Nangungunang Mga Trabaho sa Pagkatuto ng Machine

Nilalaman

• Ano ang Pag-aaral ng Makina?
• Mga Industriya Gamit ang Pag-aaral ng Makina
• Paano Nagbabago ang Pag-aaral ng Machine sa Trabaho
• Gusto mo ba ng Karera sa Pag-aaral ng Machine?
• Mga Pamagat at Kinita ng Trabaho
• Mga Kinakailangan para sa Mga Trabaho sa Pag-aaral ng Machine

Sa tuktok ng 2017 ng Mga Uusbong na Trabaho ng LinkedIn ng Amerika ay dalawang trabaho sa larangan ng Learning sa Machine: Machine Learning Engineer at Data Scientist. Ang trabaho para sa mga inhinyero sa pag-aaral ng makina ay lumago ng 9.8 beses sa pagitan ng 2012 at 2017 at ang mga trabaho sa siyentipiko ng data ay nadagdagan ng 6.5 beses sa parehong panahon ng limang taon. Kung magpapatuloy ang takbo, ang mga trabaho na ito ay magkakaroon ng mga pananaw sa trabaho na higit sa maraming trabaho sa iba. Sa isang hinaharap na maliwanag, maaari bang maging maayos ang isang trabaho sa larangang ito?

Ano ang Pag-aaral ng Makina?

Ang pag-aaral ng makina (ML) ay kung ano ang tunog. Ang teknolohiyang ito ay nagsasangkot ng mga machine ng pagtuturo upang maisagawa ang mga tiyak na gawain. Hindi tulad ng tradisyonal na coding na nagbibigay ng mga tagubilin na nagsasabi sa mga computer kung ano ang gagawin, binibigyan sila ng ML ng data na hinahayaan silang malaman ito sa kanilang sarili, tulad ng gagawin ng isang tao o hayop. Mga tunog tulad ng magic, ngunit hindi. Ito ay nagsasangkot ng pakikipag-ugnayan ng mga siyentipiko sa computer at iba pa na may kaugnayan na kadalubhasaan. Ang mga propesyonal na IT ay lumikha ng mga programa na tinatawag na algorithm - mga hanay ng mga patakaran na malulutas ang isang problema - at pagkatapos ay pakainin sila ng mga malalaking hanay ng data na nagtuturo sa kanila na gumawa ng mga hula batay sa impormasyong ito.

Ang pag-aaral ng makina ay isang "subset ng artipisyal na katalinuhan na nagbibigay-daan sa mga kompyuter na magsagawa ng mga gawain na hindi nila malinaw na na-program na gawin" (Dickson, Ben. Mga Kasanayan na Kinakailangan Mo na Magkaroon ng isang Trabaho sa Pag-aaral ng Makina. Nakakuha ito ng mas kumplikado, ngunit mas karaniwan, sa mga nakaraang taon. Si Steven Levy, sa isang artikulo na nagsasalita sa prioritization ng Google sa pag-aaral ng machine at pag-retraining ng mga inhinyero ng kumpanya, ay sumulat, "Sa loob ng maraming taon, ang pag-aaral ng makina ay itinuturing na isang espesyalidad, limitado sa isang piling tao. Tapos na ang panahon na iyon, dahil ang mga kamakailang resulta ay nagpapahiwatig na ang pag-aaral ng makina, na pinalakas ng "mga neural nets" na tularan ang paraan ng pagpapatakbo ng isang biological utak, ay ang tunay na landas patungo sa pagbuo ng mga computer na may kapangyarihan ng mga tao, at sa ilang mga kaso, sobrang mga tao "(" Levy, Steven. Paano Kinukuha ng Google ang Sarili Bilang isang Machine Learning First Company Wired. Hunyo 22, 2016).

