Banen in het opkomende gebied van machinaal leren

Aan de bovenkant van LinkedIn's 2017 US Emerging Jobs Report waren twee beroepen in het gebied Machine Learning: Machine Learning Engineer en Data Scientist. De werkgelegenheid voor ingenieurs voor machine learning groeide tussen 2012 en 2017 met 9,8 keer en de banen van data scientist namen in dezelfde periode van vijf jaar 6,5 keer toe. Als de trend zich voortzet, zullen deze beroepen een werkgelegenheidsvooruitzicht hebben dat vele andere beroepen overtreft. Met een toekomst die zo helder is, zou een baan op dit gebied geschikt voor u kunnen zijn?

Wat is Machine Learning?

Machine learning (ML) is precies hoe het klinkt. Deze technologie houdt in het aanleren van machines om specifieke taken uit te voeren. In tegenstelling tot traditionele codering met instructies die computers vertellen wat ze moeten doen, biedt ML hen gegevens waarmee ze het zelf kunnen uitzoeken, net zoals een mens of dier dat zou doen. Klinkt als magie, maar dat is het niet. Het gaat om de interactie van computerwetenschappers en anderen met aanverwante expertise. Deze IT-professionals maken programma's met de naam algoritmen - verzamelingen regels die een probleem oplossen - en geven hen vervolgens grote sets gegevens waarmee ze voorspellingen kunnen doen op basis van deze informatie.

Machinaal leren is een "deelverzameling van kunstmatige intelligentie waarmee computers taken kunnen uitvoeren waarvoor ze niet expliciet zijn geprogrammeerd" (Dickson, Ben. Vaardigheden die u nodig hebt om een ​​machine-leerbaan te landen.) Carrièrezoeker 18 januari 2017.) In de loop der jaren is het gecompliceerder en toch alledaagser geworden. Steven Levy schrijft in een artikel dat spreekt over de prioriteit die Google geeft aan het leren van machines en omscholing van de ingenieurs van het bedrijf: "Machinaal leren werd jarenlang beschouwd als een specialiteit, beperkt voor een elite weinigen.

Dat tijdperk is voorbij, omdat recente resultaten aangeven dat machine learning, aangedreven door "neurale netwerken" die de manier waarop een biologisch brein werkt emuleren, het ware pad is naar het imputeren van computers met de krachten van mensen, en in sommige gevallen, supermensen "(Levy, Steven, hoe Google zichzelf herstelt als machine die het eerste bedrijf bedraad is, 22 juni 2016).

Hoe wordt machinaal leren gebruikt in de 'echte wereld'? De meesten van ons komen deze technologie dagelijks tegen zonder er veel over na te denken. Wanneer u Google of een andere zoekmachine gebruikt, zijn de resultaten bovenaan de pagina het resultaat van machine learning. De voorspellende tekst, evenals de soms verguisde autocorrectie op de sms-app van uw smartphone, zijn ook het resultaat van machinaal leren. Aanbevolen films en nummers op Netflix en Spotify zijn verdere voorbeelden van hoe we deze snelgroeiende technologie gebruiken terwijl we deze nauwelijks opmerken.

Meer recent introduceerde Google Smart Reply in Gmail. Aan het einde van een bericht geeft het een gebruiker drie mogelijke antwoorden op basis van de inhoud. Uber en andere bedrijven testen momenteel zelfrijdende auto's.

Industrieën die machinaal leren gebruiken

Het gebruik van machine learning reikt veel verder dan de technische wereld. SAS, een softwarebedrijf met analyses, meldt dat veel industrieën deze technologie hebben overgenomen. De financiële sector gebruikt ML om beleggingskansen te identificeren, beleggers te laten weten wanneer ze moeten handelen, om te herkennen welke klanten risicovolle profielen hebben en om fraude op te sporen. In de gezondheidszorg helpen algoritmen bij het diagnosticeren van ziekten door abnormaliteiten op te pikken.

Heeft u ooit de vraag gesteld: "Waarom is een advertentie voor dat product die ik overweeg om te kopen op elke webpagina die ik bezoek?" ML biedt de marketing- en verkoopsector de mogelijkheid om consumenten te analyseren op basis van hun koop- en zoekgeschiedenis. De aanpassing van deze technologie door de transportsector detecteert potentiële problemen op routes en helpt ze efficiënter te maken. Dankzij ML kan de olie- en gasindustrie nieuwe energiebronnen identificeren (Machine Learning: What It Is and Why It Matters. SAS).

Hoe Machine Learning de werkplek verandert

Voorspellingen over machines die al onze banen overnemen, bestaan ​​al tientallen jaren, maar zal ML dat eindelijk realiseren? Experts voorspellen dat deze technologie de werkplek heeft en zal blijven veranderen. Maar wat betreft het afnemen van al onze banen? De meeste experts denken niet dat dit zal gebeuren.

Hoewel machine learning niet de plaats van de mens in alle beroepen kan innemen, kan dit veel van de taken die ermee samenhangen, veranderen. "Taken waarbij snelle beslissingen op basis van gegevens moeten worden genomen, zijn goed geschikt voor ML-programma's, niet als de beslissing afhankelijk is van lange redeneerketens, uiteenlopende achtergrondkennis of gezond verstand", zegt Byron Spice, directeur Media Relations bij Carnegie Mellon. University's School of Computer Science (Spice, Byron, Machine Learning zal banen veranderen.) Carnegie Mellon University.

21 december, 2017).

