მოწინავე მანქანების შემსწავლელი სამუშაოები

ᲙᲛᲐᲧᲝᲤᲘᲚᲘ

• რა არის მანქანათმცოდნე?
• დარგები, რომლებიც იყენებენ მანქანების სწავლას
• როგორ იცვლება მანქანა სწავლა სამუშაო ადგილის მიხედვით
• გსურთ კარიერა მანქანაში სწავლის პროცესში?
• სამუშაო სახელები და მოგება
• მოთხოვნები მანქანაში სწავლის სამუშაოებისთვის

LinkedIn– ის 2017 წლის აშშ – ში განვითარებული სამუშაო ადგილების დასკვნა იყო ორი პროფესია მანქანათმცოდნეობის სფეროში: მანქანების შემსწავლელი ინჟინერი და მონაცემთა მეცნიერი. მანქანათმშენებლობის ინჟინრებისთვის დასაქმება გაიზარდა 9–8 – ჯერ 2012 – დან 2017 წლამდე პერიოდში და მონაცემების მეცნიერთა სამუშაოები იმავე 5 წლის განმავლობაში გაიზარდა 6.5 – ჯერ. თუ ტენდენცია გაგრძელდება, ამ პროფესიებს ექნებათ დასაქმების ხედვები, რომლებიც ბევრად აღემატება სხვა დანარჩენ პროფესიებს. მომავლისთვის ასე ნათელი, შეიძლება ამ სფეროში სამუშაო იყოს სწორი თქვენთვის?

რა არის მანქანათმცოდნე?

მანქანათმცოდნეობა (ML) მხოლოდ ისაა, რაც ჟღერს. ეს ტექნოლოგია მოიცავს სწავლების მანქანებს კონკრეტული დავალებების შესრულების მიზნით. განსხვავებით ტრადიციული კოდირებისაგან, რომელიც შეიცავს ინსტრუქციებს, რომლებიც კომპიუტერებს ეუბნებიან რა უნდა გააკეთონ, ML აძლევს მათ მონაცემებს, რომლებიც მათ საშუალებას აძლევს მათ გაერკვნენ საკუთარ თავში, ისევე როგორც ადამიანი ან ცხოველი. ჯადოსნურად ჟღერს, მაგრამ ასე არ არის. იგი გულისხმობს კომპიუტერულ მეცნიერთა და სხვათა ურთიერთმიმართებას დაკავშირებულ ექსპერტიზასთან. ეს IT პროფესიონალები ქმნიან პროგრამებს, რომლებიც ეწოდება ალგორითმებს - წესების ერთობლიობას, რომელიც პრობლემას აგვარებს - და შემდეგ აწყობს მათ მონაცემთა დიდ ნაწილებს, რომლებიც ასწავლიან მათ ამ ინფორმაციის საფუძველზე პროგნოზების გაკეთებას.

მანქანათმცოდნე არის "ხელოვნური ინტელექტის კომპონენტი, რომელიც კომპიუტერებს საშუალებას აძლევს შეასრულონ დავალებები, რომლებზეც პირდაპირ არ იყო დაპროგრამებული" (დიქსონი, ბენ. უნარები, რომლებიც გჭირდებათ მანქანაში სწავლის სამუშაოს შესახებ. ეს არის კარიერის პოვნა. 2017 წლის 18 იანვარი.) იგი წლების განმავლობაში გახდა უფრო რთული, მაგრამ უფრო საყოველთაო საქმე. სტივენ ლევი სტატიაში, რომელიც გუგლზე საუბრობს კომპანიის ინჟინრების მანქანათმშენებლობის პრიორიტეტზე და წერს, წერს: ”მრავალი წლის განმავლობაში, მანქანათმცოდნეობა ითვლებოდა სპეციალობად, შეზღუდულად ელიტარული რამდენიმე ადამიანისთვის. ეს ერა დასრულდა, რადგან ბოლოდროინდელი შედეგები მიუთითებს, რომ მანქანათმცოდნეობა, რომელსაც ეხმარება „ნერვული ბადეები“, რომლებიც ბიოლოგიურ ტვინს ასრულებენ, არის ჭეშმარიტი გზა ადამიანების და ზოგიერთ შემთხვევაში სუპერ ადამიანების კომპიუტერების გაფართოებისკენ. ლევი, სტივენი. როგორ ხდება Google– ის განახლება, როგორც მანქანა სწავლების პირველი კომპანია, გაყვანილი. 2016 წლის 22 ივნისი).

