Простое руководство
«ИИ — это новая электроэнергия. Он преобразует и улучшит все области человеческой жизни» — Эндрю Нг
Оглавление
Введение. Программирование в области ИИ — новая грамотность.
Глава 1. Три шага к карьерному росту.
Глава 2. Изучение технических навыков для перспективной карьеры в ИИ.
Глава 3. Стоит ли учить математику, чтобы получить работу в области ИИ?
Глава 4. Планирование успешных ИИ-проектов.
Глава 5. Поиск проектов, которые соответствуют вашим карьерным целям.
Глава 6. Создание портфолио проектов, показывающего прогресс навыков.
Глава 7. Простая структура для начала поиска работы в ИИ.
Глава 8. Использование информационных интервью для поиска подходящей работы.
Глава 9. Найти подходящую работу в области ИИ для вас.
Глава 10. Ключи к построению карьеры в ИИ.
Глава 11. Преодоление синдрома самозванца.
Заключительные мысли. Делайте каждый день важным.
Программирование в области ИИ — новая грамотность
Сегодня мы считаем само собой разумеющимся, что многие люди умеют читать и писать. Когда-нибудь, я надеюсь, так же часто люди будут знать, как писать код, в частности для искусственного интеллекта.
Несколько сотен лет назад общество не рассматривало языковую грамотность как необходимый навык. Небольшое количество людей научилось читать и писать, а все остальные позволяли им это. Потребовались столетия, чтобы грамотность распространилась, и теперь благодаря этому общество стало намного богаче.
Слова дают возможность глубокого общения между людьми. Код — это самая глубокая форма общения человека и машины. По мере того как машины занимают все большее место в повседневной жизни, это общение становится все более важным.
Традиционная программная инженерия — написание программ, которые четко указывают компьютеру последовательность необходимых шагов, — это основной путь к кодовой грамотности. Многие вводные курсы по программированию используют в качестве примера создание видеоигры или веб-сайта. Но искусственный интеллект, машинное обучение и наука о данных предлагают новую парадигму, в которой компьютеры извлекают знания из данных. Эта технология открывает еще лучший путь к кодингу.
По воскресеньям я покупаю кусок пиццы в соседней пиццерии. Джентльмен за прилавком не имеет особых причин учиться создавать видеоигры или писать собственное программное обеспечение для своего веб-сайта (помимо личного роста и удовольствия от приобретения нового навыка).
Но ИИ и наука о данных имеют большую ценность даже для разносчика пиццы. Модель линейной регрессии может помочь ему лучше оценить спрос, чтобы оптимизировать штат ресторана и цепочку поставок. Он сможет лучше прогнозировать продажи, готовить больше моей любимой гавайской пиццы заранее и сократить для клиентов время ожидания.
Применение искусственного интеллекта и науки о данных можно найти практически в любой ситуации. В самых разных профессиях найдется больше применений для пользовательских приложений ИИ на основе данных, чем для традиционной разработки программного обеспечения. Это делает грамотность в области кодирования, ориентированного на ИИ, даже более ценной, чем традиционное кодирование. Она может дать возможность бесчисленному количеству людей использовать данные, чтобы сделать свою жизнь богаче.
Я надеюсь, что перспектива создания базовых приложений для ИИ побудит больше людей научиться кодить — даже в большей степени, чем перспектива создания базового традиционного программного обеспечения. Если общество примет эту новую форму грамотности так же, как умение читать и писать, мы все от этого только выиграем.
Глава 1. Три шага к карьерному росту
Быстрый рост ИИ привел к быстрому росту рабочих мест в этой области, и многие строят захватывающие карьеры. Карьера — это многолетнее путешествие и не всегда прямой путь. Много лет я наблюдал, как тысячи студентов и инженеры в больших и малых компаниях развивают свои карьеры в ИИ.
Вот план, которая поможет проложить ваш собственный путь.
Позже вы будете искать работу. И одновременно продолжать учиться и трудиться над значимыми проектами.
Три главных шага для роста карьеры — это изучение базовых навыков, работа над проектами, чтобы отточить ваши навыки, создать портфолио и произвести впечатление, и поиск работы. Эти шаги накладываются друг на друга:
- Изначально вы сосредотачиваетесь на изучении основ профессии.
- После приобретения базовых технических навыков начнете работать над проектами. В это время вы также будете продолжать учиться.
- Затем вы займетесь поиском работы.
