Mga Trabaho sa Emerging Field of Machine Learning

Sa tuktok ng Ulat ng Pag-usbong ng Gumagamit ng 2017 US Report ay dalawang trabaho sa field ng Pag-aaral ng Machine: Machine Learning Engineer at Data Scientist. Ang pagtatrabaho para sa mga inhinyero sa pag-aaral ng makina ay lumago nang 9.8 beses sa pagitan ng 2012 at 2017 at ang data ng siyentipikong datos ay nadagdagan ng 6.5 beses sa parehong limang taon. Kung patuloy ang kalakaran, ang mga trabaho na ito ay magkakaroon ng pagtatrabaho sa labas na higit sa maraming trabaho. Sa isang maliwanag na kinabukasan, maaaring ang isang trabaho sa larangan na ito ay tama para sa iyo?

Ano ang Pag-aaral ng Machine?

Ang pag-aaral ng machine (ML) ay kung ano ang gusto nito. Ang teknolohiyang ito ay nagsasangkot ng mga pagtuturo machine upang magsagawa ng mga tiyak na gawain. Hindi tulad ng tradisyonal na coding na nagbibigay ng mga tagubilin na nagsasabi sa mga computer kung ano ang gagawin, ang ML ay nagbibigay sa kanila ng data na nagpapahintulot sa kanila na malaman ito sa kanilang sarili, tulad ng isang tao o hayop ay gagawin. Mga tunog tulad ng magic, ngunit hindi ito. Ito ay nagsasangkot sa pakikipag-ugnayan ng mga siyentipiko ng computer at iba pa na may kaugnay na kadalubhasaan. Ang mga IT na propesyonal na ito ay lumikha ng mga programa na tinatawag na mga algorithm-set ng mga panuntunan na lutasin 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 computer na magsagawa ng mga gawain na hindi pa malinaw na na-program na gawin" (Dickson, Ben. Mga Kasanayan na Kailangan Ninyong Magkaroon ng Land a Job Learning Machine Ito Career Finder, Enero 18, 2017.) Ito ay nakakuha ng mas kumplikado, ngunit mas karaniwan, sa paglipas ng mga taon. Sa isang artikulo na nagsasalita sa prioritization ng pag-aaral ng machine at retraining ng mga inhinyero ng kumpanya, nagsusulat, "Para sa maraming mga taon, pag-aaral ng machine ay itinuturing na specialty, limitado sa isang piling tao lamang.

Ang panahon na iyon ay tapos na, tulad ng mga kamakailang resulta na nagpapahiwatig na ang pag-aaral ng makina, na pinapatakbo ng "neural nets" na sumusunod sa paraan ng isang biological na utak ay nagpapatakbo, ay ang totoong landas patungo sa pagpapaunlad ng mga computer sa mga kapangyarihan ng mga tao, at sa ilang mga kaso, sobrang mga tao "(Levy, Steven Paano Ginagawang Gumawa ng Google ang Sarili Bilang Isang Machine Learning First Company Wired. Hunyo 22, 2016).

Paano ginagamit ang pag-aaral ng makina sa "tunay na mundo?" Karamihan sa atin ay nanggaling sa teknolohiyang ito sa araw-araw na hindi binibigyang-isip ito. Kapag ginamit mo ang Google o ibang search engine, ang mga resulta na nanggagaling sa tuktok ng pahina ay ang resulta ng pag-aaral ng machine. Ang predictive text, pati na rin ang minsan ay maligned autocorrect tampok, sa texting app ng iyong smart phone, ay resulta din ng pag-aaral ng machine. Ang mga inirekumendang pelikula at mga kanta sa Netflix at Spotify ay mga karagdagang halimbawa kung paano ginagamit namin ang mabilis na lumalagong teknolohiya habang halos napansin ito.

Mas kamakailan lamang, ipinakilala ng Google ang Smart Reply sa Gmail. Sa dulo ng isang mensahe, ito ay nagtatanghal ng isang gumagamit na may tatlong posibleng tugon batay sa nilalaman. Uber at iba pang mga kumpanya ay kasalukuyang sumusubok sa mga self-driving na sasakyan.

Mga Industriya Paggamit ng Pag-aaral ng Machine

Ang paggamit ng pag-aaral ng machine ay umabot na sa kabila ng tech na mundo. Ang SAS, isang analytical software company, ay nag-ulat na maraming industriya ang nagpatibay sa teknolohiyang ito. Ang industriya ng mga serbisyo sa pananalapi ay gumagamit ng ML upang kilalanin ang mga pagkakataon sa pamumuhunan, ipaalam sa mga mamumuhunan kung kailan kinakalakal, kilalanin kung aling mga kliyente ang may mga profile na may mataas na panganib, at tuklasin ang pandaraya. Sa pangangalagang pangkalusugan, tinutulungan ng mga algorithm ang pag-diagnose ng mga sakit sa pamamagitan ng pagkuha ng mga abnormalidad.

