авторы Аншуман Мишра и Абхишт Шарма

Мир искусственного интеллекта полон талантов. Представители индустрии искусственного интеллекта и исследовательского мира постоянно расширяют границы инноваций. В этой серии интервью мы хотим сосредоточиться на том, чтобы представить миру эти вдохновляющие (и, возможно, неслыханные) истории — их борьбу, их триумфы и их путь. Мы будем общаться с людьми, на которых мы равнялись и до сих пор равняемся за их беспрецедентный вклад в мир искусственного интеллекта. Мы называем эту серию интервью AI Chronicles.

Сегодня для нас большая честь видеть с нами Рави Рамакришнана. Рави — менеджер по анализу данных и кредитному риску в Emirates NBD. До работы в Emirates NBD он работал в Коммерческом банке Дубая специалистом по данным и имеет более 8 лет опыта работы в отрасли. Он имеет степень бакалавра в области электроники и степень MBA в области финансов в НМИМС. Рави вносит большой вклад в Kaggle и является гроссмейстером по блокнотам (23-е место) и гроссмейстером по дискуссиям (2-е место) на Kaggle.

Аншуман и Абхишт: Намасте, Великий Магистр! Спасибо, что нашли время сделать это.

Рави:Привет, Аншуман и Абхишт. Спасибо, что пригласили меня сделать это. Саадар пранаам!

Аншуман: Вы получили степень бакалавра в области электротехники, после чего получили степень MBA. Что привело вас в науку о данных и машинное обучение? Расскажите, пожалуйста, читателю о своем пути в области машинного обучения!

Рави:Конечно, я был бы рад поделиться своим путешествием. Хотя я получил академическое образование в области электротехники (BE), а позже получил степень MBA, мой вход в мир науки о данных был в некоторой степени случайным. Еще в 2015 году, во время визита в Дубай для сдачи экзамена CFA уровня 3, у меня была возможность присутствовать на собеседовании с моим предыдущим работодателем, который находился в процессе создания центральной аналитической структуры, известной как BICC. К моему удивлению, меня выбрали на роль специалиста по обработке данных, хотя раньше я занимался финансами и инвестиционно-банковской деятельностью. Я решил принять вызов, дав себе год на то, чтобы оценить свой карьерный путь. Мои первые дни на этой должности были трудными, поскольку мне приходилось преодолевать пробелы в знаниях инструментов обработки данных, таких как SQL, SAS, MATLAB, SPSS, EDW и разработка CRM. Однако благодаря самоотверженности, руководству коллег и постоянному обучению я быстро преодолеваю эти проблемы.

За прошедшие годы я активно участвовал в разработке моделей в различных областях, включая сегментацию клиентов, управление лидами CRM, разработку моделей IFRS9, PD-LGD, разработку механизма расчета ECL и управление кампаниями. Этот путь практического опыта и постоянного обучения привел меня к обнаружению моей страсти к науке о данных.

Когда я оглядываюсь назад, я верю, что моя карьера в области науки о данных нашла меня, а не наоборот. Это было плодотворное путешествие длиной почти в десятилетие, и я воодушевлен тем, что нас ждет в будущем. Я надеюсь, что мой опыт вдохновит других исследовать и освоить эту динамичную область науки о данных и машинного обучения.

Anshuman: Учитывая ваше счастливое путешествие в науку о данных и вашу страсть к непрерывному обучению, мне любопытно узнать: что конкретно вдохновило вас выбрать Kaggle и погрузиться в мир соревнований по машинному обучению?

Рави:Мой бывший менеджер познакомил меня с Kaggle в 2020 году, во время изоляции. Я тогда был занят получением каких-то сертификатов по фитнесу и пообещал ему взглянуть на них после сдачи экзаменов. В конце концов я присоединился к Kaggle в сентябре 2021 года после завершения специализации по ортопедии. Я благодарю его за то, что он познакомил меня с Kaggle, поскольку я чувствую, что упустил бы очень важный компонент моего учебного пути, если бы не присоединился к Kaggle. Я медленно и постепенно просматривал уровни этой платформы и разработал для себя план обучения и развития, аналогичный плану фитнеса. Я обычно советую своим клиентам следовать циклу периодизации макро-мезо-микро фитнеса с запланированными достижениями и достижениями на протяжении всего пути. Я следовал своему фитнес-режиму в Kaggle, ежедневно уделяя внимание небольшим, но последовательным усилиям. Я ставлю перед собой реалистичные цели и последовательно их достигаю, а в остальном переназначаю цели с учетом современных ситуаций, сохраняя баланс между Kaggle, фитнесом, бегом и офисными обязанностями.