Эти этапы присутствуют во множестве профессий, но в области ИИ есть свои уникальные элементы.
Изучение базовых навыков в ИИ — это процесс длиною в карьеру. ИИ находится на начальной стадии развития, и многие технологии все еще меняются. Основы машинного обучения и глубокого обучения становятся все более зрелыми, и учебные курсы — эффективный способ их освоения. Но за пределами этих основ оставаться в курсе меняющейся технологии в ИИ важнее, чем в более традиционных областях.
Работа над проектами часто означает сотрудничество с заинтересованными сторонами, у которых нет знаний в области ИИ. Это может затруднять поиск подходящего проекта, оценку времени его выполнения и возврата инвестиций.
Кроме того, высокоинтерактивность ИИ-проектов означает особые проблемы в управлении. Ведь как можно составить план создания системы, когда вы заранее не знаете, сколько времени понадобится для достижения желаемой точности? Даже после того как система достигла цели, может потребоваться дополнительная итерация для решения проблем, которые возникают после развертывания.
Нет единого мнения о навыках и ролях в ИИ. Поиск работы в ИИ похож на поиск работы в других секторах, но есть и важные отличия. Многие компании все еще пытаются выяснить, какие навыки в ИИ им нужны, и как нанимать людей, у которых эти навыки есть. То, над чем вы работали, может значительно отличаться от всего, что видел ваш собеседник. И вам, вероятно, придется объяснять потенциальным работодателям некоторые элементы вашей работы.
С каждым шагом вы также должны строить поддерживающее сообщество. Друзья и союзники, которые могут помочь вам и которым стремитесь помочь вы, сделают этот путь легче. Это справедливо независимо от того, новичок ли вы или работаете уже много лет.
Глава 2. Изучение технических навыков для перспективной карьеры в ИИ
В предыдущей главе я описал три главных шага к построению карьеры в ИИ: изучение основополагающих технических навыков, работа над проектами и поиск работы, причем все это сопровождается участием в сообществе.
В этой главе я хотел бы поговорить подробнее о первом шаге — приобретении основополагающих навыков. По ИИ опубликовано больше научных работ, чем кто-либо способен прочитать за всю жизнь. Поэтому при обучении важно расставлять приоритеты в выборе тем. Самые важные темы для технической карьеры в машинном обучении, по моему мнению, следующие:
- Основы машинного обучения
Например, важно понимать, что такое линейная регрессия, логистическая регрессия, нейронные сети, деревья решений, кластеризация и обнаружение аномалий. Помимо конкретных методов, еще важнее основные концепции: смещение/дисперсия, функции стоимости, регуляризация, алгоритмы оптимизации и анализ ошибок.
- Глубокое обучение
Это значительная часть машинного обучения, и без понимания этого сложно преуспеть в области ИИ! Полезно знать основы нейронных сетей, иметь практические навыки их настройки (например, настройки гиперпараметров), сверточные сети, последовательные модели и трансформеры.
- Разработка программного обеспечения
Даже если вы владеете исключительно навыками моделирования машинного обучения, вы уже можете получить работу и принести большую пользу. Однако ваша ценность как профессионала возрастет, если вы умеете писать качественное программное обеспечение для реализации сложных систем ИИ. Эти навыки включают программирование, знание структур данных, в особенности тех, которые связаны с машинным обучением, таких как фреймы данных, алгоритмов, включая работу с базами и обработку данных, проектирование программного обеспечения, знание Python и основных библиотек, например, TensorFlow, PyTorch и scikit-learn.
- Математика, относящаяся к машинному обучению
Главные разделы: линейная алгебра — векторы, матрицы и их применение, а также вероятность и статистика, включая дискретные и непрерывные вероятности, стандартные вероятностные распределения, основные правила, такие как независимость и правило Байеса, и тестирование гипотез. В дополнение к этому, недооцененный навык — исследовательский анализ данных EDA, то есть использование визуализаций и других методов для систематического изучения набора данных. Я нахожу EDA весьма ценным для разработки ИИ, ориентированной на данные, где анализ ошибок и формирование инсайтов реально могут помочь продвинуться дальше! Наконец, базовое интуитивное понимание основ исчисления также будет полезно. Необходимый для машинного обучения объем знаний в математике меняется. Например, хотя некоторые задачи требуют исчисления, улучшенное программное обеспечение автоматической дифференциации делает возможным изобретение и реализацию новых архитектур нейронных сетей без необходимости им заниматься. Это было практически невозможно десять лет назад.
