odotus vs Todellisuus #1
odotus: olen hyvin varustautunut taitosarjoilla, joita tarvitsen murtautuakseni opintoalalle (tekoäly).
Todellisuus: totuus on kaukana siitä. Tekoälyn alalla käytännön soveltaminen on avainasemassa. Yritykset, jotka palkkaavat AI/koneoppimisen (ML) insinöörejä tai Datatieteilijöitä, haluavat tietää, että sinulla on riittävästi kokemusta teoreettisten mallien soveltamisesta tosielämän tietokokonaisuuksiin. Tekoälyn Masterointi luo vahvan perustan eri ML-mallien teoriatiedolle, mutta useimmiten se ei käänny tosielämän sovellutukseksi.
tarkoittaako tämä sitä, että kokemattoman ihmisen olisi mahdotonta murtautua tekoälyyn? Ei lainkaan-työnantajat varovat usein osallistumista Kaggle kilpailuihin ja myös aktiivisuustaso GitHub ja käyttää näitä valtakirjana arvioida oman tason kiinnostusta alalla. Se, että pystyy ottamaan luokkahuoneessa oppimansa asiat ja soveltamaan niitä mihin tahansa tosielämän sovellukseen, on työnantajan silmissä arvokasta. Jos oppisin esimerkiksi (syvästä) Q-oppimisesta tunnilla, Atari-pelin tai Pac-Manin pelaamisen oppivan botin rakentaminen olisi jo valtava voitto.
Takeaway: sovella aina sitä, mitä opit luokkahuoneessa. Kukaan ei usko, että pystyt siihen hommaan vain siksi, että sinulla on mestari.
odotus vs Todellisuus # 2
odotus: Olen kiinnostunut Datatieteilijäksi ryhtymisestä, joten minun tulisi keskittyä parhaiden mallien rakentamiseen suurella tarkkuudella. Koodin tehokkuus ja ML-putkistojen rakentamisen osaaminen ovat toissijaisia.
Todellisuus: tekoälyn alalla lahjakkuus on harvassa. On enemmän yrityksiä, jotka haluavat rakentaa joukkue Data insinöörejä, Data analyytikot ja Data tutkijat kuin on tarjonta niitä siellä markkinoilla. Tämän seurauksena sinulta odotetaan lähes aina enemmän kuin ammattinimikkeesi sallisi sinun tehdä. Puhumattakaan siitä, että sviitti skillsets vyön alla tekee sinusta joustavamman työnhaussa.
myös tiettyjen toimialojen yritykset ovat väistämättä nopeampia tekoälyn käyttöönotossa. Sähköinen kaupankäynti, teknologia ja jopa terveydenhuoltoalan yritykset ovat hyötyneet suuresti tekoälystä, ja vaikka Finanssialan kaltaisilla teollisuudenaloilla on myös paljon voitettavaa, sen käyttöönotto on epäilemättä hitaampaa rahoitussääntelyn vuoksi. Ymmärtäminen vaiheessa, jossa yritys on kannalta AI hyväksyminen on ratkaisevan tärkeää, koska se antaisi sinulle vahvan tunteen siitä, kuinka paljon kunkin tiimin jäsenen odotetaan osallistuvan ML pino.
joukkueiden koko kertoo vahvasti myös siitä, miten eriytyneitä kunkin jäsenen tehtävät ovat. Yleensä työtehtävät olisivat sitä eriytyneempiä, mitä suurempia joukkueet ovat, ja päinvastoin. Jos haluat ymmärtää tämän, kuvittele yritys aloittamassa tekoälyn käyttöönottoa. He haluaisivat palkata jonkun, jolla on paljon relevanttia kokemusta ja joka pystyy rakentamaan ja ottamaan käyttöön malleja alusta loppuun. Päinvastoin, valtavat teknologiayritykset kuten Facebook ja Google olisivat todennäköisesti yksittäisiä tiimejä jokaista työtehtävää varten.
Takeaway: Opettele kaikki muut taidot, joita tarvitset, jotta voit ottaa ML-mallin käyttöön edestä taakse.
odotus vs Todellisuus #3
odotus: minun pitäisi hakea Fangin kaltaisiin valtaviin teknologiayrityksiin, jotta saisin parhaan mahdollisen oppimisen, koska ne ovat alan johtajia.
Todellisuus: vaikka Fangin kaltaiset suuret teknologiayritykset ovat houkuttelevia palkkapakettiensa ja maineensa vuoksi, sellaiseen on usein äärimmäisen vaikea päästä. Itse en ole työskennellyt missään FANFIRMOISSA, mutta kuvittelisin, että työskentely erittäin älykkäiden ihmisten kanssa, joilla on samanlaisia kiinnostuksen kohteita, olisi ihanteellinen paikka oppimiseen.
mihin muuhun voin sitten tyytyä? Se todella riippuu teollisuuden olet kiinnostunut ja mitä haluat oppia. Jos olet joku, joka on kiinnostunut tietokoneen visio, löytää yrityksiä, jotka ovat valtavia tällä alalla ja jonka missio ja visio resonoi sinulle. Tänä tekoälyn aikakautena kyse on arvon luomisesta ja elämisen helpottamisesta kuluttajalle. Etsi yritys, joka liittyy sinuun ja jonka haluat tuoda lisäarvoa.
jos olet kuten minä, joka keskittyy enemmän opettelemaan taitosarjoja, joita tarvitsen, niin yrityksellä, johon haet, ei pitäisi olla liikaa väliä. Työn laajuutta pitäisi tutkia tarkkaan. Sen pitäisi olla kiinnostuksesi kohde, jossa voit täyttää suurimman osan työn vaatimuksista, mutta myös oppia uusia asioita päivittäin. Siinä menestyy oppiminen ja työtyytyväisyys.
Takeaway: keskity hakemasi yrityksen sijaan siihen, mitä haluaisit oppia.