Aspettativa vs Realtà #1
Aspettativa: sarò ben equipaggiato con le abilità di cui ho bisogno per entrare nel campo di studio (Intelligenza Artificiale).
Realtà: La verità è lontana da essa. Nel campo dell’IA, l’applicazione pratica è fondamentale. Le aziende che assumono ingegneri di AI/Machine Learning (ML) o Data Scientist vogliono sapere che hai un’esperienza adeguata in termini di applicazione di modelli teorici su set di dati reali. Avere un Master in AI costruisce una solida base delle conoscenze teoriche alla base dei vari modelli ML, ma il più delle volte non si traduce in applicazioni reali.
Significa che sarebbe impossibile per qualcuno senza esperienza entrare nell’IA? Niente affatto-i datori di lavoro spesso cercano il coinvolgimento nelle competizioni di Kaggle e anche il livello di attività su Github e li usano come proxy per valutare il tuo livello di interesse nel campo. Essere in grado di prendere ciò che hai imparato in classe e applicarlo su qualsiasi applicazione di vita reale è prezioso agli occhi del datore di lavoro. Ad esempio, se ho imparato a conoscere (profondo) Q-learning in classe, la costruzione di un bot che impara a giocare un gioco Atari o Pac-man sarebbe già una grande vittoria.
Da asporto: applica sempre ciò che hai imparato in classe. Nessuno crederà che tu sia capace del lavoro solo perché hai un Maestro.
Aspettativa vs realtà #2
Aspettativa: Sono interessato a diventare un Data Scientist, quindi la mia attenzione dovrebbe essere sulla costruzione dei migliori modelli con elevata precisione. L’efficienza del codice e il saper costruire pipeline ML sono di secondaria importanza.
Realtà: Nel campo dell’IA, il talento è scarso. Ci sono più aziende che vogliono costruire un team di ingegneri di dati, analisti di dati e scienziati di dati che non c’è fornitura di loro là fuori nel mercato. Di conseguenza, quasi sempre ci si aspetta di fare di più che il tuo titolo di lavoro ti permetterebbe di. Per non parlare, avendo quella suite di skillsets sotto la cintura vi renderà più flessibile nella vostra caccia di lavoro.
Inoltre, inevitabilmente, le aziende di alcuni settori sono destinate ad essere più veloci in termini di adozione dell’IA. L’e-commerce, la tecnologia e persino le aziende sanitarie hanno beneficiato notevolmente dell’IA e mentre settori come la finanza hanno molto da guadagnare, è indubbiamente più lento nell’adozione a causa della regolamentazione finanziaria. Comprendere la fase in cui un’azienda si trova in termini di adozione dell’IA è fondamentale in quanto ti darebbe un forte senso di quanto ogni membro del team dovrebbe contribuire allo stack ML.
La dimensione delle squadre è anche una forte indicazione di come sono segregati i doveri di ciascun membro. In generale, più grandi sono le squadre, più segregate sarebbero le attività di lavoro e viceversa. Per capire questo, immaginate una società di partenza nella loro adozione AI. Vorrebbero assumere qualcuno con molta esperienza pertinente e in grado di costruire e distribuire modelli dall’inizio alla fine. Al contrario, enormi aziende tecnologiche come Facebook e Google avrebbero probabilmente team individuali per ogni funzione lavorativa.
Takeaway: impara tutte le altre abilità necessarie per poter distribuire un modello ML da davanti a dietro.
Aspettativa vs Realtà #3
Aspettativa: dovrei rivolgermi a enormi aziende tecnologiche come FANG per ottenere il miglior apprendimento poiché sono i leader in questo campo.
Realtà: Mentre le grandi aziende tecnologiche come FANG sono attraenti a causa dei loro pacchetti di paga e della loro reputazione, è spesso estremamente difficile entrare in uno. Io per primo non ho lavorato in nessuna delle aziende FANG, ma immagino che lavorare con un gruppo di persone molto intelligenti con interessi simili sarebbe un luogo ideale per l’apprendimento.
Cos’altro posso accontentarmi allora? Dipende davvero dal settore che ti interessa e da cosa vorresti imparare. Se sei qualcuno che è interessato a computer vision, trovare aziende che sono enormi in quella zona e uno la cui missione e la visione risuona con voi. In questo giorno ed età di AI, si tratta di creare valore e rendere la vita molto più facile per il consumatore. Trovare una società che si riferisce a voi e uno che si desidera aggiungere valore a.
Se sei come me che è più concentrato sull’apprendimento delle competenze di cui ho bisogno, allora la società a cui stai applicando non dovrebbe importare troppo. Dovrebbe essere lo scopo del lavoro che dovresti esaminare. Dovrebbe essere un’area di vostro interesse in cui è possibile soddisfare la maggior parte dei requisiti di lavoro, ma anche imparare cose nuove su base giornaliera. Che per me, è dove l’apprendimento e la soddisfazione sul lavoro prospera.
Asporto: concentrati su ciò che vorresti imparare, invece della società per cui stai facendo domanda.