Нужно многому научиться! Даже после того как вы освоите все в этом списке, я надеюсь, вы продолжите углублять свои технические знания. Я знал многих инженеров машинного обучения, которым принесли пользу более продвинутые прикладные навыки, например, в обработке естественного языка или компьютерном зрении, или в технологической области — вероятностных графических моделях или создании масштабируемых программных систем.
Как этому научиться? В интернете много хорошего контента, и теоретически чтение десятков веб-страниц может сработать. Но когда нужно разобраться в чем-то основательно, чтение разрозненных веб-страниц неэффективно. Ведь они, как правило, повторяют друг друга, используют неверную терминологию, что замедляет вас, различаются по качеству контента и оставляют пробелы. Вот почему хороший курс, в котором материал подается последовательно и логично, часто является самым быстрым способом освоить большой объем знаний. Когда вы усвоите знания, доступные на курсах, вы можете переключиться на научные работы и другие ресурсы.
Наконец, никто не может вызубрить все, что ему нужно знать, за выходные или даже за месяц. Все, кого я знаю и кто преуспел в машинном обучении, учатся всю жизнь. С учетом того, как быстро меняется наша область, у вас нет выбора, кроме как продолжать учиться, если вы хотите идти в ногу со временем.
Как поддерживать постоянный темп обучения в течение многих лет? Если вы сможете выработать привычку учиться понемногу каждую неделю, вы добьетесь значительного прогресса с меньшими усилиями.
Лучший способ выработать новую привычку
Одна из моих любимых книг — «Крошечные привычки: маленькие изменения, которые меняют все» Б. Дж. Фогга. Автор объясняет, что лучший способ выработать новую привычку — начинать с малого и добиваться успеха, а не пытаться сразу сделать что-то масштабное и потерпеть неудачу. Например, вместо того чтобы пытаться заниматься спортом по 30 минут в день, он рекомендует стремиться делать всего одно отжимание, но регулярно.
Этот метод может быть полезен тем из вас, кто хочет уделять больше времени учебе.
Если вы начнете с того, что будете постоянно заставлять себя смотреть, скажем, десятисекундное обучающее видео каждый день, привычка ежедневно заниматься учебой будет формироваться естественным образом. Даже если вы ничего не усвоите за эти 10 секунд, вы выработаете привычку понемногу заниматься каждый день. В некоторые дни вы, возможно, будете заниматься по часу или дольше.
Глава 3. Стоит ли учить математику для получения работы в области ИИ?
Сколько знаний по математике вам нужно, чтобы стать инженером по машинному обучению? И является ли владение математическими методами базовым навыком для ИИ? Всегда полезно знать больше математики! Но нужно так много всего изучать, что в реальности необходимо расставить приоритеты. Вот как вы можете укрепить свою математическую базу.
Чтобы выяснить, что важно знать, я спрошу, какие знания вам нужны, чтобы принимать необходимые для вашей работы решения. В DeepLearning.AI мы часто спрашиваем: «Что нужно знать человеку, чтобы достичь своих целей?». Целью может быть создание модели машинного обучения, разработка архитектуры системы или прохождение собеседования при приеме на работу.
Понимание математической основы алгоритмов, которые вы используете, часто бывает очень кстати, поскольку помогает отлаживать их. Но глубина полезных знаний со временем меняется. По мере того как методы машинного обучения развиваются и становятся более надежными и совершенными, они требуют меньше отладки. И даже поверхностного понимания задействованной математики может быть достаточно, чтобы заставить их работать.
Например, в более раннюю эпоху машинного обучения библиотеки линейной алгебры для решения линейных систем уравнений (для линейной регрессии) были незрелыми. Мне нужно было понять, как работают эти библиотеки, чтобы я мог выбирать между ними и избегать ошибок численного округления. Но это стало менее важным по мере того как библиотеки численной линейной алгебры совершенствовались.
Глубокое обучение все еще является новой технологией. Поэтому когда вы обучаете нейронную сеть, а алгоритм оптимизации изо всех сил пытается сходиться, понимание математики, которая лежит в основе градиентного спуска, импульса и алгоритма оптимизации Адама, поможет вам принимать более правильные решения.
Точно так же, если ваша нейронная сеть делает что-то странное, понимание математических основ архитектуры нейронных сетей позволяет вам лучше понять, что делать.