როგორ გამოიყენება მანქანათმცოდნეობა "რეალურ სამყაროში"? უმეტესობა ჩვენთან ყოველდღიურად გვხვდება ამ ტექნოლოგიის გარეშე, ბევრი ფიქრის გარეშე. როდესაც თქვენ იყენებთ Google- ს ან სხვა საძიებო სისტემას, შედეგები, რომელიც გამოდის ზედა გვერდზე, არის მანქანების სწავლის შედეგი. პროგნოზირებადი ტექსტი, ისევე როგორც ზოგჯერ გაუმართავი ავტომატური კორექტირების ფუნქცია, თქვენი სმარტფონის ტელეფონის ტექსტურ პროგრამაზე, ასევე არის მანქანების სწავლის შედეგი. რეკომენდებული ფილმები და სიმღერები Netflix– ზე და Spotify– ზე არის შემდეგი მაგალითები იმისა, თუ როგორ ვიყენებთ ამ სწრაფად მზარდ ტექნოლოგიას, როდესაც ამას ძლივს ვამჩნევთ. ახლახან Google- მა შემოიტანა Smart პასუხი Gmail- ში. წერილის ბოლოს, იგი მომხმარებელს წარუდგენს სამ შესაძლო პასუხს შინაარსზე დაყრდნობით. ამჟამად კომპანია Uber და სხვა კომპანიები აწარმოებენ თვითმმართველ მანქანებს.

დარგები, რომლებიც იყენებენ მანქანების სწავლას

მანქანათმცოდნეობის გამოყენება ტექნიკური სამყაროს მიღმაა. SAS, ანალიტიკური პროგრამული უზრუნველყოფის კომპანია, იუწყება, რომ ბევრმა ინდუსტრიამ მიიღო ეს ტექნოლოგია. ფინანსური სერვისების ინდუსტრია იყენებს ML– ს, რომ დაასახელოს ინვესტიციის შესაძლებლობები, აცნობოს ინვესტორებს ვაჭრობა, აცნობოს რომელ კლიენტებს აქვთ მაღალი რისკის პროფილები და თაღლითობის გამოსავლენად ჯანმრთელობის დაცვაში ალგორითმები ხელს უწყობენ დაავადებების დიაგნოზირებას, პათოლოგიების არჩევით.

ოდესმე დაგისვით კითხვა, "რატომ არის რეკლამა ამ პროდუქტის შესახებ, რომელზეც ვფიქრობ, რომ ვყიდულობ, რომ ნახოთ ყველა ვებგვერდზე, რომელსაც მე ვეწვევი?" ML საშუალებას აძლევს მარკეტინგის და გაყიდვების ინდუსტრიას გააანალიზონ მომხმარებლები, მათი ყიდვისა და ძებნის ისტორიებზე დაყრდნობით. სატრანსპორტო ინდუსტრიის ადაპტაცია ამ ტექნოლოგიით აღმოაჩენს პოტენციურ პრობლემებს მარშრუტებზე და ეხმარება მათ უფრო ეფექტურს გახდის. ML- ის წყალობით, ნავთობისა და გაზის ინდუსტრიას შეუძლია გამოავლინოს ენერგიის ახალი წყაროები (მანქანა სწავლა: რა არის და რატომაა მნიშვნელოვანი. SAS).

როგორ იცვლება მანქანა სწავლა სამუშაო ადგილის მიხედვით

პროგნოზები მანქანების შესახებ, რომლებიც მთელ ჩვენს სამუშაოებს იღებენ, ათწლეულების განმავლობაში არსებობს, მაგრამ ML საბოლოოდ გახდება ეს რეალობად? ექსპერტები პროგნოზირებენ ამ ტექნოლოგიას და განაგრძობენ სამუშაო ადგილის შეცვლას. რამდენადაც ჩვენი მთელი სამუშაოების წართმევას? ექსპერტების უმეტესობა არ ფიქრობს, რომ ეს მოხდება.

მიუხედავად იმისა, რომ მანქანაში სწავლებას არ შეუძლია ადამიანის ადგილი დაიკავოს ყველა პროფესიაში, მას შეუძლია შეცვალოს მათთან დაკავშირებული მრავალი სამუშაო მოვალეობა. ”დავალებები, რომლებიც მონაცემების საფუძველზე სწრაფი გადაწყვეტილების მიღებას გულისხმობს, ML პროგრამებისთვის კარგია, თუ გადაწყვეტილება არ არის დამოკიდებული მსჯელობის ხანგრძლივობაზე, მრავალფეროვან ფონს ცოდნასა თუ საღი აზრის შესახებ.” - ამბობს ბაირონ სპისი. უნივერსიტეტის კომპიუტერული მეცნიერების სკოლა (Spice, Byron. მანქანათმცოდნეობა შეცვლის სამუშაოებს. კარნეგი მელონის უნივერსიტეტი. 2017 წლის 21 დეკემბერი).

