разумевање тог предмета, као и математику. Леви пише да кодери морају бити спремни да се одрекну потпуне контроле коју имају над програмирањем система.

Ниси нимало среће ако твој послодавац за технологију не пружи МЛ за преквалификацију Гоогле и Фацебоок. Колеџи и универзитети, као и платформе за онлине учење попут Удеми и Цоурсера, нуде часове који подучавају основе машинског учења. Кључно је, међутим, заокружити своју експертизу извођењем статистике и наставе математике.

Наслови и зараде посла

Примарни називи послова на које ћете наићи када тражите посао у овом пољу укључују инжењера машинског учења и научника о подацима.

Инжињери машинског учења „покрећу операције машинског учења и одговорни су за управљање инфраструктуром и цјевоводима података потребним за довођење кода у производњу“. Научници података налазе се на страни података и анализе алгоритама у развоју, а не на страни кодирања. Они такође прикупљају, чисте и припремају податке (Зхоу, Аделин. „Наслови послова вештачке интелигенције: Шта је инжењер машинског учења?“ Форбес. 27. новембар 2017.).

На основу поднесака корисника који раде на овим пословима, Глассдоор.цом извештава да МЛ инжињери и научници података зарађују просечну основну плату од 120,931 УСД. Плате се крећу од ниских 87.000 до високих 158.000 долара (Плате машинског учења инжењера. Глассдоор.цом. 1. марта 2018.). Иако Глассдоор групира ове наслове, постоје неке разлике између њих.

Захтеви за послове машинског учења

МЛ инжињери и научници података обављају различите послове, али постоји много преклапања између њих. Најаве за посао за обе позиције често имају сличне захтеве. Многи послодавци више воле дипломске, мастер или докторске студије из рачунарске науке или инжењерства, статистике или математике.

Да бисте били професионалац машинског учења, требаће вам комбинација техничких вештина - вештина научених у школи или на послу - и меких вештина. Меке вештине су нечије способности које не уче у учионици, већ се рађају или стјечу кроз животно искуство. Опет, велико се преклапа између потребних вештина инжењера МЛ и података.

Најаве за посао откривају да би они који раде на МЛ инжењерским пословима требали бити упознати са оквирима машинског учења попут ТенсорФлов, Млиб, Х20 и Тхеано. Потребна им је снажна позадина у кодирању, укључујући искуство са програмским језицима као што су Јава или Ц / Ц ++ и скриптним језицима попут Перл или Питхон. Стручност у статистици и искуство коришћења статистичких софтверских пакета за анализу великих скупова података такође су међу спецификацијама.

Разне меке вештине омогућит ће вам успех у овом пољу. Међу њима су флексибилност, прилагодљивост и упорност. Развој алгоритма захтева пуно покушаја и грешака, а самим тим и стрпљења. Морате тестирати алгоритам да бисте видели да ли ради и ако не, развити нови.

Одличне комуникацијске вештине су неопходне. Професионалци машинског учења, који често раде на тимовима, требају врхунску вештину слушања, говора и међуљудске вештине да би сарађивали са другима, а своја сазнања морају представити и колегама. Поред тога, они би требали бити активни полазници који могу укључити нове информације у свој посао. У индустрији у којој се иновације цене, треба бити креативан да би се истицао.