forventning vs virkelighed #1
forventning: jeg vil være godt udstyret med de færdigheder, jeg har brug for for at bryde ind i studieområdet (kunstig intelligens).
Virkelighed: sandheden er langt fra den. Inden for AI er praktisk anvendelse nøglen. Virksomheder, der ansætter AI / Machine Learning (ML) ingeniører eller dataforskere vil vide, at du har tilstrækkelig erfaring med at anvende teoretiske modeller på virkelige datasæt. At have en kandidatgrad i AI opbygger et stærkt fundament af den teoretiske viden, der ligger til grund for de forskellige ML-modeller, men oftere end ikke oversættes ikke til det virkelige liv.
betyder det, at det ville være umuligt for nogen uden erfaring at bryde ind i AI? Overhovedet ikke-arbejdsgivere ser ofte ud til involvering i Kaggle-konkurrencer og også aktivitetsniveau på Github og bruger disse som en fuldmagt til at måle dit interesseniveau i marken. At være i stand til at tage det, du har lært i klasseværelset og anvende det på enhver applikation i det virkelige liv, er værdifuldt i arbejdsgiverens øjne. For eksempel, hvis jeg lærte om (dyb) K-læring i klassen, ville det allerede være en stor gevinst at opbygge en bot, der lærer at spille et Atari-spil eller Pac-man.
afhentning: Anvend altid det, du lærte i klasseværelset. Ingen vil tro, at du er i stand til jobbet, bare fordi du har en mester.
forventning vs virkelighed #2
forventning: Jeg er interesseret i at blive dataforsker, derfor skal mit fokus være på at opbygge de bedste modeller med høj nøjagtighed. Kode effektivitet og vide, hvordan man opbygger ML rørledninger er af sekundær betydning.
virkelighed: inden for AI er talent knappe. Der er flere virksomheder, der ønsker at opbygge et team af dataingeniører, dataanalytikere og dataforskere, end der er udbud af dem derude på markedet. Som et resultat forventes du næsten altid at gøre mere, end din jobtitel giver dig mulighed for. For ikke at nævne, at have den pakke med færdigheder under dit bælte vil gøre dig mere fleksibel i din jobjagt.
også uundgåeligt er virksomheder fra visse brancher bundet til at være hurtigere med hensyn til AI-vedtagelse. E-handel, Teknologi og endda sundhedsvirksomheder har haft stor gavn af AI, og mens industrier som finansiering også har meget at vinde, er det utvivlsomt langsommere i vedtagelsen på grund af finansiel regulering. At forstå det stadium, hvor en virksomhed er i form af AI-adoption, er afgørende, da det ville give dig en stærk fornemmelse af, hvor meget hvert teammedlem forventes at bidrage til ML-stakken.
holdets størrelse er også en stærk indikation af, hvor adskilte hvert medlems opgaver er. Generelt, jo større holdene er, jo mere adskilte jobopgaverne ville være, og omvendt. For at forstå dette, forestil dig et firma, der starter i deres AI-adoption. De ønsker at ansætte nogen med masser af relevant erfaring og i stand til at opbygge og implementere modeller fra start til slut. Tværtimod ville store tech-virksomheder som Facebook og Google sandsynligvis have individuelle teams til hver jobfunktion.
afhentning: Lær alle de andre færdigheder, du har brug for for at kunne implementere en ML-model forfra og bagpå.
forventning vs virkelighed #3
forventning: jeg bør gælde for store tech virksomheder som FANG at få den bedste læring, da de er lederne på dette område.
virkelighed: mens store tech-virksomheder som FANG er attraktive på grund af deres lønpakker og deres omdømme, er det ofte ekstremt svært at komme ind i en. Jeg har for en ikke arbejdet i nogen af FANG-virksomhederne, men jeg kan forestille mig, at det at arbejde med en gruppe meget intelligente mennesker med lignende interesser ville være et ideelt sted at lære.
hvad mere kan jeg nøjes med da? Det afhænger virkelig af den branche, du er interesseret i, og hvad du gerne vil lære. Hvis du er en person, der er interesseret i computersyn, skal du finde virksomheder, der er enorme i dette område, og en, hvis mission og vision resonerer med dig. I denne dag og alder af AI handler det om at skabe værdi og gøre livet meget lettere for forbrugeren. Find en virksomhed, der vedrører dig, og en, som du gerne vil tilføje værdi til.
hvis du er som mig, der er mere fokuseret på at lære de færdigheder, jeg har brug for, så skal det firma, du ansøger om, ikke have noget for meget. Det skal være det jobområde, du skal undersøge. Det bør være et område af din interesse, hvor du kan opfylde de fleste af jobkravene, men også lære nye ting på daglig basis. Det er for mig, hvor læring og jobtilfredshed trives.
afhentning: fokuser på det, du gerne vil lære, i stedet for det firma, du ansøger om.