Вчений та викладач Стенфордcького університету, дослідник машинного навчання, член ради директорів Amazon, співзасновник Coursera та засновник Deeplearning.ai Ендрю Ин опублікував ґайд із порадами щодо побудови карʼєри у сфері ШІ. Ми ділимось основними ідеями та інсайтами з нього.
Програмування ШІ як нова базова грамотність
На початку свого міні-підручника Ендрю Ин нагадує, що ще кількасот років тому вміння писати та читати не вважалося навичкою, потрібною усім.
«ШІ — це нова електрика. Він змінить та покращить усі сфери людського життя», — каже Ендрю Ин.
Знання у галузі ШІ та data science можна використати усюди. Навіть у піцерії ML-модель на основі лінійної регресії допоможе краще оцінити попит та точніше прогнозувати продажі.
Ин розділяє побудову карʼєри у ШІ на три кроки:
Вивчення базових навичок. Отримання технічних знань у машинному навчанні, data science та знання основ ШІ, науці про дані та основах штучного інтелекту.
Створення власних проєктів. Застосування навичок на практиці, наповнення портфоліо, що відображатиме ваші скіли.
Пошук роботи. Використання навичок і проєктів для отримання бажаної посади у сфері ШІ.
Нижче зануримось детальніше у кожен з трьох кроків.
Які технічні навички потрібні для старту кар'єри в ШІ
Через швидкий розвиток галузі спеціалістам потрібно постійно навчатися. Щоб опанувати цю звичку, Ин радить звернутися до техніки маленьких кроків. Він цитує книгу Бі Джі Фогга «Крихітні звички»: «Замість того, щоб одразу намагатися займатися спортом по 30 хвилин на день, почніть з одного відтискання і виконуйте його стабільно щодня».
Технічні знання, яких потребує карʼєра у ШІ, Ин розподіляє на чотири групи:
Основи машинного навчання (machine learning). Розуміння ключових моделей ML, таких як лінійна та логістична регресія, нейромережі, кластеризація та дерева рішень. Також важливо розуміти основні концепції, як-от упередженість/дисперсія, функції втрат, регуляризація, алгоритми оптимізації та аналіз похибок.
Глибинне навчання (deep learning), а саме базові принципи нейромереж, згорткові мережі, моделі послідовностей та трансформери, і також вміння налаштовувати гіперпараметри.
Розробка програмного забезпечення: вміння програмувати суттєво підвищить вашу конкурентоспроможність. До цього блоку Ин відносить основи програмування, структури даних (особливо ті, що стосуються машинного навчання, як-от фрейми даних), алгоритми, знання Python і бібліотек TensorFlow, PyTorch і scikit-learn.
Математика, а саме галузі, потрібні для роботи з машинним навчанням, — лінійна алгебра, теорія ймовірності і статистика. Також Ендрю називає дослідницький аналіз даних (EDA), який вважає недооціненим, — використання візуалізації та інших методів для систематичного вивчення датасету.
Також він каже, що для того, щоб гарно розумітися на моделях машинного навчання, вже не потрібно мати такі глибинні математичні знання, як колись.
Проте розуміння математики все ще дуже важливо при роботі з алгоритмами deep learning, зокрема, допоможе краще тренувати нейромережу і розуміти природу її помилок при навчанні.
Ин називає онлайн-курси найбільш ефективним способом отримувати нові знання, адже, до прикладу, самостійне читання підручників потребуватиме набагато більше часу. При цьому варто вивчати саме те, що вас цікавить.
Створення проєктів. Які ідеї вартують розвитку
«Однією з найважливіших навичок архітектора ШІ є здатність знаходити ідеї, варті того, щоб над ними працювати», — каже вчений.
Пʼять кроків оцінки проєктів, які пропонує Ендрю Ин:
Визначте бізнес-проблему. Запитайте експерта у галузі, яка вам цікава: «Які три речі мають працювати краще? Чому це досі не так?» Наприклад, в галузі зміни клімату оператори енергомереж можуть мати проблеми з точним прогнозуванням того, скільки енергії здатні виробляти вітер і сонячна енергія в майбутньому.
