várakozás vs valóság #1
várakozás: jól fel leszek szerelve azokkal a készségekkel, amelyekre szükségem van ahhoz, hogy betörjek a tanulmányi területre (mesterséges intelligencia).
valóság: az igazság messze van tőle. Az AI területén a gyakorlati alkalmazás kulcsfontosságú. Az AI/Machine Learning (ML) mérnököket vagy Adattudósokat alkalmazó vállalatok tudni akarják, hogy megfelelő tapasztalattal rendelkeznek-e az elméleti modellek valós adatkészletekre történő alkalmazásában. Miután a Masters AI épít egy erős alapot az elméleti ismeretek alapjául szolgáló különböző ML modellek, de gyakrabban, mint nem nem lefordítani valós alkalmazás.
ez azt jelenti, hogy lehetetlen, hogy valaki tapasztalat nélkül betörjön az AI-be? Egyáltalán nem — a munkáltatók gyakran figyelnek a Kaggle versenyeken való részvételre, valamint a Github aktivitási szintjére, és ezeket proxyként használják, hogy felmérjék az érdeklődésed szintjét a területen. A munkáltató szemében értékes az a képesség, hogy az osztályteremben megtanultakat és azokat bármilyen valós alkalmazásra alkalmazza. Például, ha megtanulnám a (mély) Q-tanulást az osztályban, egy bot felépítése, amely megtanulja, hogyan kell Atari játékot vagy Pac-man-t játszani, már hatalmas győzelem lenne.
elvihető: mindig alkalmazza az osztályteremben tanultakat. Senki sem fogja elhinni, hogy képes vagy a munkára csak azért, mert van mestered.
várakozás vs valóság # 2
várakozás: Érdekel, hogy Adattudós legyek, ezért a legjobb modellek nagy pontossággal történő felépítésére kell összpontosítanom. A kód hatékonysága és az ML csővezetékek építésének ismerete másodlagos jelentőségű.
valóság: az AI területén kevés a tehetség. Több olyan vállalat van, amely Adatmérnökökből, Adatelemzőkből és Adatkutatókból álló csapatot szeretne felépíteni, mint amennyi a piacon van. Ennek eredményeként szinte mindig elvárják, hogy többet tegyen, mint amennyit a munkaköri címe lehetővé tenné. Nem is említve, ha ez a készségkészlet az öv alatt van, akkor rugalmasabbá válik az álláskeresésben.
bizonyos iparágak vállalatai elkerülhetetlenül gyorsabbak lesznek az AI elfogadása szempontjából. Az E-kereskedelem, a technológia és még az egészségügyi vállalatok is nagymértékben profitáltak az AI-ből, és bár az olyan iparágak, mint a pénzügy, sokat nyerhetnek, kétségtelenül lassabb az elfogadás a pénzügyi szabályozás miatt. Annak megértése, hogy a vállalat milyen szakaszban van az AI elfogadása szempontjából, döntő fontosságú, mivel erős értelmet adna Önnek arról, hogy az egyes csapattagok várhatóan mennyivel járulnak hozzá az ML-veremhez.
a csapatok mérete is erősen jelzi, hogy az egyes tagok feladatai mennyire szegregáltak. Általában minél nagyobbak a csapatok, annál inkább elkülönülnek a feladatok, és fordítva. Ennek megértéséhez képzeljen el egy vállalatot, amely az AI elfogadásában indul. Szeretnék felvenni valakit, aki sok releváns tapasztalattal rendelkezik, és képes modelleket építeni és telepíteni az elejétől a végéig. Éppen ellenkezőleg, az olyan hatalmas technológiai cégek, mint a Facebook és a Google, valószínűleg minden egyes munkakörhöz külön csapatot működtetnének.
elvihető: Ismerje meg az összes többi készség, hogy meg kell, hogy képes legyen telepíteni egy ML modell elölről hátra.
várakozás vs valóság #3
elvárás: olyan hatalmas technológiai vállalatokhoz kellene fordulnom, mint a FANG, hogy a legjobb tanulást szerezzem, mivel ők a vezetők ezen a területen.
valóság: míg a nagy tech cégek, mint a FANG, vonzóak a Fizetési csomagjaik és hírnevük miatt, gyakran rendkívül nehéz bejutni egybe. Én az egyik nem dolgozott sem a FANG cégek, de azt képzelni, hogy dolgozik egy csoport nagyon intelligens emberek hasonló érdeklődésű lenne ideális hely a tanulás.
mi mást tudok rendezni akkor? Ez tényleg attól függ, hogy az iparág érdekli, és mit szeretne tanulni. Ha valaki érdekli a számítógépes látást, keressen olyan vállalatokat, amelyek hatalmasak ezen a területen, és amelyek küldetése és jövőképe rezonál veled. Az AI ezen korában az értékteremtésről és az élet sokkal könnyebbé tételéről szól a fogyasztó számára. Keressen egy olyan céget, amely hozzád kapcsolódik, és amelyhez hozzáadott értéket szeretne hozzáadni.
ha olyan vagy, mint én, aki jobban összpontosít a szükséges készségek elsajátítására, akkor a cég, amelyhez jelentkezik, nem számít túl sokat. Meg kell a munka körét, hogy meg kell vizsgálni. Olyan érdeklődési területnek kell lennie, ahol a legtöbb munkaköri követelményt teljesítheti, ugyanakkor napi szinten új dolgokat is megtanulhat. Számomra ez az, ahol a tanulás és a munkával való elégedettség virágzik.
elvihető: összpontosítson arra, amit meg szeretne tanulni, a pályázó cég helyett.