Algunas preguntas comunes sobre cómo ingresar a la IA
Sin embargo, cuando la mayoría de las empresas contratan ingenieros en IA, exigen que los solicitantes tengan una maestría en una especialización relacionada y otras especialidades académicas. Como persona que cambia de carrera, ¿cómo debería mejorar su experiencia profesional?
Ante esta situación, la sugerencia del autor es: empezar por mi campo profesional original.
Por ejemplo, un ingeniero de automatización en la industria manufacturera original debe estar familiarizado con varios equipos de producción industrial, conocer varios motores y sensores y conocer el significado físico de las señales de salida de estos equipos.
Por lo tanto, cuando los métodos de aprendizaje automático se utilizan en campos industriales, los ingenieros de automatización tienen ventajas considerables en la ingeniería de características. El conocimiento en estos campos no es comparable al de aquellos que se dedican exclusivamente al aprendizaje automático.
Al menos en esta etapa, la implementación real del aprendizaje automático y el aprendizaje profundo se basa principalmente en datos: poder convertir problemas reales en valores numéricos para el cálculo es más importante que realizar el cálculo en sí ( algoritmo) refinado.
Por lo tanto, si las personas que cambian de carrera pueden aprovechar al máximo su experiencia profesional anterior en lugar de descartarla, entonces la especialización anterior se convertirá en una ventaja. Considerando esto como un gran avance, recurrir a la IA puede ser más fácil que estudiar una carrera.
Además, muchas industrias ahora están probando AI+ y aplicando tecnología de IA a negocios tradicionales. En este contexto, si desea cambiar a puestos de IA, también podría buscar oportunidades en su propia industria primero.
Tal vez tu unidad actual esté realizando o preparándose para realizar un proyecto de IA+, puedes intentar unirte primero. Después de todo, generalmente es más fácil encontrar contenido laboral nuevo dentro de una organización que cambiar de trabajo.
Cuando muchas empresas intentan la transformación de la IA, contratan consultores con experiencia en IA para que les proporcionen planes y soluciones.
Los empleados externos tienen conocimientos y habilidades de aprendizaje automático, pero no están familiarizados con el campo empresarial y necesitan ayuda de personas de la industria. En este momento, depende de si usted puede convertirse en su ayudante y aprender la aplicación de la IA en campos prácticos mediante la cooperación con profesionales.
Suponiendo que pueda tener este tipo de experiencia, o al menos tener un conocimiento profundo de los datos de su propia industria y haber pensado y probado aplicaciones comerciales, tendrá experiencia práctica en IA en XX industria. No es necesario leer libros ni jugar juegos para mejorar sus conocimientos.
Este problema también es relativamente típico.
Objetivamente hablando, si una persona solicita un posgrado en inteligencia artificial, o estudia en casa durante dos o tres años, y luego solicita un trabajo, ¿realmente mejorará su competitividad?
Aunque la formación académica es un plus, el autor no recomienda el enfoque de "esperar dos años antes de incorporarse al trabajo".
En primer lugar, cuando una persona tiene esta idea, en realidad es una señal de miedo a las dificultades. Para decirlo sin rodeos, "esperar dos años" es una vía de escape, no un plan.
Si no actúas ahora, a menudo no estarás aprendiendo realmente, sino que te rendirás de ahora en adelante.
Además, incluso si algunas personas no se dan por vencidas y realmente van a la escuela, no olvidemos que existe un período ventana para el rápido crecimiento de cualquier industria.
La inteligencia artificial se encuentra actualmente en ese período de ventana. Debido a que la demanda supera con creces la oferta, brinda oportunidades para que una gran cantidad de personas sin formación académica ingresen a la industria.
Sin embargo, esa ventana es fugaz. Probablemente estará cerrado en uno o dos años, y probablemente en tres o cuatro años. En ese momento, si quieres unirte a AI, no solo necesitarás estudiar por tu cuenta, sino que también necesitarás tener un diploma.
Si desea ingresar a la industria en lugar de apresurarse por ganar tiempo, puede hacerlo cuando la ventana esté disponible, pero estará esperando allí, por lo que lo más probable es que pierda la oportunidad.
Cabe decir que la probabilidad de lograr gradualmente un ascenso laboral en la industria no es cero, pero de hecho la posibilidad es muy pequeña.
Para un individuo, si ingresa a la industria con el puesto de "hacer datos", ya se ha etiquetado a sí mismo y otros usarán esto para clasificarlo.
Los trabajos de diferente dificultad tienen diferentes umbrales y las personas naturalmente les pondrán límites. La promoción del trabajo de datos al trabajo de ingeniería requiere romper un techo.
En realidad, pocas personas pueden realmente traspasar el techo. Es más, esta ya pequeña posibilidad todavía está sujeta a la tendencia general de la industria.
Cuando hay una gran brecha laboral en la industria, es relativamente fácil ingresar.