In Science Magazine schrijven Erik Brynjolfsson en Tom Mitchell: "De vraag naar arbeidskrachten zal eerder dalen voor taken die een goede vervanging zijn voor de ML-mogelijkheden, terwijl de kans groter is dat deze zal toenemen voor taken die complementair zijn aan deze systemen. systeem overschrijdt de drempel waar het voor een taak kosteneffectiever is dan mensen, een winstmaximaliserende ondernemer en manager zullen in toenemende mate mensen proberen te vervangen, dit kan in de hele economie effect sorteren, de productiviteit verhogen, prijzen verlagen, de vraag naar arbeid verschuiven, en herstructureringsindustrieën (Brynjolfsson, Erik en Mitchell, Tom.

Wat kan machinaal leren doen? Implicaties voor het personeel. Wetenschap. 22 december, 2017).

Wil je een carrière in Machine Learning?

Carrières in machine learning vereisen expertise in informatica, statistiek en wiskunde. Veel mensen komen naar dit veld met een achtergrond op die gebieden. Veel hogescholen die een major in machine learning aanbieden, kiezen voor een multidisciplinaire aanpak met een curriculum dat, naast computerwetenschap, elektrische en computertechnologie, wiskunde en statistiek omvat (Top 16 Scholen voor Machine Learning. AdmissionTable.com).

Voor degenen die al betrokken zijn bij de IT-industrie, is de overgang naar een ML-baan geen grote stap vooruit. Je hebt misschien al veel van de vaardigheden die je nodig hebt. Uw werkgever kan u zelfs helpen deze overstap te maken. Volgens het artikel van Steven Levy: "momenteel zijn er niet veel mensen die expert zijn in ML, dus bedrijven zoals Google en Facebook herscholen ingenieurs wier expertise ligt in de traditionele codering."

Hoewel veel van de vaardigheden die u als IT-professional hebt ontwikkeld, worden overgedragen naar machine learning, kan het een beetje uitdagend zijn. Hopelijk ben je wakker gebleven tijdens je collegestatistieken omdat ML afhankelijk is van een goed begrip van dat onderwerp, evenals wiskunde. Levy schrijft dat codeerders bereid moeten zijn om de totale controle die ze hebben over het programmeren van een systeem op te geven.

Je hebt geen pech als je technische werkgever de ML-herscholing niet aanbiedt Google en Facebook zijn. Hogescholen en universiteiten, evenals online leerplatforms zoals Udemy en Coursera, bieden lessen aan die de basis van machinaal leren leren. Het is echter van cruciaal belang om je expertise te voltooien door stats en wiskundelessen te volgen.

Taaktitels en verdiensten

De primaire functietitels die u tegenkomt als u op zoek bent naar een baan op dit gebied, zijn onder meer machine learning engineer en data scientist.

Machinaal lerende ingenieurs "voeren de bewerkingen uit van een machine learning project en zijn verantwoordelijk voor het beheer van de infrastructuur en datapijplijnen die nodig zijn om code tot productie te brengen." Datawetenschappers zijn aan de data- en analysezijde van het ontwikkelen van algoritmen, eerder dan de coderende kant. Ze verzamelen, reinigen en bereiden ook gegevens voor (Zhou, Adelyn. "Titels met betrekking tot de kunstmatige-intelligentie-opdracht: wat is een machinelearner-technicus?" Forbes, 27 november, 2017).

Op basis van gebruikersinzendingen van mensen die in deze banen werken, meldt Glassdoor.com dat ML-ingenieurs en datawetenschappers een gemiddeld basissalaris van $ 120.931 verdienen. Salarissen variëren van een minimum van $ 87.000 tot een maximum van $ 158.000 (Machine Learning Engineer Salarissen. Glassdoor.com. 1 maart 2018). Hoewel Glassdoor deze titels groepeert, zijn er enkele verschillen tussen beide.

Vereisten voor de machineleeropdrachten

ML-ingenieurs en datawetenschappers doen verschillende taken, maar er is veel overlap tussen hen. Jobaankondigingen voor beide functies hebben vaak vergelijkbare vereisten. Veel werkgevers geven de voorkeur aan bachelor-, master- of doctoraatsdiploma's in informatica of engineering, statistiek of wiskunde.

Om een ​​machine-learningprofessional te zijn, hebt u een combinatie van technische vaardigheden nodig die op school of op het werk zijn geleerd, en soft skills. Zachte vaardigheden zijn iemands vaardigheden die ze niet in de klas leren, maar in plaats daarvan worden geboren met of verworven door levenservaring. Nogmaals, er is veel overlap tussen de vereiste vaardigheden voor ML-ingenieurs en datawetenschappers.

Jobaankondigingen laten zien dat degenen die in ML Engineering Jobs werken bekend moeten zijn met frameworks voor machinaal leren, zoals TensorFlow, Mlib, H20 en Theano. Ze hebben een sterke codeerachtergrond nodig, inclusief ervaring met programmeertalen zoals Java of C / C ++ en scriptingtalen zoals Perl of Python. Expertise in statistiek en ervaring met behulp van statistische softwarepakketten om grote datasets te analyseren behoren ook tot de specificaties.

Met een verscheidenheid aan soft skills kun je slagen op dit gebied. Onder hen zijn flexibiliteit, aanpassingsvermogen en doorzettingsvermogen. Het ontwikkelen van een algoritme vereist veel vallen en opstaan ​​en daarom geduld. Men moet een algoritme testen om te zien of het werkt en, zo niet, een nieuw algoritme ontwikkelen.

Uitstekende communicatieve vaardigheden zijn essentieel. Machinaal lerende professionals, die vaak aan teams werken, hebben superieure luister-, spreek- en interpersoonlijke vaardigheden nodig om met anderen samen te werken en moeten hun bevindingen ook aan hun collega's presenteren. Ze moeten bovendien actieve studenten zijn die nieuwe informatie kunnen opnemen in hun werk. In een sector waar innovatie wordt gewaardeerd, moet men creatief zijn om uit te blinken.