Obraz autorstwa autora

Rozległy rozwój sztucznej inteligencji (AI) i uczenia maszynowego (ML) zmusił rynek pracy do dostosowania się. Era generalistów AI i ML dobiegła końca, a my weszliśmy w erę specjalistów.

Nawet bardziej doświadczeni użytkownicy mogą mieć trudności z odnalezieniem się w tej sytuacji, a co dopiero początkujący.

Dlatego stworzyłem ten krótki przewodnik, który pomoże Ci zrozumieć różne zadania związane ze sztuczną inteligencją (AI) i uczeniem maszynowym (ML).

Czym są AI i ML?

Sztuczna inteligencja (AI) to dziedzina informatyki, której celem jest tworzenie systemów komputerowych wykazujących inteligencję zbliżoną do ludzkiej.

ML to dziedzina sztucznej inteligencji, która wykorzystuje algorytmy do tworzenia i wdrażania modeli, które mogą uczyć się na podstawie danych i podejmować decyzje bez konieczności programowania wyraźnych instrukcji.

Praca w AI i ML

Złożoność sztucznej inteligencji i uczenia maszynowego oraz ich różnorodne zastosowania sprawiają, że w różnych pracach stosuje się je w różny sposób.

Oto dziesięć zawodów, o których chcę opowiedzieć.

Mimo że wszystkie te stanowiska wymagają sztucznej inteligencji i uczenia maszynowego, a umiejętności i narzędzia czasami się pokrywają, każde stanowisko wymaga pewnego odrębnego aspektu wiedzy specjalistycznej w zakresie sztucznej inteligencji i uczenia maszynowego.

Oto przegląd tych różnic.

1. Inżynier AI

Osoba na tym stanowisku zajmuje się głównie opracowywaniem, wdrażaniem, testowaniem i utrzymywaniem systemów AI.

Umiejętności techniczne

Podstawowe umiejętności inżyniera AI skupiają się na budowaniu modeli AI, dlatego języki programowania i techniki uczenia maszynowego są niezbędne.

Narzędzia

Głównymi wykorzystywanymi narzędziami są biblioteki Pythona, narzędzia do obsługi dużych zbiorów danych i bazy danych.

• Przepływ Tensorowy, PyTorch – tworzenie sieci neuronowych i aplikacji ML przy użyciu wykresy dynamiczne I obliczenia na wykresach statycznych
• Hadoop, Iskra – przetwarzanie i analizowanie duże dane
• nauka scikit, Keras – wdrażanie nadzorowany I algorytmy ML bez nadzoru i budowania modeli, w tym Modele DL
• SQL (np. PostgreSQL, Baza danych MySQL, Serwer SQL, Wyrocznia), bazy danych NoSQL, takie jak MongoDB (Do dane zorientowane na dokumentynp, JSON-takich jak dokumenty) i Kasandra (model danych rodziny kolumn doskonałe do danych szeregów czasowych) – przechowywanie i zarządzanie danymi ustrukturyzowanymi i nieustrukturyzowanymi

Projektowanie

Inżynierowie AI pracują nad projektami automatyzacji i systemami AI, takimi jak:

• Pojazdy autonomiczne
• Asystenci wirtualni
• Roboty medyczne
• Roboty do linii produkcyjnych
• Systemy inteligentnego domu

Rodzaje pytań na rozmowie kwalifikacyjnej

Pytania na rozmowie kwalifikacyjnej odzwierciedlają wymagane umiejętności, dlatego możesz spodziewać się następujących tematów:

2. Inżynier ML

Inżynierowie ML opracowują, wdrażają i utrzymują modele ML. Ich celem jest wdrażanie I strojenie modeli w produkcji.

Umiejętności techniczne

Głównymi umiejętnościami inżynierów ML, oprócz zwykłej wiedzy z zakresu uczenia maszynowego, są inżynieria oprogramowania i zaawansowana matematyka.

Narzędzia

Narzędzia inżynierów ML są podobne do narzędzi inżynierów AI.

