Послови на пољу машинског учења у настајању

На врху ЛинкедИн-овог Извештаја о новим пословима у САД-у из 2017. године била су два занимања у пољу Машинско учење: машински инжењер и научник за податке. Запосленост за инжењере стројног учења порасла је 9,8 пута у периоду од 2012. до 2017. године, а радници са подацима научника повећали су се 6,5 пута у истом петогодишњем периоду. Ако се тај тренд настави, ова занимања ће имати изгледе за запошљавање који надмашују многа друга занимања. Са тако сјајном будућношћу, да ли би посао у овој области могао бити прави за вас?

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 обезбеђује инструкције које компјутерима кажу шта да раде, МЛ им даје податке који им омогућавају да сами сами то прочитају, слично као што би то урадило људско биће или животиња. Звучи као магија, али није. Она укључује интеракцију компјутерских научника и других са сродном експертизом. Ови ИТ стручњаци креирају програме који се зову алгоритми - скуп правила који решавају проблем - и затим их хране великим скуповима података који их уче да праве предвиђања на основу ових информација.

Машинско учење је "подскуп вештачке интелигенције која омогућава компјутерима да обављају задатке које нису експлицитно програмиране" (Дицксон, Бен. Вештине које вам је потребно да бисте машину посла учили. То је тражило каријере. 18. јануар 2017.) Стевен Леви је у чланку који говори о Гооглеовом одређивању приоритета машинског учења и преквалификације инжењера компаније, написао: "Већ дуги низ година, стројно учење се сматрало специјалитетом, ограниченим неколицини елита.

Та ера је готова, јер недавни резултати показују да стројно учење, које покрећу "неуронске мреже" које опонашају начин на који биолошки мозак функционише, представља прави пут ка прожимању компјутера снагама људи, ау неким случајевима и супер људима "(Леви, Стевен: Како се Гоогле преобликује као машина која учи прву компанију Виред.

Како се машинско учење користи у "стварном свијету"? Већина нас свакодневно наилази на ову технологију без много размишљања. Када користите Гоогле или неку другу тражилицу, резултати који се појављују на врху странице резултат су стројног учења. Предиктивни текст, као и понекад малигнед аутоцоррецт функција, на вашој апликацији за слање текстуалних порука, такође су резултат машинског учења. Препоручени филмови и песме на Нетфлик-у и Спотифи-у су додатни примери како користимо ову брзо растућу технологију док је једва приметимо.

Недавно је Гоогле увео Смарт Репли у Гмаил. На крају поруке кориснику се дају три могућа одговора на основу садржаја. Убер и друге компаније тренутно тестирају аутомобиле који се сами возе.

Индустрије које користе машинско учење

Употреба машинског учења сеже далеко изван технолошког света. САС, аналитичка софтверска компанија, извештава да су многе индустрије усвојиле ову технологију. Индустрија финансијских услуга користи МЛ да би идентификовала инвестиционе могућности, нека инвеститори знају када да тргују, препознају клијенте који имају профиле високог ризика и откривају преваре. У здравству, алгоритми помажу у дијагностицирању болести тако што узимају абнормалности.

Да ли сте икада поставили питање: "Зашто се оглас за тај производ размишља о куповини на свакој веб страници коју посјећујем?" МЛ омогућава маркетингу и продаји да анализира потрошаче на основу њихове куповине и историје претраживања. Адаптација ове технологије у транспортној индустрији открива потенцијалне проблеме на рутама и помаже им да постану ефикаснији. Захваљујући МЛ-у, индустрија нафте и гаса може да идентификује 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 учинити реалношћу? Стручњаци предвиђају да ова технологија има и да ће наставити да мења радно место. Али што се тиче одузимања свих наших послова? Већина експерата не мисли да ће се то догодити.

Док стројно учење не може заузети мјесто људских бића у свим занимањима, могло би промијенити многе дужности које се односе на њих. "Задаци који укључују брзо доношење одлука заснованих на подацима су добро прикладни за МЛ програме, а не ако одлука зависи од дугих ланаца расуђивања, различитог позадинског знања или здравог разума", каже Бирон Спице, а Спице је директор за односе с медијима у Царнегие Меллону Универзитетска школа компјутерских наука (Спице, Бирон. Машинско учење ће променити посао. Универзитет Царнегие Меллон.

21. децембар 2017.).

У часопису Сциенце, пишу Ерик Брињолфссон и Том Митцхелл, "већа је вјероватноћа да ће потражња за радном снагом пасти на задатке који су блиски супститути за способности МЛ-а, док је вјеројатније да ће се повећати за задатке који су надопуњени за ове системе. систем прелази праг где постаје економичнији од људи на задатку, предузетници и менаџери који максимизирају профит ће све више тражити замену машина за људе.То може имати ефекте у целој економији, повећавајући продуктивност, снижавајући цене, мењајући потражњу за радном снагом, и реструктурирање индустрија (Брињолфссон, Ерик и Митцхелл, Том.