Конечно, я также одобряю обучение из любопытства. Если вас что-то интересует, продолжайте, изучайте это независимо от того, насколько полезным это может оказаться! Возможно, это приведет к творческой искре или техническому прорыву.
Глава 4. Планирование успешных ИИ-проектов
Один из важнейших навыков архитектора ИИ — способность определять, стоит работать над идеей или нет. В следующих нескольких главах мы обсудим поиск проектов и работу над ними, чтобы вы могли получить опыт и создать свое портфолио.
На протяжении многих лет я с удовольствием применял машинное обучение в производстве, здравоохранении, изменении климата, сельском хозяйстве, электронной коммерции, рекламе и других отраслях. Как можно найти в них значимые проекты, если ты не эксперт во всех этих секторах?
Вот пять шагов, которые помогут вам определить масштаб проектов.
Шаг 1
Определите бизнес-проблему (не проблему ИИ). Мне нравится находить
эксперта в области и спрашивать: «Какие три главные вещи вы хотели улучшить? Почему они еще не работают?». Например, если вы хотите применить ИИ в области изменения климата, можете обнаружить, что операторы электросетей не могут точно предсказать, сколько энергии в будущем могут генерировать непостоянные источники — ветер и солнце.
Шаг 2
Мозговой штурм решений ИИ. Когда я был моложе, я реализовывал любую идею, которая меня воодушевляла. Иногда это срабатывало, но иногда я в конечном итоге упускал еще лучшую идею, которая, возможно, потребовала бы меньше усилий для ее реализации. Как только вы поймете проблему, вы сможете более эффективно проводить мозговой штурм потенциальных решений.
Например, чтобы предсказать выработку электроэнергии из непостоянных источников, мы можем рассмотреть возможность использования спутниковых снимков для более точного определения местоположений ветряных турбин, оценки высоты и генерирующей мощности ветряных турбин. Или использования данных о погоде для лучшего прогнозирования облачности и, следовательно, солнечного излучения. Иногда нет хорошего решения ИИ, и это тоже нормально.
Шаг 3
Оцените целесообразность и ценность потенциальных решений. Вы можете определить, являются ли они технически осуществимыми, если изучите опубликованные работы — то, что сделали конкуренты. Или, возможно, вы создадите быструю демонстрационную версию. Вы можете определить ценность идеи, если проконсультируетесь с экспертами (например, с операторами электросетей, которые могут высказаться по поводу полезности упомянутых выше потенциальных решений).
Шаг 4
Определите контрольные точки. После того как только вы посчитали проект достаточно
ценным, определите показатели, к которым следует стремиться. Это и метрики машинного обучения (например, точность), и бизнес-метрики (например, доход). Команды машинного обучения часто предпочитают метрики, которые может оптимизировать алгоритм обучения. Но, возможно, потребуется выйти за пределы зоны комфорта, чтобы придумать бизнес-метрики, которые связаны с вовлеченностью пользователей, доходом и так далее.
К сожалению, не каждую бизнес-проблему можно свести к оптимизации точности набора тестов! Если не получается определить разумные контрольные точки — возможно, вам нужно узнать больше о проблеме. Быстрое подтверждение концепции может помочь дать новую точку зрения, которой вам недоставало.
Шаг 5
Составьте бюджет. Продумайте все, что вам понадобится для выполнения проекта, включая данные, персонал, время и любые интеграции или поддержку, которые могут вам понадобиться от других команд. Например, если вам нужны средства для покупки спутниковых снимков, убедитесь, что это есть в бюджете.
Работа над проектами — это итеративный процесс. Если на каком-либо этапе вы обнаружите, что текущее направление невозможно, вернитесь к более раннему этапу и продолжайте уже с этим опытом. Есть ли интересная для вас область, в которой ИИ может иметь значение? Я надеюсь, что эти шаги помогут вам изучить ее в ходе проектной работы — даже если у вас пока нет глубоких знаний о ней. ИИ не решит все проблемы, но как сообщество давайте искать способы оказать положительное влияние везде, где можем.
Глава 5. Поиск проектов, которые соответствуют вашим карьерным целям
Само собой разумеется, что мы должны работать только над ответственными, этичными и полезными для людей проектами. Но даже эти ограничения оставляют большую свободу выбора. В предыдущей главе я писал о том, как определять и планировать проекты ИИ. В этой и следующей главах акцент делается немного другой: выбор и выполнение проектов с прицелом на развитие карьеры.