Абхишт: Какова была ваша мотивация начать с трека обсуждений, а не, скажем, с трека соревнований на Kaggle?

Рави:Моя мотивация добиться успеха в обсуждениях на Kaggle и в конечном итоге достичь статуса гроссмейстера была обусловлена ​​несколькими факторами. Во-первых, дискуссии на Kaggle предлагают уникальную платформу для обмена знаниями и сотрудничества с другими энтузиастами машинного обучения. Меня привлекла открытая и творческая атмосфера, которую создавали дискуссии, и которая давала возможность конструктивно взаимодействовать с сообществом. Кроме того, активное участие в дискуссиях позволило мне постоянно учиться и быть в курсе последних тенденций и технологий в этой области. Для меня это был способ внести свой вклад в сообщество и усвоить идеи других, способствуя моему собственному росту как специалиста по данным.

Наконец, получение статуса гроссмейстера в обсуждениях стало важной вехой в моем путешествии по Kaggle, отражая мое стремление освоить различные аспекты Kaggle. Это послужило свидетельством моей приверженности обмену знаниями, развитию сотрудничества и вкладу в процветающее сообщество Kaggle.

Абхишт: Учитывая вашу ответственную роль менеджера по науке о данных, как вы эффективно распределяете время для поддержания активного присутствия на Kaggle? Это то, с чем я немного борюсь — управление временем между работой и открытый исходный код.

Рави: Управление моей ролью менеджера по обработке и анализу данных в Emirates Bank при одновременном активном присутствии в Kaggle требует эффективного управления временем и дисциплины. Я структурировал свой распорядок дня так, чтобы найти баланс между работой и занятиями Kaggle.

Мой день разделен на отдельные части:
1. Утро (6–8 утра): посвящено упражнениям, обеспечивающим физическое благополучие.
2. 8:30–18:00: сосредоточено на своем обязанности в банке.
15:00 — 21:30: Отведено для деятельности Kaggle, где я участвую в обсуждениях, конкурсах и ядрах.
16:00 — 22:30 — 22:00 : Зарезервировано для медитации и осознанности для поддержания ясности ума.

Такой дисциплинированный подход позволяет мне эффективно оптимизировать свое время. Я также уделяю приоритетное внимание здоровью посредством практики осознанности, физических упражнений и сбалансированной диеты, которая помогает поддерживать физическое и психическое благополучие. Придерживаясь этого распорядка, я могу эффективно справляться со своей сложной работой и обязательствами Kaggle.

Anshuman: Люди, участвующие в обсуждениях на Kaggle, очень самоуверенны, и большинство гроссмейстеров соревнований время от времени призывают удалить его из рейтингового уровня. Что вы об этом думаете?

Рави:Я уважаю их мнение, но хочу отметить, что обсуждение похоже на клей, который объединяет сообщество. Не каждый может стать участником конкурса, но желающих научиться тоже немало. Дискуссионный трек содержит ценную информацию об общих практиках ML, MLOps, элементах кодирования, конкурентных решениях, ресурсах, советах по карьере, оценке прогресса и ключевых обновлениях отрасли, а также предоставляет ценную информацию для всех и каждого, особенно для новичков, для адаптации, обучения и надлежащего развития.
Я хочу сказать, что на сегодняшний день у нас есть более 300 гроссмейстеров соревнований, а также 66–67 гроссмейстеров дискуссий. Прогрессировать на этом уровне гораздо сложнее, чем общие причуды людей. Нужно уметь хорошо общаться и хорошо представлять свой контент, чтобы обеспечить любую форму прогресса на этом уровне.

Аншуман: Не могли бы вы рассказать о нескольких случаях, когда вы установили ценные связи или получили от этого большую пользу?

Рави:Я многому научился у элитных пользователей Kaggle за время своего знакомства с Kaggle. Пользователям нравится AmbrosM, Marialla Pratta, Dr. Крис Деотт, Лоран Пуршу, Доктор. Карл МакБридд Эллис, Саньям Бутани, Парул Панди, SRK, Рохан Рао и т. д. всегда будут моим источником вдохновения в Kaggle и даже в других отношениях. Я многому научился из их Kaggle и других работ и всегда буду считать их своими наставниками.
Я также хочу поблагодарить вас за то, что вы связались со мной и предоставили мне возможность высказать свои мысли по этой теме.