Paano ginagamit ang pagkatuto ng makina sa "totoong mundo?" Karamihan sa atin ay nakatagpo ang teknolohiyang ito sa pang-araw-araw na batayan nang hindi ito pinapaisip. Kapag ginamit mo ang Google o isa pang search engine, ang mga resulta na lumabas sa tuktok ng pahina ay ang resulta ng pag-aaral ng makina. Ang mahuhulaan na teksto, pati na rin ang pinahinaang autocorrect na tampok, sa texting app ng iyong smart phone, ay bunga rin ng pagkatuto ng makina. Ang mga inirekumendang pelikula at kanta sa Netflix at Spotify ay karagdagang mga halimbawa ng kung paano namin ginagamit ang mabilis na lumalagong teknolohiya habang bahagya itong napansin. Mas bago, ipinakilala ng Google ang Smart Sumagot sa Gmail. Sa pagtatapos ng isang mensahe, naghahatid ito ng isang gumagamit ng tatlong posibleng mga tugon batay sa nilalaman. Ang Uber at iba pang mga kumpanya ay kasalukuyang sumusubok sa mga kotse na nagmamaneho sa sarili.

Mga Industriya Gamit ang Pag-aaral ng Makina

Ang paggamit ng pag-aaral ng makina ay umaabot sa malayo sa tech na mundo. Ang SAS, isang kumpanya ng analytical software, ay nag-ulat na maraming mga industriya ang nagpatibay ng teknolohiyang ito. Ang industriya ng serbisyong pinansyal ay gumagamit ng ML upang makilala ang mga pagkakataon sa pamumuhunan, ipaalam sa mga namumuhunan kung kailan upang ikalakal, kilalanin kung aling mga kliyente ang may mga profile na may peligro at nakita ang pandaraya. Sa pangangalaga sa kalusugan, ang mga algorithm ay tumutulong sa pag-diagnose ng mga sakit sa pamamagitan ng pagpili ng mga abnormalidad.

Natanong mo na ba ang tanong, "bakit ang isang ad para sa produktong iyon iniisip ko na bumili ng pagpapakita sa bawat web page na binibisita ko?" Pinapayagan ng ML ang industriya ng marketing at benta upang pag-aralan ang mga mamimili batay sa kanilang mga kasaysayan ng pagbili at paghahanap. Ang pagbagay ng industriya ng transportasyon ng teknolohiyang ito ay nakakakita ng mga potensyal na problema sa mga ruta at tumutulong na gawing mas mahusay ang mga ito. Salamat sa ML, ang industriya ng langis at gas ay maaaring makilala ang mga bagong mapagkukunan ng enerhiya (Pag-aaral ng Machine: Ano Ito at Bakit Mahalaga ito. SAS).

Paano Nagbabago ang Pag-aaral ng Machine sa Trabaho

Ang mga hula tungkol sa mga makina na kumukuha ng lahat ng aming mga trabaho ay sa loob ng maraming mga dekada, ngunit sa wakas ay gagawin ba nito ang ML? Inihuhula ng mga eksperto ang teknolohiyang ito ay at magpapatuloy na baguhin ang lugar ng trabaho. Ngunit tulad ng pagkuha ng lahat ng aming mga trabaho? Karamihan sa mga eksperto ay hindi iniisip na mangyayari.

Habang ang pag-aaral ng makina ay hindi maaaring maganap ang lugar ng mga tao sa lahat ng trabaho, maaari itong baguhin ang marami sa mga tungkulin sa trabaho na nauugnay sa kanila. "Ang mga gawain na kasangkot sa paggawa ng mabilis na mga pagpapasya batay sa data ay isang mahusay na akma para sa mga programa sa ML; hindi kaya kung ang desisyon ay nakasalalay sa mahabang kadena ng pangangatwiran, magkakaibang kaalaman sa background o pangkaraniwang kahulugan" sabi ni Byron Spice. Spice ay Direktor ng Media Relations sa Carnegie Mellon Unibersidad ng Paaralan ng Agham sa Computer (Spice, Byron. Ang Learning sa Machine ay Magbabago ng Trabaho. Carnegie Mellon University. Disyembre 21, 2017).