Шта може машинско учење да уради? Импликације радне снаге. Наука. 22. децембар 2017.).

Желите ли каријеру у машинском учењу?

Каријере у машинском учењу захтијевају стручност у рачунарству, статистици и математици. Многи људи долазе на ово поље са искуством у тим пољима. Многи колеџи који нуде главно знање из машинског учења имају мултидисциплинарни приступ са наставним планом и програмом који укључује, поред рачунарске науке, електротехнике и рачунарства, математике и статистике (Топ 16 школа за машинско учење. АдмиссионТабле.цом).

За оне који су већ укључени у индустрију информационих технологија, прелазак на посао са МЛ-ом није далеко скок. Можда већ имате многе вјештине које су вам потребне. Ваш послодавац вам чак може помоћи да направите овај прелаз. Према чланку Стевена Левија, "тренутно нема много људи који су стручњаци за МЛ, тако да компаније попут Гооглеа и Фацебоока обучавају инжењере чија стручност лежи у традиционалном кодирању."

Иако ће многе вештине које сте развили као ИТ стручњак прећи на машинско учење, то може бити мало изазовно. Надамо се да сте остали будни током ваших часова статистике факултета, јер се МЛ ослања на снажно разумијевање те теме, као и математике. Леви пише да кодери морају бити вољни да се одрекну укупне контроле коју имају над програмирањем система.

Нисте без среће ако ваш технолошки послодавац не пружа МЛ преквалификацију Гооглеа и Фацебоока. Факултети и универзитети, као и онлине платформе за учење као што су Удеми и Цоурсера, нуде наставу која подучава основе машинског учења. Кључно је, међутим, да заокружите вашу експертизу узимајући статистичке и математичке часове.

Јоб Титлес анд Еарнингс

Примарни послови на које ћете наићи када тражите посао у овој области укључују инжењера за стројно учење и научника за податке.

Инжењери за стројно учење "покрећу операције пројекта стројног учења и одговорни су за управљање инфраструктуром и цјевоводима података потребним за унос кода у производњу." Научници за податке су на страни података и анализе развоја алгоритама, а не на страни кодирања. Они такође сакупљају, чисте и припремају податке (Зхоу, Аделин. "Титлови послова вештачке интелигенције: Шта је машински инжењер?", Форбес, 27. новембар 2017).

На основу поднесених информација од стране људи који раде на овим пословима, Глассдоор.цом извештава да инжењери МЛ и научници за податке зарађују просечну основну плату од 120.931 долара. Плаће се крећу од ниских 87.000 до високих $ 158.000 (плате за машинско усавршавање инжењера. Глассдоор.цом. 1. март 2018). Иако Глассдоор групише ове наслове, постоје неке разлике између њих.

Захтеви за машинска радна места за учење

Инжењери МЛ и научници за податке раде различите послове, али постоји доста преклапања између њих. Објаве за посао на обје позиције често имају сличне захтјеве. Многи послодавци преферирају факултетске, магистарске или докторске студије из рачунарства или инжењерства, статистике или математике.

Да бисте били професионални стручњак за машинско учење, биће вам потребна комбинација техничких вештина - вештина стечених у школи или на послу - и меких вештина. Меке вештине су способности које не уче у учионици, већ се рађају или стичу кроз животно искуство. Опет, постоји велика преклапања између потребних вјештина за МЛ инжењере и научнике за подацима.

Огласи за посао откривају да они који раде у инжењерским пословима за МЛ морају бити упознати са оквирима машинског учења као што су ТенсорФлов, Млиб, Х20 и Тхеано. Потребно им је велико искуство у кодирању, укључујући искуства са програмским језицима као што су Јава или Ц / Ц ++ и скриптни језици као што су Перл или Питхон. Стручност у статистици и искуство у кориштењу статистичких софтверских пакета за анализу великих скупова података такођер су међу спецификацијама.

Мноштво меких вештина ће вам омогућити да успете у овој области. Међу њима су флексибилност, прилагодљивост и упорност. Развијање алгоритма захтева много покушаја и грешака, а самим тим и стрпљења. Мора се тестирати алгоритам да би се видело да ли ради и, ако није, развити нови.

Одличне комуникацијске вјештине су неопходне. Стручњаци за стројно учење, који често раде на тимовима, требају врхунске вјештине слушања, говора и интерперсоналне сарадње како би сурађивали с другима, и морају представити своје налазе својим колегама. Поред тога, они би требало да буду активни ученици који могу да укључе нове информације у свој рад. У индустрији у којој се вреднују иновације, мора бити креативан да би се истакао.