Успешная карьера будет включать в себя множество проектов, которые, как мы надеемся, со временем будут все более масштабными, сложными и значимыми. Таким образом, начинать с малого вполне нормально. Используйте ранние проекты для обучения и постепенно переходите к более крупным по мере роста вашего мастерства.
Когда вы начинаете, не ждите, что другие преподнесут вам отличные идеи или ресурсы на блюдечке.
Что делать, если у вас нет идей для проекта?
Вот несколько способов их сгенерировать:
Присоединяйтесь к существующим проектам. Если вы найдете кого-то, у кого уже есть идея, попросите разрешения работать над проектом вместе.
Продолжайте читать и общаться с людьми. У меня рождаются новые идеи, когда я много читаю, прохожу курсы обучения или общаюсь с экспертами в какой-либо области. Я уверен, что и у вас так же.
Сосредоточьтесь на прикладной области. Многие исследователи пытаются продвинуть базовую технологию ИИ — скажем, изобретая следующее поколение трансформаторов или еще больше масштабируя языковые модели. Это захватывающее направление, но очень сложное.
Но машинное обучение еще не применялось для решения огромного множества разнообразных задач! Я смог применить нейронные сети ко всему, от автономного полета вертолета до онлайн-рекламы. Мне так повезло отчасти потому, что я стал работать над ними, когда мало кто этим занимался. Если ваша компания или учебное заведение нуждаются в конкретном приложении, изучите возможности машинного обучения. Это может дать вам первый взгляд на потенциально творческий проект — такой, где вы можете сделать нечто уникальное, чего еще никто не делал.
Развивайте подработку. Даже если у вас есть постоянная работа, интересный проект, может разбудить ваш творческий потенциал и укрепить связи с коллегами — даже если он не перерастет во что-то большее. Когда я был штатным профессором, работа над онлайн-образованием не входила в мои служебные обязанности, которые заключались в проведении исследований и преподавании. Это было забавное хобби, которым я часто занимался из любви к образованию. Мой ранний опыт записи видео дома помог мне позже работать над онлайн-образованием более содержательно. Кремниевая долина изобилует историями стартапов, которые начинались как сторонние проекты. Пока ваш работодатель не против, эти проекты могут стать ступенькой к чему-то значительному.
Если есть несколько идей проектов, какой из них выбрать?
Вот краткий чек-лист факторов, которые нужно учитывать.
Поможет ли вам проект вырасти в техническом отношении?
В идеале он должен быть достаточно сложным, чтобы расширить ваши навыки, но не настолько, чтобы у вас было мало шансов на успех. Это выведет вас на путь к освоению все большей технической сложности.
У вас есть хорошая команда, с которой можно работать?
Если нет, есть ли люди, с которыми вы можете обсудить свои вопросы? Мы многому учимся у окружающих, и хорошие сотрудники окажут огромное влияние на ваш рост.
Поставит ли это вас на ступеньку выше?
Если проект будет успешным, сделает ли его техническая сложность и/или влияние на бизнес значимым шагом к более крупным проектам? Если проект больше, чем те, над которыми вы работали раньше, есть большая вероятность, что да.
И наконец, избегайте «аналитического паралича». Нет смысла тратить месяц на решение, работать ли над проектом, который займет неделю. За время вашей карьеры у вас будет много проектов и достаточно возможностей для уточнения своих мыслей о том, чем стоит заниматься, а чем нет. Учитывая огромное количество возможных проектов ИИ, вместо традиционного подхода «готовься, целься, пли», вы можете ускорить свой прогресс с помощью «готовься, пли, целься».
Готов, огонь, цель
Работа над проектами требует принятия сложных решений о том, что создавать и как это делать. Вот два различных стиля:
Готовься, целься, пли. Тщательно планируйте и проводите тщательную проверку. Принимайте обязательства и только тогда, когда у вас есть высокая степень уверенности в том, что вы можете их исполнить.
Готовься, пли, целься. Переходите к разработке и начинайте действовать. Так вы сможете быстро обнаруживать проблемы и при необходимости менять направление.
Скажем, вы создали чат-бота для обслуживания клиентов для розничных продавцов и считаете, что он может помочь и ресторанам. Стоит ли вам тратить время на изучение рынка ресторанов перед началом разработки, двигаясь медленно, но сокращая риск потери времени и ресурсов? Или сразу же действовать быстро, при этом осознавать более высокий риск изменения или неудачи?