Science Magazine- ში, ერიკ ბრაიანფსონი და ტომ მიტჩელი წერენ, რომ ”შრომის მოთხოვნილება უფრო მეტად დაეცემა ისეთ ამოცანებს, რომლებიც ML– ს შესაძლებლობების ახლო შემცვლელნი არიან, ამასთან, ის უფრო მეტად იმატებს იმ დავალებებისთვის, რომლებიც ამ სისტემებისთვის ავსებს. ყოველ ჯერზე ML. სისტემა კვეთს იმ ზღურბლს, სადაც ის უფრო რენტაბელური გახდება, ვიდრე ადამიანი დავალებაზე, მოგების გაზრდა მეწარმეები და მენეჯერები უფრო მეტად შეეცდებიან ადამიანების აპარატების შეცვლას.ეს შეიძლება გავლენა იქონიოს მთელ ეკონომიკაში, პროდუქტიულობის გაზრდა, ფასების შემცირება, შრომის მოთხოვნის შეცვლა. და რესტრუქტურიზაციის ინდუსტრიები (Brynjolfsson, ერიკი და მიტჩელი, ტომ. რისი სწავლა შეუძლია მანქანამ? სამუშაო ძალის შედეგების შესახებ. მეცნიერება. 2017 წლის 22 დეკემბერი).

გსურთ კარიერა მანქანაში სწავლის პროცესში?

მანქანაში სწავლის პროცესში კარიერა მოითხოვს კომპიუტერულ მეცნიერებაში, სტატისტიკასა და მათემატიკაში. ამ სფეროში მრავალი ადამიანი მოდის ამ სფეროში. ბევრი კოლეჯია, რომელიც გთავაზობთ მანქანაში სწავლის კურსს, მიიღოს მრავალდისციპლინარული მიდგომა სასწავლო გეგმით, რომელიც მოიცავს კომპიუტერული მეცნიერების, ელექტრო და კომპიუტერული ინჟინერიის, მათემატიკის და სტატისტიკის გარდა (მანქანათმცოდნეობის მოწინავე 16 სკოლა. AdmissionTable.com).

მათთვის, ვინც უკვე არის ჩართული ინფორმაციული ტექნოლოგიების ინდუსტრიაში, ML სამუშაოზე გადასვლა არ არის შორეული ნახტომი. შეიძლება უკვე გქონდეთ თქვენთვის საჭირო უამრავი უნარი. თქვენი დამქირავებელი შეიძლება დაგეხმაროთ ამ გადასვლის განხორციელებაშიც. სტივენ ლევის სტატიის თანახმად, "ამჟამად არ არსებობს უამრავი ადამიანი, ვინც ML- ის ექსპერტია, ასე რომ კომპანიები, როგორიცაა Google და Facebook, ინჟინრების გადამზადებას ახორციელებენ, რომელთა ექსპერტიზა ტრადიციულ კოდირებაშია."

მიუხედავად იმისა, რომ თქვენ განვითარებული IT, როგორც IT- ის პროფესიონალების მრავალი ცოდნა გადაეცემა მანქანათმცოდნეობას, შეიძლება ცოტა რთული იყოს. იმედია, თქვენ ფხიზლად იყავით კოლეჯის სტატისტიკის გაკვეთილების დროს, რადგან ML ეყრდნობა ამ საგნის ძლიერ გააზრებას, ისევე როგორც მათემატიკას. ლევი წერს, რომ კოდირებულებს უნდა სურთ უარი თქვან სისტემის კონტროლზე კონტროლის განხორციელებაზე.

თქვენ არ გაგიმართლათ, თუ თქვენი ტექნიკური დამქირავებელი არ აწვდის ML- ის გადამზადებას Google და Facebook. კოლეჯები და უნივერსიტეტები, ისევე როგორც ონლაინ სასწავლო პლატფორმები, როგორიცაა Udemy და Coursera, გთავაზობთ კლასებს, რომლებიც ასწავლიან მანქანების სწავლების საფუძვლებს. ამასთან, გადამწყვეტი მნიშვნელობა ენიჭება თქვენს ექსპერტიზას სტატისტიკის და მათემატიკის გაკვეთილების ჩატარების გზით.

სამუშაო სახელები და მოგება

პირველადი სამუშაოს ტიტულები, რომელსაც ამ სფეროში სამუშაოს ეძებთ, შეხვდებით მანქანაში სწავლების ინჟინერს და მონაცემთა მეცნიერს.