Sa Science Magazine, sina Erik Brynjolfsson at Tom Mitchell ay sumulat, "ang kahilingan sa paggawa ay mas malamang na mahulog para sa mga gawain na malapit na kapalit ng mga kakayahan ng ML, samantalang ito ay mas madalas na madagdagan para sa mga gawain na mga pandagdag para sa mga sistemang ito. ang sistema ay tumatawid sa threshold kung saan ito ay nagiging mas mabisa kaysa sa mga tao sa isang gawain, ang pagtaas ng kita ng mga negosyante at tagapamahala ay lalong maghahangad sa kapalit na mga makina para sa mga tao.Maaari itong magkaroon ng mga epekto sa buong ekonomiya, pagpapalakas ng produktibo, pagbaba ng presyo, paglilipat ng demand sa paggawa, at muling pag-aayos ng mga industriya (Brynjolfsson, Erik at Mitchell, Tom. Ano ang Maaaring Gawin ang Pag-aaral ng Machine? Mga Implikasyon ng Workforce. Science. Disyembre 22, 2017).

Gusto mo ba ng Karera sa Pag-aaral ng Machine?

Ang mga karera sa pag-aaral ng makina ay nangangailangan ng kadalubhasaan sa agham, istatistika, at matematika sa computer. Maraming tao ang dumating sa larangang ito na may background sa mga patlang na iyon. Maraming mga kolehiyo na nag-aalok ng isang pangunahing sa pag-aaral ng machine ay gumawa ng isang diskarte sa multi-disiplina na may isang kurikulum na kasama, bilang karagdagan sa agham ng computer, elektrikal at computer engineering, matematika, at istatistika (Nangungunang 16 Mga Paaralan para sa Pag-aaral ng Machine. AdmissionTable.com).

Para sa mga nakakasali na sa Information Technology Industry, ang paglipat sa isang trabaho sa ML ay hindi malayong tumalon. Maaaring mayroon ka nang maraming mga kasanayan na kailangan mo. Ang iyong tagapag-empleyo ay maaaring makatulong sa iyo na gawin ang paglipat na ito. Ayon sa artikulo ni Steven Levy, "sa kasalukuyan ay hindi maraming mga tao na dalubhasa sa ML kaya ang mga kumpanya tulad ng Google at Facebook ay nag-retraining engineers na ang kadalubhasaan ay namamalagi sa tradisyonal na coding."

Habang ang marami sa mga kasanayan na iyong binuo bilang isang propesyonal sa IT ay lilipat sa pag-aaral ng makina, maaaring medyo mahirap. Inaasahan, nanatiling gising ka sa mga klase ng istatistika ng kolehiyo dahil ang ML ay nakasalalay sa isang malakas na pagkaunawa sa paksang iyon, pati na rin sa matematika. Sinusulat ni Levy na ang mga coder ay dapat na handang ibigay ang kabuuang kontrol na mayroon sila sa pag-programming ng isang sistema.

Hindi ka mawalan ng swerte kung ang iyong tech employer ay hindi nagbibigay ng ML retraining ng Google at Facebook. Mga Kolehiyo at Unibersidad, pati na rin ang mga online learning platform tulad ng Udemy at Coursera, nag-aalok ng mga klase na nagtuturo ng mga pangunahing kaalaman sa pagkatuto ng makina. Mahalaga, gayunpaman, upang iikot ang iyong kadalubhasaan sa pamamagitan ng pagkuha ng mga istatistika at mga klase sa matematika.

Mga Pamagat at Kinita ng Trabaho

Ang mga pangunahing pamagat ng trabaho ay makikita mo kapag naghahanap para sa isang trabaho sa larangang ito ay kinabibilangan ng engineer sa pag-aaral ng makina at siyentipiko ng data.

Ang mga inhinyero sa pag-aaral ng makina ay "nagpapatakbo ng mga operasyon ng isang proyekto sa pag-aaral ng makina at responsable sa pamamahala ng mga imprastruktura at mga pipeline ng data na kinakailangan upang magdala ng code sa paggawa." Ang mga siyentipiko ng data ay nasa bahagi ng data at pagsusuri ng pagbuo ng mga algorithm, sa halip na ang bahagi ng coding. Kinokolekta din nila, malinis, at naghahanda ng mga data (Zhou, Adelyn. "Mga Pamagat ng Trabaho ng Artipisyal na Artipisyal: Ano ang isang Machine Learning Engineer?" Forbes. Nobyembre 27, 2017).

