Công việc học máy hàng đầu

NộI Dung

• Học máy là gì?
• Các ngành sử dụng máy học
• Làm thế nào máy học thay đổi nơi làm việc
• Bạn có muốn một nghề nghiệp trong học máy?
• Tiêu đề và thu nhập công việc
• Yêu cầu đối với công việc học máy

Đứng đầu Báo cáo việc làm mới nổi năm 2017 của LinkedIn là hai ngành nghề trong lĩnh vực Machine Learning: Kỹ sư máy học và Nhà khoa học dữ liệu. Việc làm cho các kỹ sư máy học đã tăng 9,8 lần trong khoảng thời gian từ 2012 đến 2017 và việc làm của nhà khoa học dữ liệu đã tăng 6,5 lần trong cùng khoảng thời gian năm năm. Nếu xu hướng tiếp tục, những nghề nghiệp này sẽ có triển vọng việc làm vượt qua nhiều nghề nghiệp khác. Với một tương lai tươi sáng, một công việc trong lĩnh vực này có thể phù hợp với bạn không?

Học máy là gì?

Máy học (ML) chỉ là những gì nó nghe như. Công nghệ này liên quan đến máy móc giảng dạy để thực hiện các nhiệm vụ cụ thể. Không giống như mã hóa truyền thống cung cấp các hướng dẫn cho máy tính biết phải làm gì, ML cung cấp cho chúng dữ liệu cho phép chúng tự tìm ra nó, giống như con người hoặc động vật sẽ làm. Nghe có vẻ kỳ diệu, nhưng không phải vậy. Nó liên quan đến sự tương tác của các nhà khoa học máy tính và những người khác có chuyên môn liên quan. Các chuyên gia CNTT này tạo ra các chương trình được gọi là thuật toán Bộ các quy tắc giải quyết vấn đề, và sau đó cung cấp cho họ các bộ dữ liệu lớn dạy họ đưa ra dự đoán dựa trên thông tin này.

Học máy là một "tập hợp trí tuệ nhân tạo cho phép máy tính thực hiện các nhiệm vụ mà chúng chưa được lập trình rõ ràng để thực hiện (Dickson, Ben. Các kỹ năng bạn cần để thực hiện công việc học máy. Công cụ tìm kiếm sự nghiệp. 18 tháng 1 năm 2017.) Trong những năm qua, nó đã trở nên phức tạp hơn, nhưng phổ biến hơn, Steven Levy, trong một bài viết nói về ưu tiên của Google về học máy và đào tạo lại các kỹ sư của công ty, viết: "Trong nhiều năm, học máy được coi là một chuyên ngành, hạn chế cho một số ít ưu tú. Thời đại đó đã qua, khi những kết quả gần đây chỉ ra rằng học máy, được cung cấp bởi mạng lưới thần kinh, mô phỏng cách thức hoạt động của bộ não sinh học, là con đường thực sự hướng tới việc tạo ra các máy tính với sức mạnh của con người, và trong một số trường hợp, siêu nhân là con người ( Levy, Steven. Làm thế nào Google làm lại chính mình như một công ty máy học đầu tiên có dây. 22 tháng 6 năm 2016).

Học máy được sử dụng như thế nào trong "thế giới thực?" Hầu hết chúng ta bắt gặp công nghệ này hàng ngày mà không suy nghĩ nhiều. Khi bạn sử dụng Google hoặc một công cụ tìm kiếm khác, kết quả xuất hiện ở đầu trang là kết quả của quá trình học máy. Văn bản dự đoán, cũng như tính năng tự động sửa lỗi đôi khi sai, trên ứng dụng nhắn tin điện thoại thông minh của bạn, cũng là kết quả của việc học máy. Phim và bài hát được đề xuất trên Netflix và Spotify là những ví dụ khác về cách chúng tôi sử dụng công nghệ đang phát triển nhanh chóng này trong khi hầu như không nhận thấy nó. Gần đây, Google đã giới thiệu Trả lời thông minh trong Gmail. Ở cuối tin nhắn, nó trình bày cho người dùng ba câu trả lời có thể dựa trên nội dung. Uber và các công ty khác hiện đang thử nghiệm xe tự lái.

Các ngành sử dụng máy học

Việc sử dụng máy học vượt xa thế giới công nghệ. SAS, một công ty phần mềm phân tích, báo cáo rằng nhiều ngành công nghiệp đã áp dụng công nghệ này. Ngành dịch vụ tài chính sử dụng ML để xác định cơ hội đầu tư, cho nhà đầu tư biết khi nào nên giao dịch, nhận ra khách hàng nào có hồ sơ rủi ro cao và phát hiện gian lận. Trong chăm sóc sức khỏe, các thuật toán giúp chẩn đoán bệnh bằng cách chọn ra những bất thường.