Абхишт: Вам очень нравится серия игровых площадок Kaggle. Почему вы предпочитаете это соревнование другим соревнованиям на Kaggle?

Рави:Мне нравится участвовать в играх на игровых площадках по следующим причинам:

  1. Эта серия предлагает широкие возможности для экспериментов с разработкой функций и моделями.
  2. Наборы данных проще, чем в избранных соревнованиях, а требования к оборудованию невелики. В этих соревнованиях можно добиться успеха, используя свободно доступные ресурсы Kaggle и Colab, без какого-либо ненужного преимущества, связанного с оборудованием. Я считаю, что немногие избранные участники других категорий избранных соревнований, использующие профессиональные идентификаторы для входа и имеющие доступ к премиальным ресурсам, действительно имеют значительное преимущество перед остальными, что делает эти соревнования игровым полем не такого уровня. В этой серии эта проблема почти полностью обойдена.
  3. Мне нравится разрабатывать модели машинного обучения на табличных данных, и эти конкурсы предлагают мне возможности, точно соответствующие моим интересам.
  4. Эти соревнования хорошо распределены в течение года с 2–3-недельным циклом. Это дает время для разработки моделей в течение ограниченного периода времени и быстрого перехода к последующим задачам. Мне почему-то не удается согласовать более длительный срок в 3 месяца в других местах без какого-либо серьезного вознаграждения для 90% участников в других местах на платформе.
  5. Я восхищаюсь масштабом содержательных дискуссий и тем, которыми делятся на форумах, поскольку у нас нет никаких предрасположенных запретов, возникающих из-за присвоения медалей. Я многому научился на этих форумах и вношу свой вклад в полную силу, сохраняя некоторые хитрости в тайне.
  6. В большинстве соревнований на игровых площадках участвуют более 1000 человек, что делает их ликвидными с точки зрения LB.
  7. Я хорошо выступил во многих эпизодах и сейчас получаю стабильные результаты, что делает мое участие более прибыльным.

Аншуман: Считаете ли вы, что соревнования Kaggle связаны с вашей работой?

Рави:Я не думаю, что эта серия конкретно связана с моими рабочими задачами, но считаю, что она во многом отражает области моих интересов. С помощью этой серии я могу прекрасно управлять своим распорядком дня, ведь на этих соревнованиях можно потратить пару часов в день, чтобы получить хороший результат. Это позволяет мне инвестировать время в другие виды деятельности, сохраняя мое участие в Kaggle на оптимальном уровне.

Anshuman: Какие задачи вы ожидаете сегодня? Как вы решаете, стоит ли соревнование вашего времени?

Рави:Я хочу расширить свой кругозор в тематических соревнованиях в среднесрочной перспективе следующих 1–2 лет. Выбирая сегодня задачи Kaggle, мое внимание со временем изменилось. Меня все больше интересуют тематические соревнования, поскольку я стремлюсь расширить свой кругозор в этой области в течение следующих 1–2 лет. Кроме того, я стремлюсь поддерживать баланс, участвуя в серии игровых площадок Kaggle, которая хорошо соответствует моим интересам.

Решая, стоит ли соревнование моего времени, я учитываю несколько факторов:

  1. Размер данных: я оцениваю размер данных; меньшие наборы данных могут быть привлекательными, поскольку они позволяют быстрее завершить код и часто согласуются с более простыми моделями. Однако я учитываю сложность обработки небольших наборов данных с множеством столбцов.
  2. Стабильность оценки CV: я исследую стандартное отклонение оценки CV (перекрестная проверка), чтобы оценить стабильность модели на всех итерациях и сгибах. Постоянные оценки резюме обычно более привлекательны.
  3. Отношения CV-PLB. Я ищу соревнования, в которых существует значимая связь между оценками CV и публичной таблицей лидеров (PLB). Это помогает в составлении обоснованных окончательных представлений.
  4. Наличие времени: Личные и профессиональные обязательства играют важную роль. Я избегаю соревнований, которым у меня не будет возможности уделить достаточно времени ближе к концу, вместо этого я выбираю соревнования, которые лучше соответствуют моему графику.

Учет этих соображений помогает мне сделать осознанный выбор в отношении того, в каких соревнованиях участвовать, гарантируя, что мое время будет хорошо вложено и соответствует моим целям.