მანქანათმშენებლობის ინჟინრები "აწარმოებენ მანქანათმცოდნეობის პროექტის ოპერაციებს და პასუხისმგებელნი არიან ინფრასტრუქტურისა და მონაცემთა მილსადენების მართვაზე, რომლებიც საჭიროა კოდების წარმოებაში." მონაცემების მეცნიერები არიან ალგორითმების შემუშავების მონაცემთა და ანალიზის მხარეზე, ვიდრე კოდირების მხარე. ისინი ასევე აგროვებენ, ასუფთავებენ და ამზადებენ მონაცემებს (Zhou, Adelyn. "Artificial Intelligence Job Titles: What is Machine Learning Engineer?" Forbes. 2017 წლის 27 ნოემბერი).

ამ სამუშაოებში მომუშავე ადამიანების მომხმარებელთა წარდგენებიდან გამომდინარე, Glassdoor.com იტყობინება, რომ ML ინჟინრები და მონაცემთა მეცნიერები იღებენ საშუალოდ საბაზო ხელფასს $ 120,931. ხელფასები მერყეობს 87000 აშშ დოლარიდან დაბალი და 158,000 აშშ დოლარამდე (მანქანათმშენებლობის ინჟინრის ხელფასები. Glassdoor.com. 2018 წლის 1 მარტი). მიუხედავად იმისა, რომ Glassdoor ჯგუფებს ამ სათაურებს, მათ შორის გარკვეული განსხვავებებია.

მოთხოვნები მანქანაში სწავლის სამუშაოებისთვის

ML ინჟინრები და მონაცემთა მეცნიერები სხვადასხვა საქმეს აკეთებენ, მაგრამ მათ შორის ბევრია გადახურვა. ორივე თანამდებობაზე სამუშაოს შესახებ განცხადებებს ხშირად აქვთ მსგავსი მოთხოვნები. ბევრი დამსაქმებელი უპირატესობას ანიჭებს საბაკალავრო, მაგისტრის, ან სადოქტორო ხარისხს კომპიუტერულ მეცნიერებაში ან ინჟინერიაში, სტატისტიკასა და მათემატიკაში.

მანქანით სწავლების პროფესიონალი რომ გახდეთ, დაგჭირდებათ ტექნიკური უნარების ერთობლიობა — სკოლაში სწავლის ან სამუშაოზე მიღებული უნარების და რბილი ცოდნის ერთობლიობა. რბილი ცოდნა არის ის შესაძლებლობები, რომელსაც ისინი არ სწავლობენ საკლასო ოთახში, მაგრამ ამის ნაცვლად იბადებიან ან იძენენ ცხოვრების გამოცდილებას. ისევ და ისევ, დიდი რაოდენობითაა გადახურვა ML ინჟინრებისა და მონაცემთა მეცნიერებისთვის საჭირო უნარებს შორის.

სამუშაო განცხადებებში ნათქვამია, რომ ML– ის საინჟინრო სამუშაოებში მომუშავე პირები უნდა გაეცნონ მანქანათმცოდნეობის ჩარჩოებს, როგორიცაა TensorFlow, Mlib, H20 და Theano. მათ სჭირდებათ ძლიერი ფონი კოდირების პროცესში, მათ შორის პროგრამირების ენების გამოცდილებით, როგორებიცაა Java ან C / C ++ და ენების სკრიპტირება, როგორებიცაა Perl ან Python. სტატისტიკის ექსპერტიზასა და გამოცდილების სტატისტიკური პროგრამული პაკეტების გამოყენების გამოცდილება მონაცემების დიდი ნაკრების გასაანალიზებლად ასევე მოცემულია სპეციფიკაციებში.

მრავალფეროვანი რბილი უნარები საშუალებას მოგცემთ წარმატებას მიაღწიოთ ამ სფეროში. მათ შორისაა მოქნილობა, ადაპტირება და გამძლეობა. ალგორითმის შემუშავება მოითხოვს უამრავ ცდას და შეცდომას და, შესაბამისად, მოთმინებას. უნდა შეამოწმოთ ალგორითმი, რომ ნახოთ მუშაობს თუ არა, თუ არა ახალი.

კომუნიკაციის შესანიშნავი უნარები აუცილებელია. მანქანათმცოდნე პროფესიონალებს, რომლებიც ხშირად გუნდებზე მუშაობენ, სხვებთან თანამშრომლობისთვის საჭიროა მოსმენის, მოსაუბრის და ინტერპერსონალური უნარის უმაღლესი უნარი და ასევე უნდა წარუდგინონ თავიანთი დასკვნები კოლეგებს. გარდა ამისა, ისინი უნდა იყვნენ აქტიური შემსწავლელები, რომლებსაც შეუძლიათ ახალი ინფორმაციის ჩართვა თავიანთ საქმიანობაში. ისეთ ინდუსტრიაში, სადაც ინოვაცია ფასდება, ერთი ადამიანი შემოქმედებითად უნდა გამოირჩეოდეს.