У обоих подходов есть свои сторонники, и выбор зависит от ситуации. «Готовься, целься, пли», как правило, лучше, если стоимость реализации высока, и исследование может пролить свет на то, насколько полезным или ценным может быть проект. Например, если вы можете провести мозговой штурм нескольких других вариантов использования (рестораны, авиалинии, телекоммуникационные компании и т. д.) и оценить эти варианты, чтобы определить наиболее перспективный, возможно, стоит потратить дополнительное время, прежде чем приступить к выполнению направления.
«Готовься, пли, целься» обычно лучше, если вы можете реализовать проект с низкими затратами, уже в процессе определить, осуществима ли идея вообще, и ухитриться заставить ее работать. Например, если вы можете быстро создать прототип, чтобы выяснить, нужен ли пользователям продукт, и если отмена или изменение направления после небольшого объема работы приемлемы, то имеет смысл действовать быстро.
Если каждая попытка обходится недорого, имеет смысл сделать их много. В этом случае процесс на самом деле выглядит как «готовься, пли, целься, пли, целься, пли, целься, пли».
После согласования направления проекта, когда дело доходит до построения модели машинного обучения, которая является частью продукта, я склоняюсь к «готовься, пли, целься». Построение моделей — это итеративный процесс. Многим приложениям стоимость обучения и анализа ошибок вполне по карману. Кроме того, очень сложно провести исследование, которое прольет свет на соответствующую модель, данные и гиперпараметры. Поэтому имеет смысл быстро построить сквозную систему и пересматривать ее, пока она не заработает хорошо.
Но когда приверженность направлению означает внесение дорогостоящих инвестиций или решение, которое трудно отменить, часто стоит потратить больше времени заранее, чтобы убедиться, что идея действительно хороша.
Глава 6. Создание портфолио, которое показывает прогресс ваших навыков
В течение карьеры вы, скорее всего, будете работать последовательно над проектами, каждый из которых будет масштабнее и сложнее предыдущего. Например:
- Учебные проекты
Первые несколько проектов могут представлять собой несложные задания с заранее определенными правильными ответами. Это часто отличный опыт обучения!
- Личные проекты
Вы можете продолжить работу над небольшими задачами в одиночку или с друзьями.
Например, повторно реализовать известный алгоритм, применить машинное обучение к хобби (скажем, предсказать, победит ли ваша любимая спортивная команда) или создать небольшую, но полезную систему на работе в свободное время (допустим, сценарий на основе машинного обучения, который помогает коллеге автоматизировать часть своей работы). Участие в соревнованиях вроде тех, которые организует Kaggle, — тоже один из способов получить опыт.
- Создание ценности
В конце концов, вы приобретете достаточно навыков, чтобы создавать проекты,
в которых другие увидят более ощутимую ценность. Это открывает доступ к большему количеству ресурсов. Например, вместо того, чтобы разрабатывать системы машинного обучения в свободное время, вы можете сделать это частью вашей работы и получить больше оборудования, вычислительного времени, бюджета на маркировку или персонала.
- Растущий объем и сложность
Успехи накладываются друг на друга и открывают дверь к большему техническому росту, количеству ресурсов и все более значительным возможностям для проектов.
Каждый проект — это всего лишь один шаг на более длинном пути, который, как мы надеемся, окажет положительное влияние. Кроме того:
Не беспокойтесь о том, что начнете со слишком малого. Один из моих первых исследовательских проектов по машинному обучению включал обучение нейронной сети, чтобы увидеть, насколько хорошо она может имитировать функцию синуса. Это было не очень полезно, но дало отличный опыт обучения, который помог мне перейти к более крупным проектам.
Коммуникация — это ключ. Вам нужно уметь объяснять свои мысли, если вы хотите, чтобы другие увидели ценность вашей работы и доверили вам ресурсы, которые вы можете инвестировать в более крупные проекты. На старте проекта сообщите о ценности того, что вы надеетесь создать. Это привлечет внимание коллег, наставников и менеджеров, чтобы они указали на недостатки в ваших рассуждениях. После того как вы закончите, четкое объяснение ваших достижений убедит других дать вам возможность заняться более крупными проектами.