Абхишт: Какой совет вы бы дали таким новичкам, как я, которые не особо интересовались соревнованиями и дискуссиями Kaggle?

Рави:Я могу предложить несколько моментов, основанных на моем опыте работы на платформе:

  1. Продолжайте узнавать всю свою деятельность на Kaggle и в других местах. Это гораздо более приятный опыт, чем стремление к медалям. До сих пор я никогда не стремился стать генеральным менеджером, но стремился стать лучшим энтузиастом ML.
  2. Оставайтесь последовательными в любой жизни и личных начинаниях. Это обусловлено двумя элементами: интересом к деятельности и реалистичной постановкой целей. Я верю в SMART-планирование и периодизацию целей и применяю их во всех сферах жизни. Это не секрет моего успеха на Kaggle и в других сферах жизни.
  3. Научитесь быть умеренно напористыми. Сказать «нет», не проявив грубости, — очень важный навык, требующий некоторой тренировки и опыта. Это поможет всем и каждому в работе
  4. Я глубоко уважаю время. Я очень ценю свое время и очень его уважаю. Я стараюсь быть пунктуальным и уходить вовремя. Я не верю в поздние методы работы и по сей день в основном избегаю этого, чтобы добиться хорошего эффекта и большого профессионального успеха.
  5. Развивайте баланс между жизнью и работой — это становится важным с возрастом, когда человек погружается в множество обязательств. Человеку необходимо сбалансировать несколько жизненных событий параллельно, а его навыки планирования и исполнения подвергаются строгому испытанию. Уравновешивание различных жизненных и повседневных событий является ключом к успеху во многих аспектах личности.
  6. Делайте структурированные перерывы в одном занятии за раз, а не полностью прерывайте все текущие занятия. Обычно я делаю структурированные перерывы в работе (только), за которыми следует перерыв в занятиях фитнесом, а затем перерыв в Kaggle, который амортизируется в течение 6–8 недель. Это поддерживает мою мотивацию в течение более длительного периода времени, позволяя мне обеспечить точный баланс между несколькими событиями почти одинакового приоритета.
  7. Постарайтесь автоматизировать как можно больше кода — это особенно полезно для соревнований и повторяющихся задач, таких как создание базовых моделей, обработка функций, предварительная обработка и общее обучение. Затем можно отредактировать общий конвейер, добавив особенности назначения. Это, вероятно, сэкономит время и повысит производительность.
  8. Объединитесь и спланируйте свою стратегию. Объединение с друзьями очень помогает на всех 4 уровнях. Коллективные усилия порождают значительную силу, основанную на синергии.
  9. Избегайте сомнительных практик, которые могут нанести вред вашей репутации. Это может сильно помешать вашему прогрессу.
  10. Используйте бесплатные ресурсы Kaggle для достижения хорошего эффекта. 50 часов GPU + TPU — это важно, и они доступны в вашем распоряжении в неделю.
  11. Постоянно публикуйте контент на Kaggle и делитесь идеями. Сдерживание — враг сотрудничества, а сотрудничество — хороший путь к успеху.
  12. Периодически пытайтесь освоить новые навыки/улучшить существующие навыки. Также старайтесь периодически сопоставлять свои текущие модели обучения с вашими долгосрочными целями обучения. Если вы отклоняетесь от своих долгосрочных целей, возможно, вам лучше сбалансировать долгосрочную цель и текущую деятельность.
  13. Разработайте всесторонний профиль и за пределами Kaggle. ML — это океан возможностей, а Kaggle — один из способов достижения успеха. Оставайтесь активными и в других местах, включая, помимо прочего, Analytics vidya, YouTube, GitHub, medium.com и любое другое сообщество, которое вы считаете подходящим. Соревнования «Обнимающее лицо» также полезны для обучения и развития в этом отношении. Я призываю всех и каждого участвовать в хакатонах и любых местных конкурсах и конклавах, которые также предлагают возможности для налаживания связей. Помните, что налаживание связей так же важно, как и обучение, поскольку отрасль во многом полагается на этот аспект для получения рекомендаций и возможностей трудоустройства.
  14. Наслаждайтесь путешествием и извлекайте пользу из каждого шага вашего путешествия. Я предлагаю разбить долгосрочную проблему на ряд структурированных и достижимых микроцелей, которые в конечном итоге могут привести его/ее к успеху. Обычно я делаю это с хорошим эффектом (при тщательном планировании и опыте) и призываю других последовать этому примеру.
  15. Держите других в курсе своих успехов. LinkedIn — хорошее место для публикации о ваших профессиональных успехах, включая прогресс Kaggle, ранги и подходы к соревнованиям.