Згенеруйте декілька ідей для рішень на основі ШІ. Наприклад, для прогнозування виробництва енергії можна використовувати супутникові знімки (для точнішого картографування місцезнаходження вітрових турбін, оцінки висоти та потужності турбін), а також метадату, щоб прогнозувати хмарність. Рішення на основі ШІ може й не існувати, — і це теж нормально.
Визначте майлстоуни, яких варто досягти. Якщо ви обрали ідею, знайдіть критерії, за якими рішення мають визнати ефективним. Це мають бути як метрики, повʼязані з ШІ (до прикладу, точність моделі), так і бізнес-показники.
Оцініть здійсненність і потенційну користь від рішення. Ви можете переглянути опубліковані наукові дослідження, подивитись, що зробили конкуренти, або швидко перевірити концепт. Також вам допоможуть консультації з експертами в галузі.
Складіть бюджет. Подумайте про все, що необхідно для проєкту: дані, персонал, час та будь-яку підтримка від інших команд. Наприклад, якщо необхідно придбати супутникові знімки, це слід врахувати в бюджеті.
«Робота над проєктами — це ітеративний процес. Якщо на будь-якому етапі ви зрозумієте, що поточний напрямок є нездійсненним, повернутися до старту і переосмислити рішення — нормально», — каже Ин.
Також дослідник радить обирати проєкти згідно ваших карʼєрних цілей. Щоби знайти проєкт, спілкуйтеся з іншими представниками ринку, продовжуйте вдосконалювати знання та оберіть галузь, на якій хотіли би зосередитись.
У роботі над проєктами є два підходи:
1. Ready, Aim, Fire (готуйся, цілься, стріляй): ретельне планування та детальна валідація. Перехід до виконання — лише тоді, коли є впевненість у обраному напрямку.
2. Ready, Fire, Aim (готуйся, стріляй, цілься): розробка та реалізація — одразу. Цей підхід дозволяє швидко виявляти проблеми і змінювати напрямок за потреби. Ин каже, що цей підхід працює краще при створенні ML-розробки як частини продукту. Але коли ухвалення рішення вимагає вагомих витрат або веде до рішення, яке складно скасувати, часто варто витратити більше часу на те, щоб переконатися, що це хороша ідея.
Як шукати роботу у сфері ШІ
Розглядаючи наступне місце роботи, визначтесь, змінюєте ви роль чи галузь. Якщо ви шукаєте свою першу роботу, повʼязану з ШІ, вам не варто одночасно змінювати і роль, і галузь, адже це може викликати забагато стресу. У випадку, коли ви розглядаєте зміну ролі, стартап може бути кращим вибором, адже розподілення ролей там є більш гнучким.
Шукаючи роботу, варто провести декілька інформаційних інтервʼю. Це неформальна розмова з людиною, яка працює на цікавій для вас посаді та/або у цікавій вам компанії. Така практика особливо важлива для тих, хто планує працювати у галузі ШІ, оскільки вона дуже швидко розвивається, і різні компанії використовують різні терміни для позначення посад. Десь data scientist може займатись переважно аналітикою бізнес-даних, а десь — писати і підтримувати код. Інформаційне інтервʼю допоможе визначити, з чим працює ШІ-спеціаліст у конкретній компанії та які навички там потрібні.
Ин наголошує на важливості дослідження можливих ролей і компаній, створення сильного резюме та підготовки до співбесід. Він також підкреслює, що варто звертати увагу на команду, адже класні колеги можуть суттєво вплинути на ваш розвиток і задоволення від роботи.
У підсумку, на ваш успіх у галузі ШІ впливають пʼять чинників: здатність працювати у команді (не тільки давати поради, а й приймати критику), нетворкінг (навіть якщо ви інтроверт, як і сам Ин), увага до пошуку роботи, самодисципліна та альтруїзм.