förväntan vs verklighet #1
förväntan: jag kommer att vara välutrustad med de färdigheter jag behöver för att bryta mig in i studieområdet (artificiell intelligens).
verklighet: sanningen är långt ifrån den. Inom AI är praktisk tillämpning nyckeln. Företag som anställer AI / Machine Learning (ML) ingenjörer eller datavetare vill veta att du har tillräcklig erfarenhet när det gäller att tillämpa teoretiska modeller på verkliga datamängder. Att ha en mästare i AI bygger upp en stark grund för den teoretiska kunskapen som ligger bakom de olika ML-modellerna, men översätter oftast inte till verklig applikation.
betyder det att det skulle vara omöjligt för någon utan erfarenhet att bryta sig in i AI? Inte alls-arbetsgivare ser ofta ut för engagemang i Kaggle tävlingar och även aktivitetsnivå på Github och använda dessa som en proxy för att mäta din nivå av intresse inom området. Att kunna ta det du har lärt dig i klassrummet och tillämpa det på alla verkliga applikationer är värdefullt i arbetsgivarens ögon. Om jag till exempel lärde mig om (djup) Q-lärande i klassen, skulle det redan vara en stor vinst att bygga en bot som lär sig hur man spelar ett Atari-spel eller Pac-man.
Takeaway: använd alltid det du lärde dig i klassrummet. Ingen kommer att tro att du är kapabel till jobbet bara för att du har en mästare.
förväntan vs verklighet #2
förväntan: Jag är intresserad av att bli datavetare, därför bör mitt fokus ligga på att bygga de bästa modellerna med hög noggrannhet. Kodeffektivitet och att veta hur man bygger ML-rörledningar är av sekundär betydelse.
verklighet: inom AI-området är talang knapp. Det finns fler företag som vill bygga upp ett team av dataingenjörer, dataanalytiker och datavetenskapare än det finns tillgång till dem där ute på marknaden. Som ett resultat kommer du nästan alltid att förväntas göra mer än din jobbtitel skulle tillåta dig. För att inte tala om, att ha den sviten av färdigheter under ditt bälte kommer att göra dig mer flexibel i din jobbjakt.
också oundvikligen kommer företag från vissa branscher att vara snabbare när det gäller AI-adoption. E-handel, teknik och även sjukvård företag har dragit stor nytta av AI och medan branscher som finans har mycket att vinna samt, det är utan tvekan långsammare i antagandet på grund av finansiell reglering. Att förstå det stadium där ett företag befinner sig när det gäller AI-adoption är avgörande eftersom det skulle ge dig en stark känsla för hur mycket varje teammedlem förväntas bidra till ML-stacken.
lagens storlek är också en stark indikation på hur segregerade varje medlems uppgifter är. I allmänhet, ju större lag, desto mer segregerade skulle arbetsuppgifterna vara, och vice versa. För att förstå detta, föreställ dig ett företag som börjar med deras AI-adoption. De skulle vilja anställa någon med mycket relevant erfarenhet och kunna bygga och distribuera modeller från början till slut. Tvärtom skulle stora teknikföretag som Facebook och Google förmodligen ha enskilda team för varje jobbfunktion.
Takeaway: lär dig alla andra färdigheter som du behöver för att kunna distribuera en ML-modell framifrån och bakåt.
förväntan vs verklighet #3
förväntan: jag borde ansöka om stora teknikföretag som FANG för att få det bästa lärandet eftersom de är ledare inom detta område.
verklighet: medan stora teknikföretag som FANG är attraktiva på grund av sina lönepaket och deras rykte, är det ofta extremt svårt att komma in i en. Jag har för en inte arbetat i något av FANG-företagen, men jag kan tänka mig att arbeta med en grupp mycket intelligenta människor med liknande intressen skulle vara en idealisk plats för lärande.
vad mer kan jag nöja mig med då? Det beror verkligen på branschen du är intresserad av och vad du vill lära dig. Om du är någon som är intresserad av datorseende, hitta företag som är enorma i det området och en vars uppdrag och vision genljuder med dig. I denna dag och ålder av AI handlar det om att skapa värde och göra livet mycket enklare för konsumenten. Hitta ett företag som relaterar till dig och ett som du vill lägga till värde till.
om du är som jag som är mer fokuserad på att lära mig de färdigheter som jag behöver, bör det företag som du ansöker om inte betyda för mycket. Det bör vara jobbet omfattning som du bör granska. Det borde vara ett område av intresse där du kan uppfylla de flesta jobbkraven, men också lära dig nya saker dagligen. Det för mig är där lärande och arbetstillfredsställelse trivs.
Takeaway: fokusera på vad du vill lära dig istället för det företag du söker.