Абхишт: Когда вам ставят задачу, как вы разрабатываете для нее решения с помощью ИИ? Вы в основном используете классические модели машинного обучения, поскольку большая часть используемых вами данных имеет табличный вид? Что вы ищете в предлагаемом решении?

В основном я работаю в областях кредитного риска, которые ни в какой степени не связаны с моделями искусственного интеллекта. Я считаю, что это огромный недостаток этого карьерного пути, поскольку органы финансового регулирования воздерживаются от принятия результатов моделей искусственного интеллекта и последних достижений в этой области знаний. Большинство наших моделей представляют собой классические модели машинного обучения с упором на табличные данные и простые алгоритмы.

Для удобства и планирования проекта я обычно разбиваю свое рабочее задание на следующие этапы:

  1. Прежде чем приступить к работе над проектом, я понимаю требования конечного пользователя и долгосрочное использование задания. Обычно я участвую в заданиях, которые требуют постоянного использования и удобного для пользователя и чистого конвейера производства данных и моделей.
  2. Я разбиваю задание на несколько микроцелей, рассчитанных на 1–2 недели. Я планирую эти цели, уделяя особое внимание обработке данных как основной задаче, занимающей более 80% общего времени, затрачиваемого на это. Обычно я эффективно автоматизирую конвейер данных, работая над производством и развертыванием на протяжении всего процесса разработки. Это существенно упрощает процесс производства и внедрения и повышает удовлетворенность заинтересованных сторон. Обычно я провожу встречу с командой и конечным пользователем в конце каждой микроцели.
  3. Большинство наших проектов и заданий проходят внутреннюю и внешнюю проверку. Я гарантирую, что все наши процессы обработки данных полностью воспроизводимы и проверены, прежде чем мы начнем разработку модели. Следовательно, я привлекаю внутреннюю команду проверки на ранних этапах проекта, способствуя своевременному получению комментариев и немедленному решению проблем.
  4. Как только мы сосредоточимся на данных о разработке, мы проводим более масштабную встречу с высшим руководством, объясняя ключевые проблемы с данными и предположения в конвейере данных. Мы также демонстрируем процессы составления короткого списка функций (для этого мы создали несколько внутренних автоматизированных инструментов) и возвращаемся к отзывам ключевых заинтересованных сторон. Это позволяет нам свободно строить модели без каких-либо негативных комментариев на последующих этапах жизненного цикла проекта. Мы документируем протоколы этого собрания и рассылаем его руководящим комитетам и аудиторам, чтобы обеспечить всестороннюю проверку хода и результатов.
  5. Затем мы создаем простую базовую модель и демонстрируем выбранные переменные ключевым конечным пользователям, принимая их отзывы и работая над ними.
  6. Наконец, мы настраиваем наши модели, суммируем результаты (при необходимости), подготавливаем окончательную модель и передаем ее на рассмотрение бизнес-команде. Обычно я создаю 10–15 вариантов-кандидатов и одновременно применяю их, чтобы получить конечный результат. Возможно, это может указывать на прогноз резерва/значение NPA/прогнозирование ставки дефолта/PPNR для каждой выбранной модели. Бизнес-команды очень комфортно обсуждают модель вместе с результатом таким образом, а не процентным результатом, который обычно получается на основе модели.
  7. Затем мы привлекаем внутренних и внешних валидаторов и обеспечиваем хорошее документирование нашего проекта. Это очень важно в моей сфере работы, поскольку регулирующие органы обычно подробно изучают наши типовые документы.
  8. На последнем этапе мы привлекаем ИТ-команды и команды по развертыванию для развертывания модели в производстве, интегрируя результаты модели в отчет и вводя элементы управления по мере необходимости. Это длительный процесс, и его необходимо облегчить с помощью нескольких раундов UAT и одобрения заинтересованных сторон. Обычно это занимает пару кварталов после внутренней проверки модели.
  9. На последнем этапе мы также должны документировать отчеты о внедрении ИТ в установленном формате и направлять их Регулятору по указанию. Модельный процесс управления, а также эти документы и кодекс регулярно тщательно проверяются Регулирующим органом в рамках регулярных аудитов и проверок.

