Cosa devi sapere per iniziare in questo campo emergente
Nella parte superiore di LinkedIn Emerging Jobs Report di LinkedIn del 2017 c'erano due occupazioni nel campo del Machine Learning: Machine Learning Engineer e Data Scientist. L'occupazione per gli ingegneri del machine learning è cresciuta di 9, 8 volte tra il 2012 e il 2017 e i lavori di Data Scientist sono aumentati di 6, 5 volte durante lo stesso periodo di cinque anni. Se la tendenza continua, queste occupazioni avranno prospettive occupazionali che superano molte altre occupazioni. Con un futuro così brillante, un lavoro in questo campo potrebbe essere giusto per te?
Che cos'è l'apprendimento automatico?
Machine learning (ML) è proprio quello che sembra. Questa tecnologia implica l'insegnamento di macchine per eseguire compiti specifici. A differenza della codifica tradizionale che fornisce istruzioni che dicono ai computer cosa fare, ML fornisce loro dati che permettono loro di capirlo da soli, proprio come farebbero un essere umano o un animale. Sembra una magia, ma non lo è. Coinvolge l'interazione di scienziati informatici e altri con competenze correlate. Questi professionisti IT creano programmi chiamati algoritmi, un insieme di regole che risolvono un problema, e quindi forniscono loro grandi insiemi di dati che insegnano loro a fare previsioni basate su queste informazioni.
L'apprendimento automatico è un "sottoinsieme di intelligenza artificiale che consente ai computer di eseguire attività che non sono state programmate esplicitamente per fare" (Dickson, Ben, competenze necessarie per avviare un lavoro di apprendimento automatico.) Career Finder, 18 gennaio 2017.) È diventato più complicato, ma più comune, nel corso degli anni. Steven Levy, in un articolo che parla della priorità di Google nell'apprendimento automatico e nella riqualificazione degli ingegneri dell'azienda, scrive: "Per molti anni, l'apprendimento automatico era considerato una specialità, limitata a pochi elite.
Quell'era è finita, poiché i risultati recenti indicano che l'apprendimento automatico, alimentato da "reti neurali" che emulano il modo in cui un cervello biologico opera, è il vero percorso verso l'integrazione dei computer con i poteri degli umani e, in alcuni casi, degli umani eccellenti "( Levy, Steven. Come Google si sta rifacendo come una prima azienda Machine Learning Wired., 22 giugno 2016).
In che modo l'apprendimento automatico viene utilizzato nel "mondo reale"? La maggior parte di noi incontra questa tecnologia quotidianamente senza pensarci troppo. Quando utilizzi Google o un altro motore di ricerca, i risultati visualizzati nella parte superiore della pagina sono il risultato dell'apprendimento automatico. Il testo predittivo, così come la funzione di correzione automatica a volte malvagia, nell'app di sms del tuo smartphone, sono anche il risultato del machine learning. I film e i brani consigliati su Netflix e Spotify sono ulteriori esempi di come utilizziamo questa tecnologia in rapida crescita senza accorgercene.
Più recentemente, Google ha introdotto Smart Reply in Gmail. Alla fine di un messaggio, presenta un utente con tre possibili risposte in base al contenuto. Uber e altre società stanno attualmente testando auto a guida autonoma.
Settori che utilizzano l'apprendimento automatico
L'uso dell'apprendimento automatico va ben oltre il mondo tecnologico. SAS, una società di software di analisi, riferisce che molte industrie hanno adottato questa tecnologia. L'industria dei servizi finanziari utilizza la ML per identificare opportunità di investimento, far sapere agli investitori quando negoziare, riconoscere quali clienti hanno profili ad alto rischio e rilevare le frodi. Nell'assistenza sanitaria, gli algoritmi aiutano a diagnosticare le malattie rilevando anomalie.
Hai mai fatto la domanda, "perché è un annuncio per quel prodotto che sto pensando di acquistare mostrando su ogni pagina web che visito?" ML consente al settore marketing e vendite di analizzare i consumatori in base alle loro storie di acquisto e di ricerca. L'adattamento di questa tecnologia da parte dell'industria dei trasporti rileva potenziali problemi sulle rotte e contribuisce a renderli più efficienti. Grazie a ML, l'industria del petrolio e del gas può identificare nuove fonti di energia (Machine Learning: What Is Is e Why It Matters. SAS).
Come l'apprendimento automatico sta cambiando il posto di lavoro
I pronostici sulle macchine che hanno assorbito tutti i nostri lavori sono in circolazione da decenni, ma ML lo renderà finalmente una realtà? Gli esperti prevedono che questa tecnologia abbia e continuerà a modificare il luogo di lavoro. Ma per quanto riguarda la rimozione di tutti i nostri lavori? La maggior parte degli esperti non pensa che succederà.
Mentre l'apprendimento automatico non può prendere il posto degli esseri umani in tutte le occupazioni, potrebbe cambiare molte delle mansioni lavorative a loro associate. "I compiti che implicano prendere decisioni rapide basate sui dati sono una buona misura per i programmi ML, non così se la decisione dipende da lunghe catene di ragionamento, diverse conoscenze di base o buonsenso" dice Byron Spice. Spice è Director of Media Relations di Carnegie Mellon Università della Scuola di Informatica (Spice, Byron) L'apprendimento automatico cambierà i lavori: Carnegie Mellon University.
21 dicembre 2017).