Лидерство не только для менеджеров. Когда вы дорастете до работы над более крупными проектами ИИ, которые требуют командной работы, ваша способность руководить станет более важной независимо от того, занимаете ли вы официальную должность руководителя или нет. Многие из моих друзей успешно построили техническую, а не управленческую карьеру. Но их способность помогать управлять проектом с помощью глубоких технических знаний (например, когда инвестировать в новую техническую архитектуру или собирать больше данных определенного типа), позволила им вырасти как лидерам и значительно улучшить проект.
Создание портфолио, особенно такого, который показывает прогресс с течением времени от простых к сложным проектам, очень поможет, когда дело дойдет до поиска работы.
Глава 7. Простая структура для начала поиска работы в ИИ
Поиск работы включает несколько очевидных шагов: выбор компаний, в которые вы хотите подать заявку, подготовку к собеседованиям и, наконец, выбор роли и переговоры о зарплате и льготах. В этой главе я хотел бы сосредоточиться на структуре, которая будет полезна многим соискателям работы в ИИ, особенно тем, кто приходит из другой области.
Если вы рассматриваете свою следующую работу, спросите себя:
✓Вы меняете роль?
Например, если вы инженер-программист, студент университета или физик, который хочет стать инженером машинного обучения, это смена роли.
✓Вы меняете отрасль?
Например, если вы работаете в медицинской компании, компании финансовых услуг или государственном учреждении и хотите работать в компании-разработчике программного обеспечения, это смена отраслей.
Менеджер по продукту в технологическом стартапе, который становится специалистом по данным в той же или другой компании, сменил роль. Маркетолог в производственной фирме, который становится специалистом по маркетингу
в технологической компании, сменил отрасль. Аналитик в компании финансовых услуг, который становится инженером по машинному обучению в технологической компании, сменил и роль, и отрасль.
Если вы ищете свою первую работу в сфере ИИ, вам, вероятно, будет проще сменить роль или отрасль, чем делать и то, и другое одновременно. Допустим, вы аналитик, работающий в сфере финансовых услуг:
✓Если вы найдете работу в сфере науки о данных или машинного обучения в сфере финансовых услуг, вы можете продолжать использовать свои знания в предметной области и одновременно приобретать знания и опыт в области ИИ. После того как поработаете некоторое время на этой должности, вы будете в лучшей позиции для перехода в технологическую компанию (если это все еще будет вашей целью).
✓В качестве альтернативы, если вы станете аналитиком в технологической компании, вы можете продолжать использовать свои навыки аналитика, но применять их в другой отрасли. Если вы часть технологической компании, также гораздо легче узнавать от коллег о практических проблемах ИИ, нарабатывать навыки для успеха в ИИ и так далее.
Смена ролей в стартапе может быть проще, чем в крупной компании. Хотя есть исключения: в стартапах обычно недостаточно людей для выполнения всей нужной работы. Если вы можете помочь с задачами ИИ, даже если это не ваша официальная работа — это, скорее всего, будет оценено по достоинству. Так закладывается основа для возможной смены ролей без необходимости покидать компанию.
Напротив, в крупной компании четкая система вознаграждений, скорее всего, поощрит вас за хорошую работу. И вашего менеджера — за то, что поддерживал вас в выполнении работы, на которую вы были наняты. Но не факт, что она вознаградит вас за достижение, которое выходит за рамки вашей работы.
После того как поработаете некоторое время на желаемой на должности и в отрасли, которые вы хотели (например, инженер по машинному обучению в технологической компании), вы будете иметь ясное представление о требованиях к этой роли в этой отрасли на более высоком уровне. У вас также будут связи в этой отрасли, которые помогут вам в этом. Поэтому будущие поиски работы — если вы решите придерживаться роли и отрасли — скорее всего, будут проще.
При смене работы вы делаете шаг в неизвестность, особенно если вы меняете роли или отрасли. Один из самых недооцененных инструментов для более глубокого знакомства с новой ролью и/или отраслью — информационное интервью. Я расскажу об этом подробнее в следующей главе.
Я благодарен Салве Нур Мухаммаду, генеральному директору FourthBrain (дочерней компании DeepLearning.AI), за некоторые идеи, которые легли в основу этой главы.
Преодоление неопределенности
Мы многого не знаем о будущем: когда мы вылечим болезнь Альцгеймера? Кто победит на следующих выборах? Или, в деловом контексте, сколько клиентов у нас будет в следующем году?
С таким количеством изменений, которые происходят в мире, многие люди тревожатся о будущем, особенно когда речь идет о поиске работы. У меня есть практика, которая помогает мне вернуть чувство контроля. Столкнувшись с неопределенностью, я стараюсь:
- Составить список правдоподобных сценариев, признавая, что я не знаю, что произойдет.