Projektowanie

Wiedza inżynierów ML jest wykorzystywana w następujących projektach:

Rodzaje pytań na rozmowie kwalifikacyjnej

ML stanowi kluczowy aspekt pracy każdego inżyniera ML, dlatego jest on głównym tematem rozmów kwalifikacyjnych.

• Koncepcje uczenia maszynowego – podstawy uczenia maszynowego, np. rodzaje uczenia maszynowego, nadmierne dopasowanieI niedopasowanie
• Algorytmy ML
• Pytania dotyczące kodowania
• Przetwarzanie danych – podstawy przygotowywania danych do modelowania
• Ocena modelu – techniki i metryki oceny modeluw tym dokładność, precyzja, odwołanie, wynik F1 i krzywa ROC
• Pytania rozwiązujące problemy

3. Naukowiec ds. danych

Naukowcy zajmujący się danymi zbierają i czyszczą dane oraz wykonują analizę eksploracyjną danych (EDA), aby lepiej je zrozumieć. Tworzą modele statystyczne, Algorytmy MLoraz wizualizacje pozwalające zrozumieć wzorce danych i formułować przewidywania.

W przeciwieństwie do inżynierów uczenia maszynowego, naukowcy zajmujący się danymi są bardziej zaangażowani w początkowe etapy modelu ML; skupiają się na odkrywaniu wzorców danych i wyciąganiu z nich wniosków.

Umiejętności techniczne

Umiejętności naukowców zajmujących się danymi koncentrują się na dostarczaniu przydatnych informacji.

Narzędzia

• Żywy obraz, Power BI – wizualizacja danych
• Przepływ Tensorowy, nauka scikit, Keras, PyTorch – rozwijanie, szkolenie, wdrażanie modeli ML i DL
• Notatniki Jupyter – interaktywne kodowanie, wizualizacja danych, dokumentacja
• Bazy danych SQL i NoSQL – tak samo jak inżynier ML
• Hadoop, Iskra – tak samo jak inżynier ML
• pandy, NumPy, SciPy – manipulacja danymi i obliczenia numeryczne

Projektowanie

Naukowcy zajmujący się danymi pracują nad tymi samymi projektami co inżynierowie uczenia maszynowego, tyle że na etapach poprzedzających wdrożenie.

Rodzaje pytań na rozmowie kwalifikacyjnej

4. Inżynier danych

Opracowują i utrzymują systemy przetwarzania danych oraz budują potoki danych, aby zapewnić dostępność danych. Uczenie maszynowe nie jest ich główną pracą. Współpracują jednak z inżynierami ML i naukowcami danych, aby zapewnić dostępność danych dla modeli ML, więc muszą rozumieć podstawy ML. Czasami integrują również algorytmy ML z potokami danych, np. w celu klasyfikacji danych lub wykrywania anomalii.

Umiejętności techniczne

• Języki programowania (Pyton, Skala, Jawa, Grzmotnąć) – manipulacja danymi, przetwarzanie dużych zbiorów danych, pisanie skryptów, automatyzacja, budowanie rurociągi danychzarządzanie procesami systemowymi i plikami
• Magazynowanie danych – zintegrowane przechowywanie danych
• Procesy ETL (ekstrakcja, transformacja, ładowanie) – budowanie potoków ETL
• Technologie big data – rozproszone przechowywanie, przesyłanie strumieniowe danychzaawansowana analityka
• Zarządzanie bazami danych – przechowywanie, bezpieczeństwo i dostępność danych
• ML – dla przepływów danych opartych na uczeniu maszynowym

Narzędzia

Projektowanie

Inżynierowie danych pracują nad projektami, które udostępniają dane innym rolom.

• Budowanie potoków ETL
• Budowa systemów do strumieniowego przesyłania danych
• Pomoc we wdrażaniu modeli ML

Rodzaje pytań na rozmowie kwalifikacyjnej

Inżynierowie danych muszą wykazać się wiedzą na temat architektury i infrastruktury danych.

5. Naukowiec badający sztuczną inteligencję

Naukowcy ci prowadzą badania skupiające się na opracowywaniu nowych algorytmów i zasad sztucznej inteligencji.

