Forventning vs Virkelighet #1
Forventning: jeg vil være godt utstyrt med ferdighetene jeg trenger for å bryte inn i studiet (Kunstig Intelligens).
Virkelighet: sannheten er langt fra den. I FELTET AV AI, praktisk anvendelse er nøkkelen. Bedrifter som ansetter AI / Machine Learning (ML) ingeniører eller Datavitenskapere vil vite at du har tilstrekkelig erfaring med å bruke teoretiske modeller på virkelige datasett. Å ha En Mastergrad i AI bygger opp et sterkt fundament av den teoretiske kunnskapen som ligger til grunn for DE ULIKE ML-modellene, men oversetter ofte ikke til virkelige applikasjoner.
betyr Det at det ville være umulig for noen uten erfaring å bryte SEG INN I AI? Ikke i det hele tatt — arbeidsgivere ser ofte etter involvering i kaggle-konkurranser og også aktivitetsnivå på Github og bruker disse som en proxy for å måle interessenivået ditt i feltet. Å kunne ta det du har lært i klasserommet og bruke det på noen virkelige søknad er verdifullt i arbeidsgiverens øyne. For eksempel, hvis jeg lærte Om (Dyp) Q-læring i klassen, ville det allerede være en stor seier å bygge en bot som lærer å spille Et Atari-spill eller Pac-man.
Takeaway: bruk Alltid det du lærte i klasserommet. Ingen kommer til å tro at du er i stand til jobben bare fordi du har En Mester.
Forventning vs Virkelighet #2
Forventning: Jeg er interessert i Å bli Datavitenskapsmann, derfor bør fokuset mitt være å bygge de beste modellene med høy nøyaktighet. Kode effektivitet og vite hvordan å bygge ML rørledninger er av sekundær betydning.
Virkelighet: i FELTET AV AI, talent er knappe. Det er flere selskaper som ønsker å bygge opp Et team Av Dataingeniører, Dataanalytikere og Dataforskere enn det er forsyning av dem der ute i markedet. Som et resultat, vil du nesten alltid forventes å gjøre mer enn din jobbtittel vil tillate deg å. For ikke å nevne, å ha den pakken med skillsets under beltet ditt, vil gjøre deg mer fleksibel i jobbjakten din.
også uunngåelig er selskaper fra visse bransjer bundet til å være raskere når DET gjelder AI-adopsjon. E-handel, teknologi og selv helsevesenet selskaper har hatt stor NYTTE AV AI og mens bransjer Som Finans har mye å få også, det er utvilsomt tregere i adopsjon på grunn av finansiell regulering. Å forstå scenen hvor et selskap er i FORM AV AI-adopsjon, er avgjørende, da det vil gi deg en sterk følelse av hvor mye hvert lagmedlem forventes å bidra TIL ML-stakken.
størrelsen på lagene er også en sterk indikasjon på hvor segregert hvert medlems plikter er. Generelt, jo større lagene, jo mer segregerte jobboppgavene ville være, og omvendt. For å forstå dette, forestill deg et selskap som starter I DERES AI-adopsjon. De ønsker å ansette noen med mye relevant erfaring og i stand til å bygge og distribuere modeller fra start til slutt. Tvert imot vil store teknologibedrifter som Facebook Og Google trolig ha individuelle lag for hver jobbfunksjon.
Takeaway: Lær alle de andre ferdighetene du trenger for å kunne distribuere EN ML-modell fra forsiden til baksiden.
Forventning vs Virkelighet #3
Forventning: jeg bør søke på store teknologibedrifter som FANG for å få den beste læringen siden de er ledere på dette feltet.
Virkelighet: mens store teknologibedrifter som FANG er attraktive på grunn av deres lønnspakker og deres rykte, er det ofte ekstremt vanskelig å komme inn i en. Jeg for en har ikke jobbet i NOEN AV FANG-selskapene, men jeg kan tenke meg at det å jobbe med en gruppe svært intelligente mennesker med lignende interesser ville være et ideelt sted for læring.
Hva annet kan jeg betale for da? Det avhenger virkelig av bransjen du er interessert i og hva du vil lære. Hvis du er noen som er interessert i datasyn, finn selskaper som er store i dette området, og en hvis oppdrag og visjon resonerer med deg. I DENNE DAGEN OG ALDEREN AV AI handler DET om å skape verdier og gjøre livet mye enklere for forbrukeren. Finn et selskap som er relatert til deg og en som du ønsker å tilføre verdi til.
Hvis du er som meg som er mer fokusert på å lære ferdighetssettene jeg trenger, bør ikke selskapet du søker på, bety noe for mye. Det bør være jobben omfang som du bør granske. Det bør være et område av interesse der du kan oppfylle de fleste jobbkravene, men også lære nye ting på daglig basis. Det for meg, er der læring og trivsel trives.
Takeaway: Fokus på hva du ønsker å lære, i stedet for selskapet du søker om.