oczekiwanie vs rzeczywistość #1
oczekiwanie: będę dobrze wyposażony w zestawy umiejętności, których potrzebuję, aby włamać się na dziedzinę nauki (sztuczna inteligencja).
rzeczywistość: prawda jest daleka od niej. W dziedzinie sztucznej inteligencji praktyczne zastosowanie ma kluczowe znaczenie. Firmy zatrudniające inżynierów AI / Machine Learning (ML) lub analityków danych chcą wiedzieć, że masz odpowiednie doświadczenie w zakresie stosowania modeli teoretycznych na rzeczywistych zbiorach danych. Posiadanie mistrza w sztucznej inteligencji buduje silny fundament wiedzy teoretycznej leżącej u podstaw różnych modeli ML, ale najczęściej nie przekłada się na rzeczywiste zastosowanie.
czy to oznacza, że nie byłoby możliwe, aby ktoś bez doświadczenia włamał się do AI? Wcale nie-pracodawcy często zwracają uwagę na zaangażowanie w Konkursy Kaggle, a także poziom aktywności na Githubie i używają ich jako pełnomocnika do oceny twojego poziomu zainteresowania w tej dziedzinie. Możliwość wykorzystania tego, czego nauczyłeś się w klasie i zastosowania go w dowolnej aplikacji jest cenna w oczach pracodawcy. Na przykład, gdybym dowiedział się o (głębokim) Q-learningu w klasie, zbudowanie bota, który uczy się grać na Atari lub Pac-Manie byłoby już ogromną wygraną.
na wynos: zawsze stosuj to, czego nauczyłeś się w klasie. Nikt nie uwierzy, że jesteś zdolny do tej pracy tylko dlatego, że masz mistrza.
oczekiwanie vs rzeczywistość # 2
oczekiwanie: Jestem zainteresowany zostaniem analitykiem danych, dlatego moim celem powinno być budowanie najlepszych modeli z wysoką dokładnością. Efektywność kodowania i umiejętność budowania rurociągów ML mają drugorzędne znaczenie.
rzeczywistość: w dziedzinie sztucznej inteligencji talent jest rzadki. Jest więcej firm, które chcą zbudować zespół inżynierów danych, analityków danych i analityków danych, niż jest ich podaż na rynku. W rezultacie prawie zawsze można oczekiwać, że zrobisz więcej, niż pozwoliłby ci na to twój tytuł zawodowy. Nie wspominając o tym, że posiadanie zestawu umiejętności pod paskiem sprawi, że będziesz bardziej elastyczny w poszukiwaniu pracy.
również, nieuchronnie, firmy z niektórych branż są zobowiązane do szybszego wdrażania sztucznej inteligencji. E-commerce, technologie, a nawet firmy z sektora opieki zdrowotnej skorzystały znacznie na sztucznej inteligencji i podczas gdy branże takie jak finanse mają również wiele do zyskania, jest to niewątpliwie wolniejsze w przyjmowaniu ze względu na regulacje finansowe. Zrozumienie etapu, na którym znajduje się firma pod względem przyjęcia AI, jest kluczowe, ponieważ dałoby ci silne poczucie, ile każdy członek zespołu powinien wnieść do stosu ML.
wielkość zespołów jest również silnym wskaźnikiem tego, jak rozdzielone są obowiązki każdego członka. Ogólnie rzecz biorąc, im większe zespoły, tym bardziej posegregowane będą zadania zawodowe i odwrotnie. Aby to zrozumieć, wyobraź sobie firmę rozpoczynającą wdrażanie sztucznej inteligencji. Chcieliby zatrudnić osobę z dużym doświadczeniem i zdolną do budowania i wdrażania modeli od początku do końca. Wręcz przeciwnie, ogromne firmy technologiczne, takie jak Facebook i Google, prawdopodobnie mają indywidualne zespoły dla każdej funkcji pracy.
na wynos: Naucz się wszystkich innych umiejętności, których potrzebujesz, aby móc wdrożyć model ML od przodu do tyłu.
oczekiwania vs rzeczywistość #3
oczekiwania: powinienem zgłosić się do wielkich firm technologicznych, takich jak FANG, aby uzyskać najlepszą naukę, ponieważ są liderami w tej dziedzinie.
rzeczywistość: podczas gdy duże firmy technologiczne, takie jak FANG, są atrakcyjne ze względu na swoje pakiety płac i reputację, często bardzo trudno jest się do nich dostać. Nie pracowałem w żadnej z firm FANG, ale wyobrażam sobie, że praca z grupą wysoce inteligentnych ludzi o podobnych zainteresowaniach byłaby idealnym miejscem do nauki.
co jeszcze mogę w takim razie zadowolić? To naprawdę zależy od branży, którą jesteś zainteresowany i czego chcesz się nauczyć. Jeśli jesteś kimś, kto interesuje się wizją komputerową, Znajdź firmy, które są ogromne w tej dziedzinie i takie, których misja i wizja rezonuje z Tobą. W dzisiejszych czasach sztucznej inteligencji chodzi o tworzenie wartości i ułatwianie życia konsumentowi. Znajdź firmę, która odnosi się do Ciebie i taką, do której chcesz dodać wartość.
jeśli jesteś taki jak ja, który bardziej koncentruje się na nauce umiejętności, których potrzebuję, to firma, do której się składasz, nie powinna mieć większego znaczenia. Powinien to być Zakres pracy, który powinieneś analizować. Powinien to być obszar Twoich zainteresowań, w którym możesz spełnić większość wymagań dotyczących pracy, ale także uczyć się nowych rzeczy na co dzień. To jest dla mnie, Gdzie nauka i satysfakcja z pracy kwitnie.
skup się na tym, czego chcesz się nauczyć, zamiast na firmie, o którą się ubiegasz.