Umiejętności techniczne

• Języki programowania (Pyton, R) – analiza danych, prototypowanie i wdrażanie modeli AI
• Metodyka badań – projekt eksperymentuformułowanie i testowanie hipotez, analiza wyników
• Zaawansowane ML – rozwijanie i udoskonalanie algorytmów
• NLP – poprawa możliwości systemów NLP
• DL – poprawa możliwości systemów DL

Narzędzia

• Przepływ Tensorowy, PyTorch – opracowywanie, szkolenie i wdrażanie modeli ML i DL
• Notatniki Jupyter – interaktywne kodowanie, wizualizacja danych i dokumentowanie przepływów prac badawczych
• Lateks – pisanie naukowe

Projektowanie

Pracują nad tworzeniem i udoskonalaniem algorytmów wykorzystywanych w:

Rodzaje pytań na rozmowie kwalifikacyjnej

Naukowcy zajmujący się badaniami nad sztuczną inteligencją muszą wykazać się umiejętnościami praktycznymi I bardzo duża wiedza teoretyczna na temat sztucznej inteligencji i uczenia maszynowego.

• Podstawy teoretyczne AI i ML
• Praktyczne zastosowanie sztucznej inteligencji
• Algorytmy ML – teoria i zastosowanie różnych algorytmów ML
• Podstawy metodologii

6. Analityk Business Intelligence

Analitycy BI analizują dane, ujawniają praktyczne spostrzeżenia i prezentują je interesariuszom za pośrednictwem wizualizacji danych, raportów i pulpitów nawigacyjnych. AI w Business Intelligence jest najczęściej wykorzystywana do automatyzacji przetwarzania danych, identyfikowania trendów i wzorców w danych oraz analityki predykcyjnej.

Umiejętności techniczne

• Języki programowania (Pyton) – wyszukiwanie danych, przetwarzanie, analiza, raportowanie, wizualizacja
• Analiza danych – dostarczanie praktycznych informacji do podejmowania decyzji
• Analityka biznesowa – identyfikacja szans i optymalizacja procesów biznesowych
• Wizualizacja danych – prezentacja spostrzeżeń w formie wizualnej
• Uczenie maszynowe – analityka predykcyjna, wykrywanie anomalii, ulepszone spostrzeżenia dotyczące danych

Narzędzia

Projektowanie

Projekty, nad którymi pracują, skupiają się na analizie i raportowaniu:

• Analiza odejść
• Analiza sprzedaży
• Analiza kosztów
• Segmentacja klientów
• Ulepszanie procesów, np. zarządzanie zapasami

Rodzaje pytań na rozmowie kwalifikacyjnej

Pytania zadawane analitykom BI podczas rozmów kwalifikacyjnych skupiają się na umiejętnościach kodowania i analizy danych.

• Pytania dotyczące kodowania
• Podstawy danych i baz danych
• Podstawy analizy danych
• Pytania rozwiązujące problemy

Wniosek

AI i ML to rozległe i stale rozwijające się dziedziny. Wraz z nimi ewoluują również stanowiska wymagające umiejętności AI i ML. Prawie każdego dnia pojawiają się nowe opisy stanowisk i specjalizacje, odzwierciedlające rosnącą potrzebę przedsiębiorstw, aby wykorzystać możliwości AI i ML.

Omówiłem sześć prac, które, jak oceniłem, najbardziej Cię zainteresują. Jednak to nie są jedyne prace związane z AI i ML. Jest ich o wiele więcej i będą się pojawiać, więc staraj się być na bieżąco.

Nate Rosidi jest naukowcem danych i strategią produktu. Jest również profesorem nadzwyczajnym uczącym analityki i założycielem StrataScratch, platformy pomagającej naukowcom danych przygotować się do rozmów kwalifikacyjnych za pomocą prawdziwych pytań z najlepszych firm. Nate pisze o najnowszych trendach na rynku pracy, udziela porad dotyczących rozmów kwalifikacyjnych, dzieli się projektami z zakresu nauki o danych i zajmuje się wszystkim, co dotyczy SQL.