Bạn đã bao giờ đặt câu hỏi, "tại sao một quảng cáo cho sản phẩm đó tôi nghĩ đến việc mua hiển thị trên mỗi trang web tôi truy cập?" ML cho phép ngành tiếp thị và bán hàng phân tích người tiêu dùng dựa trên lịch sử mua và tìm kiếm của họ. Sự thích ứng của ngành công nghiệp vận tải này phát hiện các vấn đề tiềm ẩn trên các tuyến đường và giúp chúng hoạt động hiệu quả hơn. Nhờ ML, ngành công nghiệp dầu khí có thể xác định các nguồn năng lượng mới (Học máy: Nó là gì và tại sao lại có vấn đề. SAS).

Làm thế nào máy học thay đổi nơi làm việc

Dự đoán về máy móc đảm nhận tất cả các công việc của chúng tôi đã tồn tại trong nhiều thập kỷ, nhưng ML cuối cùng sẽ biến điều đó thành hiện thực? Các chuyên gia dự báo công nghệ này đã và sẽ tiếp tục thay đổi nơi làm việc. Nhưng như là lấy đi tất cả các công việc của chúng tôi? Hầu hết các chuyên gia không nghĩ rằng điều đó sẽ xảy ra.

Mặc dù học máy không thể thay thế con người trong tất cả các ngành nghề, nhưng nó có thể thay đổi nhiều nhiệm vụ công việc liên quan đến họ. "Các nhiệm vụ liên quan đến việc đưa ra quyết định nhanh chóng dựa trên dữ liệu phù hợp với các chương trình ML; không phải vậy nếu quyết định phụ thuộc vào chuỗi lý luận dài, kiến ​​thức nền tảng đa dạng hoặc ý thức chung mà Byron nói. Spice là Giám đốc Quan hệ Truyền thông tại Carnegie Mellon Trường Khoa học Máy tính của Đại học (Spice, Byron. Học máy sẽ thay đổi công việc. Đại học Carnegie Mellon. 21 tháng 12 năm 2017).

Trong Tạp chí Khoa học, Erik Brynjolfsson và Tom Mitchell viết, "nhu cầu lao động có nhiều khả năng rơi vào các nhiệm vụ thay thế cho khả năng của ML, trong khi đó có nhiều khả năng tăng cho các nhiệm vụ bổ sung cho các hệ thống này. Hệ thống vượt qua ngưỡng mà nó trở nên hiệu quả hơn so với con người trong một nhiệm vụ, các doanh nhân và nhà quản lý tối đa hóa lợi nhuận sẽ ngày càng tìm cách thay thế máy móc cho con người. Điều này có thể có tác động trong toàn bộ nền kinh tế, tăng năng suất, giảm giá, thay đổi nhu cầu lao động, và tái cấu trúc các ngành công nghiệp (Brynjolfsson, Erik và Mitchell, Tom. Học máy có thể làm gì? Ý nghĩa của lực lượng lao động. Khoa học. 22 tháng 12 năm 2017).

Bạn có muốn một nghề nghiệp trong học máy?

Nghề nghiệp trong học máy đòi hỏi chuyên môn về khoa học máy tính, thống kê và toán học. Nhiều người đến với lĩnh vực này với một nền tảng trong các lĩnh vực đó. Nhiều trường đại học cung cấp chuyên ngành về máy học có cách tiếp cận đa ngành với chương trình giảng dạy bao gồm, ngoài khoa học máy tính, kỹ thuật điện và máy tính, toán và thống kê (16 trường hàng đầu về học máy. AdmissionTable.com).

Đối với những người đã tham gia vào ngành Công nghệ thông tin, việc chuyển đổi sang công việc ML không phải là một bước nhảy vọt. Bạn có thể đã có nhiều kỹ năng bạn cần. Chủ nhân của bạn thậm chí có thể giúp bạn thực hiện quá trình chuyển đổi này. Theo bài báo của Steven Levy, "hiện tại có rất nhiều người là chuyên gia về ML nên các công ty như Google và Facebook đang đào tạo lại các kỹ sư có chuyên môn về mã hóa truyền thống."

Mặc dù nhiều kỹ năng bạn đã phát triển như một chuyên gia CNTT sẽ chuyển sang học máy, nhưng nó có thể hơi khó khăn. Hy vọng rằng, bạn đã tỉnh táo trong các lớp thống kê đại học của mình vì ML dựa vào sự nắm bắt mạnh mẽ về chủ đề đó, cũng như môn toán. Levy viết rằng các lập trình viên phải sẵn sàng từ bỏ toàn bộ quyền kiểm soát mà họ có trong việc lập trình một hệ thống.

