Я сопровождал немало аспирантов и постдоков при переходе на работу в промышленности. Даже на более поздних стадиях — то есть, когда доктора наук проработали 5 лет и более — эта смена карьеры, как правило, осуществляется за несколько месяцев.

Спрос на новые таланты в области науки о данных и искусственного интеллекта (ИИ) растет, особенно на хорошо умеющих считать аспирантов, имеющих опыт работы с числами, изображениями, текстом и речью; и предыдущий опыт использования Python, R и/или SQL.

Когда я провожу собеседования с кандидатами на переход к науке о данных, я больше всего беспокоюсь о следующем:

  1. Проверка биографических данных на когнитивные способности и опыт работы с данными,
  2. Мотивация перехода к науке о данных или ИИ, а также
  3. Чувство направления или пункта назначения при совершении этого движения. К какой области или отрасли вы хотите присоединиться?

При управлении вашим переходом предыдущий опыт программирования на Python или R очень полезен, но не обязателен, поскольку его можно быстро приобрести с помощью сочетания книг, онлайн-обучения и иммерсивного опыта программирования.

Предоставляя аспирантам и постдокам возможность перейти к науке о данных и искусственному интеллекту, я хотел бы сделать следующее:

  1. Поделитесь некоторыми результатами информационной кампании, которую я проводил для аспирантов и постдоков по всей Германии.
  2. Обсудите некоторые плюсы и минусы продолжения работы в академических кругах или перехода в промышленность, которые были выявлены на семинарах, которые я проводил до сих пор.
  3. Устраните разрыв между наукой и наукой о данных и узнайте, как вы могли бы сократить этот разрыв, чтобы менеджер по найму увидел вас как «готового к производству», например. возможность улучшать и развертывать прогностические модели.
  4. Посмотрите, как составление отраслевого резюме может ускорить ваш переход, который после начала работы займет у вас от 6 до 9 месяцев.

10 000 специалистов по данным для Европы — это информационная кампания доктора наук, которую я провел в Геттингене, Бонне, Кельне, Тюбингене, Штутгарте, Гейдельберге, Фрайбурге и Карлсруэ, а также провел несколько небольших семинаров в Берлине. На 12 семинарах было зарегистрировано 576 участников, и я собрал отзывы от 236 участников.

Некоторые результаты:

  • Крупнейшими мастерскими были Гейдельберг (109), Бонн (98), а также Тюбинген и Геттинген (76).
  • Более 60% респондентов считают весьма вероятным переход к науке о данных, и более четверти уверены в этом.
  • Более 60% хотят перейти в течение 12 месяцев или раньше.
  • Более 80% имеют опыт программирования на Python или R.
  • 4 из 10 могут представить себя соучредителями стартапа, основанного на искусственном интеллекте.

На семинаре я прошу участников обсудить, что означает продолжение академической карьеры или смена карьеры путем перехода в промышленность. Конечно, имеет значение, занимаетесь ли вы докторской степенью, уже являетесь постдоком или уже имеете опыт работы в отрасли. Тем не менее, некоторые важные моменты выявились.

В то время как низкая заработная плата, временные контракты и статистические шансы на достижение устойчивой академической карьеры являются большим препятствием, «академическая мечта» живет у многих, кто делает упор на свободу, страсть и личное удовлетворение, которые приходят с исследованиями. Из семинара у меня есть данные, свидетельствующие о том, что большинство из них зарабатывают менее 40 000 евро в год в академических кругах, в то время как я считаю разумным просить 60 000 евро или больше как специалист по данным с докторской степенью.

Более критический подход заключается в том, что структура научных кругов требует сужающейся специализации, которая увеличивает личный риск (например, более поздней безработицы), в то время как переход в промышленность позволяет создавать более широкий портфель проектов, методов и технических навыков. Я поддерживаю людей в этом переходе и вижу, что через два-три года был достигнут значительный карьерный рост, например. переходя к более старшим ролям.

Большинство аспирантов и постдоков связывают переход в промышленность — в общем — с большей безопасностью, стабильностью и доходом. Интересно, что многие также ожидают расширения возможностей за счет достижения реальных результатов за счет разработки продуктов для науки о данных. И да, часто есть интерфейс, например. клиентский опыт, доход от бизнеса, исследования и разработки.

Как ведущий семинара, я могу предложить дополнительные наблюдения, касающиеся различий между академическими кругами и промышленностью:

  • Существенная разница заключается в том, что начинающие исследователи часто работают индивидуально с более длительными временными рамками, чтобы опубликовать свои результаты, в то время как отраслевые группы работают в более короткие циклы, возможно, с ежедневными процедурами развертывания.
  • Возможно, самая большая проблема при уходе из академии спустя много лет — это усвоить идею использования бизнес-кейсов. Важно не признание коллег, а обратная связь с пользователями и платежеспособные клиенты.
  • Промышленность и стартапы ожидают от специалиста по данным, готового к производству, поэтому выделение некоторого времени для проекта по науке о данных с продемонстрированным и воспроизводимым результатом ценно для достижения желаемой первой позиции.

