Attente vs Réalité #1
Attente: Je serai bien équipé avec les compétences dont j’ai besoin pour percer dans le domaine d’études (Intelligence artificielle).
Réalité : La vérité en est loin. Dans le domaine de l’IA, l’application pratique est essentielle. Les entreprises qui embauchent des ingénieurs en IA / Apprentissage automatique (ML) ou des scientifiques des données veulent savoir que vous avez une expérience adéquate en termes d’application de modèles théoriques sur des ensembles de données réels. Avoir une maîtrise en IA constitue une base solide des connaissances théoriques sous-jacentes aux différents modèles de ML, mais le plus souvent ne se traduit pas par une application réelle.
Cela signifie-t-il qu’il serait impossible pour quelqu’un sans expérience de pénétrer dans l’IA? Pas du tout — les employeurs recherchent souvent la participation aux compétitions Kaggle ainsi que le niveau d’activité sur Github et les utilisent comme proxy pour évaluer votre niveau d’intérêt dans le domaine. Être capable de prendre ce que vous avez appris en classe et de l’appliquer à toute application réelle est précieux aux yeux de l’employeur. Par exemple, si j’apprenais le Q-learning (profond) en classe, construire un bot qui apprendrait à jouer à un jeu Atari ou Pac-man serait déjà une énorme victoire.
Plats à emporter: Appliquez toujours ce que vous avez appris en classe. Personne ne va croire que vous êtes capable du travail juste parce que vous avez un maître.
Attente vs Réalité #2
Attente: Je suis intéressé à devenir un Data Scientist, donc je devrais me concentrer sur la construction des meilleurs modèles avec une grande précision. L’efficacité du code et la connaissance de la construction de pipelines ML sont d’une importance secondaire.
Réalité: Dans le domaine de l’IA, les talents sont rares. Il y a plus d’entreprises qui souhaitent constituer une équipe d’ingénieurs de données, d’Analystes de données et de Scientifiques de données qu’il n’y en a sur le marché. En conséquence, vous devrez presque toujours faire plus que ce que votre titre de poste vous permettrait de faire. Sans oublier que le fait d’avoir cette suite de compétences à votre disposition vous rendra plus flexible dans votre recherche d’emploi.
De plus, inévitablement, les entreprises de certains secteurs seront forcément plus rapides en termes d’adoption de l’IA. Le commerce électronique, la technologie et même les entreprises de soins de santé ont grandement bénéficié de l’IA et bien que des industries comme la finance aient également beaucoup à gagner, son adoption est sans aucun doute plus lente en raison de la réglementation financière. Comprendre le stade auquel une entreprise se trouve en termes d’adoption de l’IA est crucial car cela vous donnerait une idée précise de la contribution attendue de chaque membre de l’équipe à la pile de ML.
La taille des équipes est également une indication forte de la ségrégation des tâches de chaque membre. En général, plus les équipes sont grandes, plus les tâches seraient séparées, et vice versa. Pour comprendre cela, imaginez une entreprise débutant dans son adoption de l’IA. Ils souhaiteraient embaucher quelqu’un avec beaucoup d’expérience pertinente et capable de créer et de déployer des modèles du début à la fin. Au contraire, les grandes entreprises technologiques comme Facebook et Google auraient probablement des équipes individuelles pour chaque fonction.
À emporter: Apprenez toutes les autres compétences dont vous avez besoin pour pouvoir déployer un modèle ML d’avant en arrière.
Attente vs Réalité #3
Attente: Je devrais postuler auprès de grandes entreprises technologiques comme FANG pour obtenir le meilleur apprentissage car elles sont les leaders dans ce domaine.
Réalité: Alors que les grandes entreprises technologiques comme FANG sont attrayantes en raison de leurs forfaits de rémunération et de leur réputation, il est souvent extrêmement difficile d’y entrer. Pour ma part, je n’ai travaillé dans aucune des entreprises FANG, mais j’imagine que travailler avec un groupe de personnes très intelligentes ayant des intérêts similaires serait un endroit idéal pour apprendre.
Pour quoi d’autre puis-je me contenter alors? Cela dépend vraiment de l’industrie qui vous intéresse et de ce que vous aimeriez apprendre. Si vous êtes quelqu’un qui s’intéresse à la vision par ordinateur, trouvez des entreprises qui sont énormes dans ce domaine et dont la mission et la vision résonnent avec vous. À l’heure actuelle de l’IA, il s’agit de créer de la valeur et de faciliter la vie du consommateur. Trouvez une entreprise qui vous concerne et à laquelle vous souhaitez ajouter de la valeur.
Si vous êtes comme moi plus concentré sur l’apprentissage des compétences dont j’ai besoin, l’entreprise à laquelle vous postulez ne devrait pas trop avoir d’importance. Ce devrait être la portée du travail que vous devriez examiner. Ce devrait être un domaine de votre intérêt où vous pouvez répondre à la plupart des exigences du travail, tout en apprenant de nouvelles choses au quotidien. Pour moi, c’est là que l’apprentissage et la satisfaction au travail prospèrent.
Plats à emporter: Concentrez-vous sur ce que vous aimeriez apprendre, au lieu de l’entreprise pour laquelle vous postulez.