In Science Magazine, Erik Brynjolfsson e Tom Mitchell scrivono, "la domanda di lavoro è più probabile che ricada per le attività che sono sostituti stretti delle capacità di ML, mentre è più probabile che aumenti per le attività che sono complementi per questi sistemi. il sistema supera la soglia in cui diventa più conveniente rispetto agli umani in un compito, imprenditori e manager che ottimizzano il profitto cercheranno sempre più di sostituire le macchine per le persone. Ciò può avere effetti in tutta l'economia, aumentando la produttività, abbassando i prezzi, spostando la domanda di lavoro, e le industrie di ristrutturazione (Brynjolfsson, Erik e Mitchell, Tom.
Cosa può fare l'apprendimento automatico? Implicazioni della forza lavoro. Scienza. 22 dicembre 2017).
Vuoi una carriera in Machine Learning?
Le carriere nell'apprendimento automatico richiedono esperienza in informatica, statistica e matematica. Molte persone vengono in questo campo con uno sfondo in quei campi. Molte università che offrono un importante apprendimento automatico adottano un approccio multidisciplinare con un curriculum che include, oltre all'informatica, l'ingegneria elettrica e informatica, la matematica e le statistiche (Top 16 Schools for Machine Learning. AdmissionTable.com).
Per coloro che sono già coinvolti nel settore dell'Information Technology, la transizione verso un lavoro ML non è un passo da gigante. Potresti già avere molte delle competenze di cui hai bisogno. Il tuo datore di lavoro potrebbe persino aiutarti a compiere questa transizione. Secondo l'articolo di Steven Levy, "al momento non ci sono molte persone che sono esperti in ML, quindi aziende come Google e Facebook stanno riqualificando ingegneri la cui esperienza risiede nella codifica tradizionale".
Mentre molte delle abilità che hai sviluppato come professionista IT si trasferiranno all'apprendimento automatico, potrebbe essere un po 'impegnativo. Spero che tu sia rimasto sveglio durante le tue lezioni sulle statistiche del college, perché ML si basa su una forte conoscenza di questo argomento, oltre che sulla matematica. Levy scrive che i programmatori devono essere disposti a rinunciare al controllo totale che hanno sulla programmazione di un sistema.
Non sei sfortunato se il tuo datore di lavoro tecnico non fornisce la riqualificazione ML Google e Facebook. I college e le università, così come le piattaforme di apprendimento online come Udemy e Coursera, offrono corsi che insegnano le basi dell'apprendimento automatico. È fondamentale, tuttavia, per completare la tua esperienza prendendo statistiche e lezioni di matematica.
Titoli di lavoro e guadagni
I titoli di lavoro principali che incontrerai quando cerchi un lavoro in questo campo comprendono ingegnere di apprendimento automatico e scienziato dei dati.
Gli ingegneri del machine learning "gestiscono le operazioni di un progetto di machine learning e sono responsabili della gestione dell'infrastruttura e delle pipeline di dati necessarie per portare il codice in produzione". Gli scienziati di dati sono sul lato dei dati e dell'analisi degli algoritmi di sviluppo, piuttosto che sul lato della codifica. Raccolgono, puliscono e preparano i dati (Zhou, Adelyn. "Titoli di lavoro per l'intelligenza artificiale: cos'è un ingegnere di machine learning?" Forbes, 27 novembre 2017).
Sulla base delle segnalazioni degli utenti da parte di persone che lavorano in questi posti di lavoro, Glassdoor.com riferisce che gli ingegneri ML e gli scienziati dei dati guadagnano uno stipendio base medio di $ 120.931. Gli stipendi vanno da un minimo di $ 87.000 a un massimo di $ 158.000 (salari di Machine Learning Engineer: Glassdoor.com., 1 marzo 2018). Sebbene Glassdoor raggruppa questi titoli, ci sono alcune differenze tra loro.
Requisiti per i lavori di Machine Learning
Gli ingegneri di ML e gli scienziati di dati svolgono diversi lavori, ma c'è molta sovrapposizione tra loro. Gli annunci di lavoro per entrambe le posizioni hanno spesso requisiti simili. Molti datori di lavoro preferiscono diplomi di laurea, master o dottorato in informatica o ingegneria, statistica o matematica.
Per essere un professionista dell'apprendimento automatico, avrai bisogno di una combinazione di abilità tecniche, abilità apprese a scuola o sul lavoro e competenze trasversali. Le soft skills sono le abilità che non imparano in classe, ma nascono o acquisiscono attraverso l'esperienza di vita. Ancora una volta, vi è una grande quantità di sovrapposizioni tra le competenze richieste per gli ingegneri di ML e gli scienziati di dati.
Gli annunci di lavoro rivelano che coloro che lavorano nei lavori di ingegneria ML dovrebbero avere familiarità con i framework di apprendimento automatico come TensorFlow, Mlib, H20 e Theano. Hanno bisogno di un solido background nella codifica, inclusa esperienza con linguaggi di programmazione come Java o C / C ++ e linguaggi di scripting come Perl o Python. Anche le competenze in statistica e l'esperienza nell'uso di pacchetti software statistici per analizzare grandi serie di dati sono tra le specifiche.
Una varietà di soft skill ti permetterà di avere successo in questo campo. Tra questi ci sono la flessibilità, l'adattabilità e la perseveranza. Lo sviluppo di un algoritmo richiede un sacco di tentativi ed errori, e quindi, pazienza. Si deve testare un algoritmo per vedere se funziona e, in caso contrario, svilupparne uno nuovo.
Ottime capacità di comunicazione sono essenziali. I professionisti dell'apprendimento automatico, che spesso lavorano in team, hanno bisogno di capacità di ascolto, di conversazione e interpersonali superiori per collaborare con gli altri e devono presentare le loro scoperte ai loro colleghi. Dovrebbero, inoltre, essere studenti attivi che possono incorporare nuove informazioni nel loro lavoro. In un settore in cui l'innovazione è apprezzata, bisogna essere creativi per eccellere.