Naisip mo na ba ang tanong, "bakit ang isang ad para sa produktong iyon na iniisip ko sa pagbili ng pagpapakita sa bawat web page na binibisita ko?" Pinapayagan ng ML ang industriya ng marketing at benta upang pag-aralan ang mga consumer 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. Dahil sa ML, ang industriya ng langis at gas ay maaaring makilala ang mga bagong pinagkukunan ng enerhiya (Pag-aaral ng Machine: Ano Ito at Bakit Ito Nangyayari. SAS).

Paano Pinapalitan ng Pag-aaral ng Machine ang Lugar ng Trabaho

Ang mga hula tungkol sa mga machine na kumukuha ng lahat ng aming mga trabaho ay sa paligid para sa mga dekada, ngunit ang ML sa wakas ay gumawa ng isang katotohanan? Inihula ng mga eksperto ang teknolohiyang ito at patuloy na babaguhin ang lugar ng trabaho. Ngunit sa pagkuha ng lahat ng aming mga trabaho? Karamihan sa mga eksperto ay hindi nag-iisip na mangyayari.

Habang hindi natututo ang pag-aaral ng machine sa 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 may kinalaman sa paggawa ng mabilis na mga desisyon batay sa data ay angkop para sa mga programang ML, hindi kaya kung ang desisyon ay nakasalalay sa mahahabang kadena ng pangangatuwiran, magkakaibang kaalaman sa background o sentido komun" sabi ni Byron Spice Spice ay Direktor ng Media Relations sa Carnegie Mellon Ang Paaralan ng Computer sa Unibersidad ng Computer (Spice, Byron. Ang Pag-aaral ng Makina ay Palitan ang Mga Trabaho. Carnegie Mellon University.

Disyembre 21, 2017).

Sa Science Magazine, si Erik Brynjolfsson at Tom Mitchell ay nagsulat, "ang pangangailangan sa paggawa ay mas malamang na mahulog para sa mga gawain na malapit na pamalit para sa mga kakayahan ng ML, samantalang ito ay mas malamang na tumaas para sa mga gawain na kumpleto sa mga sistemang ito. ang sistema ay tumatawid sa hangganan kung saan ito ay nagiging mas epektibo kaysa sa mga tao sa isang gawain, ang mga nakikinabang na negosyante at mga tagapamahala ay lalong naghahanap ng kapalit ng mga makina para sa mga tao. Maaaring magkaroon ito ng mga epekto sa buong ekonomiya, pagpapalakas ng pagiging produktibo, pagpapababa ng mga presyo, paglilipat ng pangangailangan sa paggawa, at mga industriya ng restructuring (Brynjolfsson, Erik at Mitchell, Tom.

Ano ang Magagawa ng Pag-aaral ng Machine? Mga Iminumungkahing Workforce. Agham. Disyembre 22, 2017).

Gusto mo ba ng Career sa Learning Machine?

Ang mga trabaho sa pag-aaral ng machine ay nangangailangan ng kadalubhasaan sa agham ng computer, istatistika, at matematika. Maraming tao ang pumupunta sa patlang na ito na may isang background sa mga patlang na iyon. Maraming mga kolehiyo na nag-aalok ng isang pangunahing pag-aaral sa makina ay nagsasagawa ng multi-disciplinary approach na may isang kurikulum na kinabibilangan, bukod sa agham ng computer, electrical at computer engineering, matematika, at istatistika (Top 16 Schools for Machine Learning.

Para sa mga taong na kasangkot sa Industriya ng Impormasyon Teknolohiya, ang paglipat sa isang trabaho sa ML ay hindi isang malayo lumukso. Maaaring mayroon ka ng 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, "kasalukuyang hindi maraming mga tao na eksperto sa ML kaya ang mga kumpanya tulad ng Google at Facebook ay ang retraining ng mga inhinyero na ang kadalubhasaan ay namamalagi sa tradisyunal na coding."

Habang marami sa mga kasanayan na binuo mo bilang isang IT propesyonal ay ilipat sa pag-aaral ng machine, maaaring ito ay isang maliit na hamon. Sana, ikaw ay nanatiling gising sa panahon ng iyong mga istatistika sa pag-aaral sa kolehiyo dahil ang ML ay nakasalalay sa isang malakas na kaalaman sa paksa, pati na rin sa matematika. Sinusulat ni Levy na kailangang isuko ng mga coder ang kabuuang control na mayroon sila sa paglulunsad ng isang sistema.

