期待と現実#1
期待：私は研究の分野（人工知能）に侵入するために必要なスキルセットを十分に備えています。
現実：真実はそれから遠いです。 AIの分野では、実用化が鍵となります。 AI/機械学習（ML）エンジニアやデータサイエンティストを採用している企業は、現実のデータセットに理論モデルを適用するという点で十分な経験があ AIのマスターを持つことは、さまざまなMLモデルの基礎となる理論的知識の強力な基盤を構築しますが、多くの場合、実際のアプリケーションに変換され
それは、経験のない人がAIに侵入することは不可能であるということですか？ すべてではありません-雇用者は、多くの場合、Githubの上のKaggleの大会や活動レベルへの関与のために外を見て、フィールドへの関心のあなたのレベルを測定す あなたが教室で学んだことを取り、実際のアプリケーションに適用することができることは、雇用者の目には貴重です。 たとえば、クラスで（深い）Q-learningについて学んだ場合、AtariゲームやPac-manをプレイする方法を学習するボットを構築することはすでに大きな勝利になります。
テイクアウト：常にあなたが教室で学んだことを適用します。 誰もあなたがマスターを持っているという理由だけで、あなたが仕事が可能であると信じているつもりはありません。
期待と現実#2
期待: 私はデータ科学者になることに興味があるので、私は高精度で最高のモデルを構築することに焦点を当てるべきです。 コードの効率性とMLパイプラインの構築方法を知ることは、二次的に重要です。
現実：AIの分野では、才能が不足しています。 市場でそこにそれらの供給があるよりも、データエンジニア、データアナリスト、データ科学者のチームを構築したいより多くの企業があります。 その結果、あなたはほとんど常にあなたの役職があなたを可能にする以上のことをすることが期待されます。 言うまでもなく、あなたのベルトの下のskillsetsのその続きを持っていることはあなたの就職活動でより適用範囲が広くさせる。
また、必然的に、特定の業界の企業は、AIの採用の面で迅速にバインドされています。 Eコマース、テクノロジー、さらにはヘルスケア企業でさえ、AIの恩恵を大きく受けており、金融などの業界でも多くの利益を得ていますが、金融規制のた AIの採用に関して企業がどの段階にあるかを理解することは、各チームメンバーがMLスタックにどれだけ貢献することが期待されるかを強く理解す
チームの規模も、各メンバーの職務がどのように分離されているかを強く示しています。 一般的に、チームが大きくなればなるほど、ジョブタスクはより分離され、その逆もあります。 これを理解するには、AIの採用を開始した企業を想像してください。 彼らは、関連する多くの経験を持ち、最初から最後までモデルを構築して展開できる人を雇いたいと考えています。 逆に、FacebookやGoogleのような巨大なハイテク企業は、おそらく各職務のための個々のチームを持っているでしょう。
持ち帰り：MLモデルを前面から背面に展開できるようにするために必要な他のすべてのスキルを学びます。
期待と現実#3
期待：牙のような巨大なハイテク企業に応募して、この分野のリーダーであるため、最高の学習を得る必要があります。
現実：牙のような大規模なハイテク企業は、彼らの給料パッケージと彼らの評判のために魅力的ですが、しばしば一つに入ることは非常に難しいです。 私はFANGの会社で働いていませんが、同じような興味を持つ非常に知的な人々のグループと働くことは、学習のための理想的な場所であると想像します。
その後、他に何を解決できますか？ それは本当にあなたが興味を持っている業界とあなたが学びたいものに依存します。 あなたがコンピュータビジョンに興味を持っている人であれば、その分野で巨大であり、その使命とビジョンがあなたと共鳴する企業を見つけてく AIのこの時代には、価値を創造し、消費者にとって人生をずっと楽にすることがすべてです。 あなたに関連する会社とあなたが価値を追加したい会社を見つけてください。
あなたが私が必要とするスキルセットを学ぶことに集中している私のような人なら、あなたが応募している会社はあまり重要ではありません。 それはあなたが精査すべき仕事の範囲でなければなりません。 それはあなたが仕事の要件のほとんどを満たすことができるあなたの興味のある領域でなければなりません,まだまた、日常的に新しいことを学 それは私にとって、学習と仕事の満足度が繁栄する場所です。
テイクアウト：あなたが申請している会社ではなく、あなたが学びたいものに焦点を当てます。