Чтобы расширить возможности аспирантов и постдоков в их переходе к науке о данных и устранить любые пробелы, я составил простую дорожную карту. Предлагаю организовать переход в четыре этапа:

  1. Изучение области: во-первых, почувствуйте и поймите роль специалиста по данным, используя, например, курсов, хакатонов, митапов и интервью с практикующими учеными данных и надежными рекрутерами. Для вас это должно привести к решению остановиться/идти.
  2. Ориентация на домен: какую область или отрасли вы рассматриваете? Вас больше интересует компьютерное зрение, большие данные или понимание естественного языка? Для здравоохранения, финансов или автомобильной промышленности? Рассматривая варианты, ищите индикаторы того, насколько высок или низок входной барьер. Например: Насколько новый продукт? Насколько велика отрасль? Активно ли нанимают стартапы и должна ли более широкая отрасль последовать их примеру (например, автономное вождение)?
  3. Дальнейшее обучение (если таковое имеется): Ваши взаимодействия дадут вам представление о том, требуется ли дальнейшее обучение для успешного перехода. Если вы сомневаетесь, вы также можете взаимодействовать с поставщиками обучения (например, учебными лагерями по науке о данных), чтобы узнать, что помогает их выпускникам нанимать в интересующей вас области.
  4. Начало карьеры: я считаю, что вы хотите, чтобы кривая обучения была крутой, поэтому команда с хорошим послужным списком в оживленной городской среде может быть первым выбором. На хороший послужной список указывает растущая команда, члены команды остаются как минимум на два года и более, продукт на рынке и растущие доходы.

Есть способ, с помощью которого вы можете сделать свой переход к науке о данных более целенаправленным: работая с отраслевым резюме с самого начала. Это означает написание нового, второго резюме, которое вы берете с собой для взаимодействия и бесед с целью сбора отзывов. Ваши собеседники и респонденты могут гораздо легче получить для вас некоторые из следующих сведений:

  1. Предложения о том, какие домены могут быть вам интересны и доступны.
  2. Сетевые контакты, которые могут быть заинтересованы в вашем резюме.
  3. Хорошее представление о том, в чем заключается разрыв (если он есть) по отношению к вашей любимой работе, и как его эффективно закрыть.

Что я имею в виду под отраслевым резюме? Презентация, адаптированная для менеджеров по найму и рекрутеров или отдела кадров, разъясняющая, насколько важны вы и ваши навыки. Такой документ всегда индивидуален. Тем не менее, я могу предложить следующее руководство:

  • На первой странице должны быть указаны ваша миссия и заявление о поиске, обзор технических навыков и ваше последнее место работы.
  • На второй странице указано ваше образование, любая другая работа и навыки, которые вы можете перенести из академических кругов в промышленность.

Давайте рассмотрим это подробнее. Ваша миссия и заявление о поиске говорят, кто вы (например, Data Scientist), что вы хотите делать, где вы ищете и почему вы хотите быть Data Scientist. Затем вы должны перечислить все технические навыки, в которых вы уверены и готовы к тестированию. Я считаю, что это помогает, если вы указываете свою уверенность по простой шкале, например. 3-бальная шкала. Я рекомендую лечить вашу докторскую степень. или должность доктора наук как занятость и приложить усилия, чтобы описать ее таким образом, чтобы это было актуально для менеджера по найму или отдела кадров в отрасли.

Перечисляя свои достижения в области образования, вы можете указать любые проекты данных или соответствующие студенческие работы, которые вы выполняли. Это означает, что я не рекомендую перечислять преподавательские или студенческие работы в разделе занятости, особенно если они были краткосрочными. Однако, оглядываясь назад на вашу деятельность и достижения за последние годы: какие полезные навыки вы приобрели? Пожалуйста, обратитесь за помощью к поисковой системе и решите, какие три-пять передаваемых навыков вы хотите перечислить, и приведите два конкретных примера для каждого навыка.

Удачи вам в переходе к науке о данных и искусственному интеллекту. Нам не только нужно больше и лучше талантов в этой области, но и сейчас захватывающие времена, и динамичное развитие новых компаний, продуктов и услуг будет нести нас на многие годы вперед.

Если вы хотите быть в курсе кампании и ее семинаров, вы можете сделать это на Eventbrite, Facebook, Medium или Twitter.

Первоначально опубликовано на сайте blog.neuromag.net 17 апреля 2018 г.