Talking About AI - чат у камина от AI Space.
Говоря об ИИ: области и специализации ИИ
Аналитика данных. Наука о данных. Инженерия данных. AI Engineering.
Что это за модные словечки? Какие проблемы решают профессионалы в этих областях? С какой специализации ИИ мне следует начать свою карьеру как новичку?
Мы пригласили двух профессионалов в области искусственного интеллекта: Хуэй Сян Чуа, старший менеджер по аналитике, Essence, и Сидни Тио, старший инженер по искусственному интеллекту, AI. Сингапур - поделиться своим опытом в различных областях и специализациях в области искусственного интеллекта.
Ниже мы документируем их ответы на некоторые вопросы / темы, о которых мы говорили в первом выпуске Talking About AI.
Эта статья является частью серии чатов у камина под названием «Говоря об ИИ», представленной AI Space. В эпизоде 1 «Домены и специализации ИИ» профессионалы отрасли ИИ поделились своими историями и опытом о различных ролях в ИИ.
Присоединяйтесь к сообществу AI Space на нашем канале Discord!
В чем разница между ролями в ИИ?
Хуэй Сян:
Я начал с роли более низкого уровня сложности. В своей первой роли аналитика данных я запрашивал данные из баз данных, собирал данные из разных источников вместе и помещал их в различные форматы данных для политиков. Я больше сосредоточился на SQL и статистическом анализе.
Впоследствии я стал бизнес-аналитиком и работал с разными бизнес-подразделениями, у которых были разные бизнес-задачи. Например, группа обслуживания клиентов хотела знать, как сократить время выполнения заказа. Чтобы решить эту проблему, мы нарисовали типичный путь клиента и определили вопросы, которые могут возникнуть у клиента в различных точках его взаимодействия. Затем мы попытались ответить на эти вопросы на самом первом этапе взаимодействия. Если клиент все же вернулся в службу поддержки клиентов в нескольких других точках взаимодействия, мы отметим это, чтобы проанализировать, как мы можем улучшить процесс обслуживания клиентов, что приведет к сокращению времени обработки.
После этого я присоединился к сообществу Data Science for Social Good. Эта конкретная роль в области науки о данных связана с прогнозным моделированием. Раньше в качестве аналитика данных я занимался повествованием историй и описательным анализом с использованием данных, в то время как в этой роли специалиста по данным я занимался в основном оптимизацией моделей и прогнозным анализом.
Затем этот опыт привел меня к моей нынешней должности инженера данных. Инжиниринг данных увеличивает ценность в начале типичного конвейера данных, собирая качественные данные и используя эти качественные данные для создания хранилища данных. В очень широком смысле роли, основная задача инженера по обработке данных состоит в создании конвейеров данных, которые поддерживают качество потока данных от ввода к выводу.
Мне приходилось использовать множество инструментов в этих различных ролях, в которых я работал. Когда я был аналитиком данных, я использовал R; в роли бизнес-аналитика я использовал Tableau; В моей текущей роли инженера данных я использую Google Cloud Platform, Airflow и Python.
Сидни:
Я хотел бы добавить немного больше о различных ролях, которые выполнял Хуэй Сян.
Аналитик данных также оценивает, какой анализ можно провести с набором данных. Вопрос, который задает аналитик данных: «Какие у меня проблемы и что мои данные говорят мне об этом?». Речь идет о повествовании и сборе информации по кусочкам. Когда я был аналитиком данных, я использовал Tableau, Excel и PowerPoint.
В настоящее время я инженер по искусственному интеллекту. Применение машинного обучения к проблеме обычно означает применение (иногда сложной) модели для решения проблемы. Как инженер искусственного интеллекта, аспект инжиниринга становится в центре внимания - принося наибольшую выгоду с точки зрения ценности для клиента за счет развертывания работающей модели. Дело не в том, чтобы каждый раз использовать самую сексуальную модель. Иногда линейный регрессор превосходит модель глубокого обучения с точки зрения максимальной отдачи от вложенных средств.
При развертывании моделей в производстве вы обязательно будете каждый раз сталкиваться с множеством уникальных проблем. Допустим, ваш клиент хочет, чтобы вы использовали модель оценки позы в мобильном приложении. Хотя исследования показывают, что модели глубокого обучения могут давать высокие оценки точности, иногда нецелесообразно использовать наиболее сложные модели глубокого обучения. Сложные, современные модели могут означать большую модель, и пользователи приложения не могут ждать 30 секунд, пока модель сделает прогноз. Иногда самые простые модели могут оказаться самым элегантным решением. Тем не менее, хорошо знать о новых технологиях и знать, как мы потенциально можем их использовать.
