verwachting vs realiteit # 1
verwachting: Ik zal goed uitgerust zijn met de vaardigheden die ik nodig heb om in te breken in het vakgebied (kunstmatige intelligentie).
Realiteit: De waarheid is verre van waar. Op het gebied van AI staat praktische toepassing centraal. Bedrijven die AI/Machine Learning (ML) engineers of Data Scientists inhuren, willen weten dat u voldoende ervaring hebt met het toepassen van theoretische modellen op real-life datasets. Het hebben van een Masters in AI bouwt een sterke basis op van de theoretische kennis die ten grondslag ligt aan de verschillende ML-modellen, maar meestal vertaalt zich niet naar real-life toepassing.
betekent dit dat het onmogelijk zou zijn voor iemand zonder ervaring om in AI in te breken? Helemaal niet-werkgevers kijken vaak uit voor betrokkenheid bij Kaggle wedstrijden en ook activiteitenniveau op Github en gebruiken deze als een proxy om uw niveau van interesse in het veld te meten. In de ogen van de werkgever is het waardevol om te kunnen nemen wat je in de klas hebt geleerd en toe te passen op elke real-life toepassing. Als ik bijvoorbeeld in de klas (Deep) Q-learning zou leren, zou het bouwen van een bot die leert hoe je een Atari spel of Pac-man moet spelen al een enorme overwinning zijn.
Afhaalmaaltijd: pas altijd toe wat u in de klas hebt geleerd. Niemand zal geloven dat je in staat bent om de baan alleen maar omdat je een Master hebt.
verwachting vs realiteit # 2
verwachting: Ik ben geïnteresseerd in het worden van een Data Scientist, vandaar mijn focus moet zijn op het bouwen van de beste modellen met een hoge nauwkeurigheid. Code-efficiëntie en weten hoe je ML-pijpleidingen moet bouwen zijn van secundair belang.
realiteit: op het gebied van AI is talent schaars. Er zijn meer bedrijven die een team van data Engineers, Data analisten en Data Scientists willen opbouwen dan er aanbod van hen in de markt is. Als gevolg daarvan, je zal bijna altijd worden verwacht om meer te doen dan uw functie zou u toelaten om. Niet te vergeten, het hebben van die suite van vaardigheden onder je riem zal je flexibeler in uw werk jacht te maken.
ook bedrijven uit bepaalde industrieën zullen onvermijdelijk sneller zijn in termen van AI-adoptie. E-commerce, technologie en zelfs de gezondheidszorg bedrijven hebben sterk geprofiteerd van AI en terwijl industrieën zoals financiën hebben veel te winnen, het is ongetwijfeld trager in de goedkeuring als gevolg van financiële regelgeving. Inzicht in de fase waarin een bedrijf is op het gebied van AI adoptie is cruciaal als het zou geven u een sterk gevoel over hoeveel elk teamlid zou worden verwacht om bij te dragen aan de ML stack.
de grootte van de teams is ook een sterke indicatie van de segregatie van de taken van elk lid. Over het algemeen, hoe groter de teams, hoe meer gescheiden de taak taken zou zijn, en vice versa. Om dit te begrijpen, stel je voor dat een bedrijf begint met hun AI adoptie. Ze zouden iemand willen inhuren met veel relevante ervaring en in staat zijn om modellen van begin tot eind te bouwen en in te zetten. Integendeel, grote tech bedrijven zoals Facebook en Google zou waarschijnlijk hebben individuele teams voor elke functie.
Afhaalmaaltijd: Leer alle andere vaardigheden die u nodig hebt om een ML-model van voor naar achter te kunnen implementeren.
verwachting vs realiteit # 3
verwachting: ik zou me moeten aanmelden bij grote tech bedrijven zoals FANG om het beste te leren omdat zij de leiders zijn op dit gebied.
realiteit: hoewel grote technologiebedrijven zoals FANG aantrekkelijk zijn vanwege hun beloningspakketten en hun reputatie, is het vaak extreem moeilijk om er één te krijgen. Ik heb niet in een van de FANG-bedrijven gewerkt, maar ik kan me voorstellen dat werken met een groep zeer intelligente mensen met vergelijkbare interesses een ideale plek zou zijn om te leren.
Waar Kan ik dan genoegen mee nemen? Het hangt echt af van de industrie waarin u geïnteresseerd bent en wat u wilt leren. Als u iemand bent die geà nteresseerd is in computer vision, vind bedrijven die groot zijn op dat gebied en een wiens missie en visie resoneert met u. In deze tijd van AI draait het allemaal om waarde creëren en het leven een stuk makkelijker maken voor de consument. Vind een bedrijf dat betrekking heeft op u en een die u wilt waarde toevoegen aan.
als je net als Ik bent die meer gericht is op het leren van de vaardigheden die ik nodig heb, dan zou het bedrijf waarop je solliciteert er niet te veel toe moeten doen. Het moet de job scope zijn die je moet onderzoeken. Het moet een gebied van uw interesse waar u kunt voldoen aan de meeste van de functie-eisen, maar ook nieuwe dingen leren op dagelijkse basis. Dat is voor mij waar leren en werkplezier gedijen.
afhaalmaaltijden: Focus op wat u wilt leren, in plaats van het bedrijf waarvoor u solliciteert.