Si una persona ingresara a la industria desde el etiquetado de datos hace unos años, tendría acceso a muchos expertos en algoritmos e ingenieros de aprendizaje automático. Estudió mucho durante el proceso del proyecto mientras esperaba oportunidades. Trabajos como el de ingeniero de aprendizaje automático necesitarán urgentemente talento durante algún tiempo. Una vez que haya una vacante en el proyecto, se apresurará allí.
El jefe sabe que se trata de una persona confiable que está dispuesta a aprender, tiene la capacidad de aprender y ha trabajado con datos, por lo que puede darle la oportunidad de avanzar.
Sin embargo, a medida que pase el tiempo y en el futuro, cuanto menor sea la brecha en la industria, más probable será este cambio de carrera.
Por eso, el autor recomienda que si quieres convertirte en ingeniero de aprendizaje automático, estudies mucho con este objetivo en mente. No lo dudes, no esperes, no escapes, ¡empieza a aprender ahora!
Primero debemos distinguir entre investigación y práctica de la ingeniería.
Si desea investigar, vaya a una universidad, un instituto de investigación o un instituto de investigación de una gran empresa para convertirse en un científico de algoritmos. Puede centrarse en una tecnología específica, como el aprendizaje por refuerzo.
Supongamos que solo quieres estudiar aprendizaje por refuerzo, luego puedes ir a universidades, institutos de investigación y algunas empresas que están a la vanguardia en este campo, como Facebook y DeepMind, puedes postularte para trabajos y hacer investigación de algoritmos. Por supuesto, generalmente se necesita al menos un doctorado para llegar a este punto.
Pero si quieres hacer ingeniería y prepararte para postularte para puestos técnicos de ingeniería, no utilizarás una determinada tecnología para diferenciarte.
En la industria, la distinción entre campos está orientada al producto y el objetivo es una dirección de aplicación, como el reconocimiento facial y el reconocimiento de voz.
En la dirección de la aplicación, el tipo de tecnología que se utiliza depende de las necesidades del momento. Eso no significa que para hacer visión por computadora, solo puedas usar CNN. Para resolver problemas prácticos, los resultados de diversos círculos académicos a menudo se utilizan de manera integral y se mejoran de acuerdo con restricciones y requisitos específicos.
En este proceso, el uso de una determinada tecnología depende de si la tecnología puede soportar la resolución de requisitos. Si el equipo objetivo, el personal y el tiempo permiten el uso de esta tecnología; si su jefe está motivado para probar esto, etc...
Se utilizan muchas herramientas en el proceso de hacer ingeniería, y si se está haciendo. ingeniería ¡Aún investigando, debes tener los conocimientos más básicos!
Se deben dominar los modelos clásicos de aprendizaje automático, las redes comunes de aprendizaje profundo y todo el proceso de entrenamiento e inferencia (predicción) de modelos.
Si está especialmente interesado en una determinada aplicación, como la predicción de acciones, puede probarla usted mismo primero. Después de todo, los datos bursátiles están en todas partes.
Aunque muchos talentos e instituciones han intentado durante mucho tiempo resolver el problema de invertir en acciones mediante el aprendizaje automático, hasta ahora, en términos de predicción de acciones a largo plazo, las máquinas han sido completamente derrotadas por los humanos.
Si desea dedicarse a las finanzas en Internet o ir a una empresa financiera para realizar aprendizaje automático, todavía hay puestos correspondientes que puede encontrar, pero parece que no existe ningún tipo de puesto en la industria que le permita sentarse allí todo el día simplemente prediciendo los precios de las acciones.
En cuanto a la implementación de la IA en la atención médica, no es un problema técnico, sino un problema de barreras institucionales y de adquisición de datos.
Para crear IA médica, primero debes poder conectarte con los hospitales. Incluso si existe un canal para hacer esto, una gran cantidad de casos están escritos a mano y la letra del médico está ahí. ¿Hay alguna forma de utilizar una computadora para gestionarlo electrónicamente?
El primer paso para obtener datos es un problema que el tratamiento médico AI+ aún no ha resuelto. Sin siquiera las estadísticas y la gestión de datos más básicas, ¿cómo podemos hablar de análisis de datos e IA?
Hablando de pruebas escritas y entrevistas, todas las pruebas escritas y entrevistas comenzarán con conocimientos básicos.
Por ejemplo, durante una entrevista, el entrevistador suele elegir un modelo clásico (regresión lineal en los primeros años, regresión logística en los últimos dos años y ahora puede haber llegado a SVM) y le preguntará qué ¿Cuál es su función modelo? ¿Cuál es la función objetivo? ¿Qué algoritmos de optimización existen? Luego vea si puede escribir la fórmula de la función con claridad y explicar el proceso paso a paso.
No seas demasiado utilitario. Es bueno tener un objetivo profesional específico, pero antes de alcanzar este objetivo, primero debes dominar los conceptos básicos.
Aprende los modelos más clásicos, como regresión lineal, regresión logística, naive Bayes, árbol de decisión, SVM, HMM, CRF, clustering, GMM, PCA, etc.
Detente y sienta unas buenas bases, y cuando llegue el momento de la entrevista, naturalmente podrás responder a las preguntas.