Есть ли карьерный путь, который вы бы порекомендовали новичку без образования в области ИИ?
Сидни:
В то время, когда люди только начинали понимать науку о данных (это было пять лет назад), каждый хотел получить кусок «пирога науки о данных». Все хотели включить науку о данных в свои решения, и все хотели нанять любого, кто был бы квалифицирован для выполнения этой работы. По моему опыту, это перешло в описания должностей, которые были очень двусмысленными: «Вам нужна докторская степень в… Вам нужны знания предметной области… Вам нужно знать SQL, Spark и Hadoop. Тебе надо …". По сути, в то время в описаниях должностей искалось то, что я называю «единорогами» (мистический человек, который может все), и это просто стало своего рода мемом.
В наши дни, когда область науки о данных развивается и становится все более популярной, компании и менеджеры по найму больше осведомлены о нюансах и требованиях технической роли, на которую они нанимают. Таким образом, вы обнаружите, что в наши дни описания должностей более конкретны, чем раньше. Думаю, это хорошо для новичков.
Проблема для большинства новичков - знать, что они могут сделать с навыками, полученными на массовых открытых онлайн-курсах (МООК), таких как Coursera. Важно начать свой собственный проект, даже если он находится на Jupyter Notebook. Вы исследуете, что вам удобно, а что нет. Так что я определенно рекомендую начать с этого.
Хуэй Сян:
Я бы сказал, что конечная цель почти для каждого - получить работу, которую мы хотим. Частью достижения этого является понимание того, что требуется для этой работы, например, обращение к должностным инструкциям. Оттуда вы узнаете о конкретных технологиях, которые требуются. Овладение этими навыками и технологиями повлияет на то, куда вы пойдете дальше. Ваша работа, вероятно, будет основываться на ваших текущих навыках. Оттуда вы можете попробовать, нравится ли вам это. Если это не так, вы всегда можете получить новые навыки и переключиться на другие роли. По сути, важно понимать, какие навыки необходимы для работы вашей мечты, а также изучать и применять их.
Как вы подпитывали свою мотивацию работать в этой сфере и что заставляет вас двигаться дальше?
Хуэй Сян:
Мне нравится узнавать новое. Хотя инструменты постоянно меняются, мне нравится приобретать новые инструменты. Это делает меня более пригодным для работы, требующей этих новых инструментов или опыта.
Сидни:
ИИ растет с безумной скоростью каждый день - каждый год мы получаем новую модель. Если бы это была «Улица Сезам», каждый год у нас был бы новый персонаж «Улицы Сезам».
Некоторое время я занимался сверточными нейронными сетями (CNN). CNN раньше были моделью для задач компьютерного зрения. Буквально в прошлом месяце была выпущена новая модель, использующая только многослойные перцептроны (MLP) или плотные слои, и ее новейшие результаты буквально взорвали все. Большую часть времени в области ИИ вы можете думать, что хорошо разбираетесь в текущих моделях и теориях, а затем кто-то приходит к новой идее, которая бросает вызов этим существующим теориям. Это постоянно развивающееся качество искусственного интеллекта поддерживает мою мотивацию.
Когда я вижу приложения ИИ, такие как беспилотные автомобили, я задаюсь вопросом, что нас ждет в будущем. Это заставляет меня учиться и учиться каждый день.
[Конец конвоя]
Для того, кто только начинает знакомиться с искусственным интеллектом, количество жаргонов может быть очень пугающим. Может даже показаться, что практикующему ИИ нужно знать все, чтобы повысить ценность его использования или получить работу в ИИ. Хотя это правда, что в ИИ много жаргонов, мы думаем, что их определенно можно выучить на протяжении всей вашей карьеры в ИИ. Технические навыки можно развивать по ходу дела, даже на работе.
Независимо от того, являетесь ли вы новичком, изучающим область искусственного интеллекта, или профессионалом в области искусственного интеллекта, путешествие в области искусственного интеллекта и в него - это непрерывный процесс обучения. Может быть, сложно ориентироваться в этой области, но вы не одиноки. Загляните в AI Space, где вы сможете встретиться с другими энтузиастами AI и вместе изучить AI.