Batay sa mga pagsumite ng gumagamit mula sa mga taong nagtatrabaho sa mga trabahong ito, iniulat ng Glassdoor.com na ang mga inhinyero ng ML at mga siyentipiko ng data ay kumita ng isang average na suweldo ng base na $ 120,931. Ang mga suweldo ay mula sa isang mababang $ 87,000 hanggang sa isang mataas na $ 158,000 (Mga Gabay sa Pag-aaral ng Engine ng Engine. Glassdoor.com. Marso 1, 2018). Bagaman ang mga pangkat ng Glassdoor ay mga pamagat na ito, mayroong ilang mga pagkakaiba sa pagitan nila.

Mga Kinakailangan para sa Mga Trabaho sa Pag-aaral ng Machine

Ang mga inhinyero ng ML at data ng mga siyentipiko ay gumagawa ng iba't ibang mga trabaho, ngunit maraming overlap sa pagitan nila. Ang mga anunsyo ng trabaho para sa parehong posisyon ay madalas na may katulad na mga kinakailangan. Mas gusto ng maraming mga tagapag-empleyo ang mga bachelor's, master's, o mga degree sa doktor sa computer science o engineering, statistics, o matematika.

Upang maging propesyonal sa pag-aaral ng makina, kakailanganin mo ang isang kumbinasyon ng mga kasanayang pang-teknikal — kasanayan na natutunan sa paaralan o sa trabaho — at malambot na mga kasanayan. Ang mga malambot na kasanayan ay ang kakayahan ng isang tao na hindi nila natutunan sa silid-aralan, ngunit sa halip ay ipinanganak o nakakuha sa pamamagitan ng karanasan sa buhay. Muli, mayroong isang napakaraming overlap sa pagitan ng mga kinakailangang kasanayan para sa mga inhinyero ng ML at mga siyentipiko ng data.

Inihayag ng mga anunsyo ng trabaho na ang mga nagtatrabaho sa mga trabaho sa ML engineering ay dapat na pamilyar sa mga frameworks ng pag-aaral ng machine tulad ng TensorFlow, Mlib, H20 at Theano. Kailangan nila ng isang malakas na background sa coding kabilang ang karanasan sa mga programming language tulad ng Java o C / C ++ at mga wika ng script tulad ng Perl o Python. Ang kadalubhasaan sa mga istatistika at karanasan gamit ang mga statistical software packages upang pag-aralan ang mga malalaking hanay ng data ay kabilang din sa mga pagtutukoy.

Ang iba't ibang mga malambot na kasanayan ay magbibigay-daan sa iyo upang magtagumpay sa larangan na ito. Kabilang sa mga ito ay ang kakayahang umangkop, kakayahang umangkop, at tiyaga. Ang pagbuo ng isang algorithm ay nangangailangan ng maraming pagsubok at pagkakamali, at samakatuwid, pasensya. Dapat subukan ng isang algorithm ang isang algorithm upang makita kung ito ay gumagana at, kung hindi, bumuo ng isang bago.

Mahalaga ang mahusay na kasanayan sa komunikasyon. Ang mga propesyonal sa pagkatuto ng makina, na madalas na nagtatrabaho sa mga koponan, ay nangangailangan ng mahusay na pakikinig, pagsasalita, at mga interpersonal na kasanayan upang makipagtulungan sa iba, at dapat ding ipakita ang kanilang mga natuklasan sa kanilang mga kasamahan. Dapat nila, bilang karagdagan, maging mga aktibong estudyante na maaaring isama ang mga bagong impormasyon sa kanilang trabaho. Sa isang industriya kung saan pinahahalagahan ang pagbabago, dapat maging malikhain upang maging mahusay.