Bạn sẽ không gặp may nếu nhà tuyển dụng công nghệ của bạn không cung cấp ML cho Google và Facebook. Các trường cao đẳng và đại học, cũng như các nền tảng học tập trực tuyến như Udemy và Coursera, cung cấp các lớp dạy những điều cơ bản về học máy. Tuy nhiên, điều tối quan trọng là làm tròn chuyên môn của bạn bằng cách tham gia các lớp học thống kê và toán học.

Tiêu đề và thu nhập công việc

Các chức danh công việc chính bạn sẽ bắt gặp khi tìm kiếm một công việc trong lĩnh vực này bao gồm kỹ sư máy học và nhà khoa học dữ liệu.

Các kỹ sư máy học "điều hành các hoạt động của một dự án máy học và chịu trách nhiệm quản lý cơ sở hạ tầng và đường ống dữ liệu cần thiết để đưa mã vào sản xuất." Các nhà khoa học dữ liệu đứng về phía dữ liệu và phân tích của việc phát triển các thuật toán, thay vì phía mã hóa. Họ cũng thu thập, dọn dẹp và chuẩn bị dữ liệu (Zhou, Adelyn. "Tiêu đề công việc trí tuệ nhân tạo: Kỹ sư máy học là gì?" Forbes. 27 tháng 11 năm 2017).

Dựa trên đệ trình của người dùng từ những người làm việc trong các công việc này, Glassdoor.com báo cáo rằng các kỹ sư và nhà khoa học dữ liệu ML có mức lương cơ bản trung bình là 120.931 đô la. Mức lương dao động từ mức thấp 87.000 đô la đến mức cao 158.000 đô la (Mức lương kỹ sư máy học. Glassdoor.com. Ngày 1 tháng 3 năm 2018). Mặc dù Glassdoor nhóm các tiêu đề này, có một số khác biệt giữa chúng.

Yêu cầu đối với công việc học máy

Các kỹ sư ML và các nhà khoa học dữ liệu làm các công việc khác nhau, nhưng có rất nhiều sự chồng chéo giữa chúng. Thông báo công việc cho cả hai vị trí thường có yêu cầu tương tự. Nhiều nhà tuyển dụng thích bằng cử nhân, thạc sĩ hoặc tiến sĩ về khoa học máy tính hoặc kỹ thuật, thống kê hoặc toán học.

Để trở thành một chuyên gia học máy, bạn sẽ cần sự kết hợp các kỹ năng kỹ thuật Các kỹ năng học được ở trường hoặc trong công việc, các kỹ năng mềm. Kỹ năng mềm là những khả năng của một người mà họ không học trong lớp, mà thay vào đó được sinh ra với hoặc có được thông qua kinh nghiệm sống. Một lần nữa, có rất nhiều sự chồng chéo giữa các kỹ năng cần thiết cho các kỹ sư ML và các nhà khoa học dữ liệu.

Thông báo công việc tiết lộ rằng những người làm việc trong các công việc kỹ thuật ML nên quen thuộc với các khung công tác máy học như TensorFlow, Mlib, H20 và Theano. Họ cần một nền tảng vững chắc về mã hóa bao gồm kinh nghiệm với các ngôn ngữ lập trình như Java hoặc C / C ++ và các ngôn ngữ kịch bản như Perl hoặc Python. Chuyên môn về thống kê và kinh nghiệm sử dụng các gói phần mềm thống kê để phân tích các bộ dữ liệu lớn cũng nằm trong số các thông số kỹ thuật.

Một loạt các kỹ năng mềm sẽ cho phép bạn thành công trong lĩnh vực này. Trong số đó là sự linh hoạt, khả năng thích ứng và sự kiên trì. Phát triển một thuật toán đòi hỏi rất nhiều thử nghiệm và sai sót, và do đó, sự kiên nhẫn. Người ta phải kiểm tra một thuật toán để xem nó có hoạt động không và nếu không, hãy phát triển một thuật toán mới.

Kỹ năng giao tiếp tuyệt vời là rất cần thiết. Các chuyên gia học máy, những người thường làm việc theo nhóm, cần có kỹ năng nghe, nói và giao tiếp tốt hơn để cộng tác với những người khác và cũng phải trình bày những phát hiện của họ cho các đồng nghiệp của họ. Ngoài ra, họ nên là những người học tích cực có thể kết hợp thông tin mới vào công việc của họ. Trong một ngành công nghiệp mà sự đổi mới được coi trọng, người ta phải sáng tạo để vượt trội.