Hindi ka out of luck kung ang iyong tech employer ay hindi nagbibigay ng ML retraining ng Google at Facebook. Ang mga kolehiyo at Unibersidad, pati na rin ang mga online learning platform tulad ng Udemy at Coursera, ay nag-aalok ng mga klase na nagtuturo sa mga pangunahing kaalaman sa pag-aaral ng machine. Gayunpaman, mahalaga na pag-ikot ng iyong kadalubhasaan sa pamamagitan ng pagkuha ng mga istatistika at mga klase sa matematika.

Job Titles and Earnings

Ang pangunahing mga pamagat ng trabaho na iyong makikita kapag naghahanap ng trabaho sa larangan na ito ay ang engineer sa pag-aaral ng makina at siyentipiko ng data.

Ang mga inhinyero sa pag-aaral ng machine ay "nagpapatakbo ng mga operasyon ng isang proyekto sa pag-aaral ng makina at may pananagutan sa pamamahala ng imprastraktura at mga pipeline ng datos na kailangan upang dalhin ang code sa produksyon." Ang data siyentipiko ay nasa data at pagtatasa bahagi ng pagbubuo ng mga algorithm, sa halip na ang coding side. Kinokolekta rin nila, malinis, at naghahanda ng data (Zhou, Adelyn. "Artipisyal na Katalinuhan Mga Pamagat ng Trabaho: Ano ba ang Machine Learning Engineer?" Forbes, Nobyembre 27, 2017).

Batay sa mga pagsusumite ng gumagamit mula sa mga taong nagtatrabaho sa mga trabaho na ito, iniulat ng Glassdoor.com na ang mga inhinyero ng ML at data ng mga siyentipiko ay kumita ng average na suweldo sa base na $ 120,931. Ang mga suweldo ay mula sa isang mababang $ 87,000 hanggang sa isang mataas na $ 158,000 (Machine Learning Engineer Salaries. Glassdoor.com. Marso 1, 2018). Kahit na ang mga grupo ng Glassdoor ang mga pamagat na ito, mayroong ilang mga pagkakaiba sa pagitan nila.

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

Ang mga inhinyerong ML at data ng mga siyentipiko ay gumawa ng iba't ibang mga trabaho, ngunit may maraming mga magkakapatong sa pagitan nila. Ang mga anunsyo ng trabaho para sa parehong posisyon ay kadalasang may mga katulad na pangangailangan. Maraming mga tagapag-empleyo ang mas gusto ang mga bachelor's, master's, o doctor degree sa computer science o engineering, istatistika, o matematika.

Upang maging propesyonal sa pag-aaral ng machine, kakailanganin mo ang isang kumbinasyon ng mga teknikal na kasanayan-kasanayan na natutunan sa paaralan o sa trabaho-at malambot na mga kasanayan. Soft kasanayan ay ang kakayahan ng isa na hindi nila matuto sa silid-aralan, ngunit sa halip ay ipinanganak sa o kumuha sa pamamagitan ng karanasan sa buhay. Muli, mayroong isang mahusay na pakikitungo sa pagitan ng mga kinakailangang mga kasanayan para sa mga inhinyero ng ML at data ng mga siyentipiko.

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

Ang isang iba't ibang mga malambot na kasanayan ay magbibigay-daan sa iyo upang magtagumpay sa patlang na ito. Kabilang sa mga ito ang flexibility, adaptability, at perseverance. Ang pagbuo ng isang algorithm ay nangangailangan ng maraming pagsubok at error, at samakatuwid, ang pagtitiis. Ang isa ay dapat subukan ang isang algorithm upang makita kung ito ay gumagana at, kung hindi, bumuo ng isang bago.

Napakahalaga ng mahusay na mga kasanayan sa komunikasyon. Ang mga propesyonal sa pag-aaral ng machine, na madalas ay nagtatrabaho sa mga koponan, ay nangangailangan ng higit na pakikinig, pagsasalita, at interpersonal na kasanayan upang makikipagtulungan sa iba, at dapat din ipakita ang kanilang mga natuklasan sa kanilang mga kasamahan. Dapat silang, bilang karagdagan, maging aktibong mag-aaral na maaaring magsama ng bagong impormasyon sa kanilang gawain. Sa isang industriya kung saan ang halaga ng pagbabago ay dapat maging malikhain upang maging excel.