Учитывая чувствительность полученных результатов, мы обычно выбираем простую модель с объяснимыми характеристиками в качестве модели для задания. Мы особенно внимательно относимся к конкретным производственным затратам и времени, необходимым для развертывания модели, и обычно не выбираем переменные, которые в противном случае хорошо работают в период обучения, но которые трудно контролировать в производстве. Обычно мы консультируемся с экспертами в предметной области (группами экономических исследований, кредитными андеррайтерами и экспертами по кредитной политике), чтобы ратифицировать процесс разработки модели и высказать свое мнение, а также учитывать их субъективный вклад как часть управления моделью.

Абхишт: В первые годы вашей карьеры вы должны были быть индивидуальным участником (IC), прежде чем перейти на руководящую должность. Какие основные изменения необходимо внести, чтобы добиться успеха в управленческой роли? Какая роль вам нравится больше?

Моя роль в команде — это сочетание индивидуального участника и менеджера. Как менеджер, я имею свободу разрабатывать план своего проекта с максимальной эффективностью, исходя из общих ресурсов, имеющихся в команде, и задействованного бюджета. Я обычно прибегаю к приведенной ниже норме при работе над несколькими заданиями:

  1. Я предпочитаю обрабатывать данные индивидуально, если проект длится дольше. Я считаю, что это дает мне больше контроля над важным аспектом проекта, помогая мне автоматизировать и спроектировать конвейер с учетом моих сильных и слабых сторон. Я также вовлекаю заинтересованные стороны в свой график, и мне удобнее вовлекать в этот процесс валидатора.
  2. Как только данные окончательно обработаны, я передаю их младшим коллегам для построения модели. Это способствует выигрышу всех участвующих коллег и часто приводит к своевременному завершению проекта. В некоторых случаях я самостоятельно выполняю все задание, включая данные и модели, и передаю результаты другим для внедрения.
  3. Другие проекты часто требуют сотрудничества. Например, модели IFRS9 для PD-LGD представляют собой долгосрочные задания, охватывающие более года. Обычно мы разбиваем проект на 3–4 менеджеров, каждый из которых отвечает за набор продуктов/бизнес-единиц. Наш банк — крупный международный конгломерат, поэтому нам необходимо привлекать и иностранные команды (это само по себе интересная задача). Обычно я сотрудничаю со своей командой и зарубежными командами в таких заданиях и разграничиваю роли для каждого участника со строгими сроками. Обычно мы разбиваем все задание на микроциклы и правильно их планируем, чтобы обеспечить плавный и эффективный прогресс. Обычно я даю задачи младшим коллегам, исходя из их сильных и слабых сторон, и часто обеспечиваю хорошо документированную экспертную оценку. Это обеспечивает правильность и плавность хода проекта. Обычно я поддерживаю связь с внешними заинтересованными сторонами и внутренними валидаторами и часто защищаю наши предположения на собраниях. На мой взгляд, это требует некоторых навыков ведения переговоров. Я перенял это от своих старших руководителей в двух моих работодателях и чувствую, что в настоящее время я хорошо разбираюсь в этом аспекте управления проектами.

Моя роль у моего предыдущего работодателя заключалась в индивидуальном участии, тогда как моя нынешняя роль включает в себя оба аспекта управления проектами. Я считаю, что нужно очень усердно управлять временем и ресурсами, а также эффективно ставить и планировать цели в качестве менеджера/руководителя. Технические навыки человека редко проверяются при выполнении заданий, но навыки ведения переговоров, способность работать в сжатые сроки и строгий бюджет, умение справляться с эскалацией проверяются в большей степени в качестве руководителя. Я думаю, что здесь более важны мягкие навыки, и они приобретаются с опытом и вкладом старших коллег. У меня хорошие связи в отрасли, и я использую их с пользой, чтобы со временем учиться и совершенствоваться. Обычно у меня нет предпочтений в отношении типа роли, но, учитывая общие пути карьерного роста в отрасли, я, возможно, выберу карьерный рост в качестве ведущего/старшего руководителя с будущими навыками совместной работы и ролями.

С уважением и приятного обучения!

Вот и все. Это было самое первое интервью в нашей новой серии блогов AI Chronicles! Этот сериал — совместная работа Аншуман Мишра и Абхишт Шарма. Аншуман в настоящее время работает в Flip инженером по машинному обучению. Абхишт — научный сотрудник МО в Amazon, где он занимается обнаружением рекламных ботов. Оба они вносят большой вклад в программное обеспечение ML с открытым исходным кодом и участвовали в разработке KerasNLP.