- Создать план действий для каждого сценария.
- Начать выполнять действия, которые кажутся разумными.
- Периодически пересматривать сценарии и планы по мере того как будущее становится более определенным.
Например, во время пандемии Covid-19 в марте 2020 года я выполнил это упражнение по планированию сценариев. Я представил себе быстрое (три месяца), среднее (один год) и медленное (два года) восстановление от Covid-19 и составил планы действий для каждого варианта. Эти планы помогли мне расставить приоритеты там, где я это мог.
Тот же метод можно применить и к личной жизни. Если вы не уверены, что сдадите экзамен, получите предложение о работе или визу (а все это может вызвать стресс), вы можете написать, что будете делать в каждом из вероятных сценариев. Продумывание возможностей и следование планам может помочь вам эффективно ориентироваться в будущем независимо от того, что оно принесет.
Бонус: с обучением в области ИИ и статистики вы можете рассчитать вероятность для каждого сценария. Я поклонник методологии суперпрогнозирования, в которой суждения многих экспертов синтезируются в оценку вероятности.
Глава 8. Использование информационных интервью для поиска подходящей работы
Если вы готовитесь сменить роль (например, впервые устроиться на работу инженером по машинному обучению) или отрасль (скажем, впервые начать работать в компании, которая занимается технологиями ИИ) — скорее всего, вы многого не знаете о вашей целевой работе. Метод информационного интервьюирования — отличный способ узнать больше.
Информационное интервью заключается в том, чтобы найти человека в компании или на должности, о которой вы хотели бы узнать больше, и расспросить о его работе. Такие беседы не являются частью поиска работы. Полезно поговорить с людьми, которые занимают интересующие вас должности — задолго до того, как вы будете готовы начать поиск работы.
✓Информационные интервью особенно актуальны для ИИ. Поскольку эта область развивается, многие компании используют названия должностей по-разному. В одной компании от специалистов по данным могут ожидать, что они будут в основном анализировать бизнес-данные и представлять выводы на слайдах. В другой — что будут писать и поддерживать производственный код. Информационное интервью поможет вам разобраться, чем на самом деле занимаются специалисты по ИИ в конкретной компании.
✓С быстрым расширением возможностей в сфере ИИ многие люди впервые берутся за подобную работу. В этом случае информационное интервью может оказаться бесценным, чтобы понять, что происходит и какие навыки необходимы для какой-либо должности. Например, вы можете узнать, какие алгоритмы, процессы развертывания и программные стеки использует конкретная компания. Если вы еще не знакомы с развитием ИИ, ориентированным на данные, то удивитесь, узнав, сколько времени большинство инженеров по машинному обучению тратят на итеративную очистку наборов данных.
Подготовьтесь к информационным интервью: заранее изучите информацию о собеседователе и компании, чтобы подготовить вопросы.
Вы можете спросить:
✓Что вы делаете в обычную неделю или день?
✓Каковы самые важные задачи в этой роли?
✓Какие навыки наиболее важны для успеха?
✓Как ваша команда работает вместе, чтобы достичь своих целей?
✓Каков процесс найма?
✓Чем проявили себя выдающиеся кандидаты в прошлом?
Найти кого-то для собеседования не всегда легко. Но многие из тех, кто сегодня занимает руководящие должности, получали помощь, когда были новичками. Им помогли те, кто пришел в эту сферу раньше них. И многие стремятся тоже помочь кому-то. Если вы можете связаться с кем-то из вашего окружения — возможно, с другом, который перешел в сферу ИИ раньше вас, или с тем, кто учился в той же школе, что и вы, — это здорово! Такие встречи, как Pie & AI, также могут помочь вам наладить нужные контакты.
Наконец, будьте вежливы и профессиональны и поблагодарите людей, с которыми вы беседовали. И когда у вас появится шанс, пожалуйста, также «платите вперед» и помогите кому-то, кто придет после вас. Если вы получите запрос на информационное интервью от кого-то из сообщества DeepLearning.AI, я надеюсь, вы поможете им сделать шаг вперед! Если вам интересно узнать больше об информационных интервью, я рекомендую эту статью из центра карьеры Калифорнийского университета в Беркли.
Я уже несколько раз упоминал о важности ваших контактов и сообщества. Люди, с которыми вы знакомились, могут дать вам важную информацию. Кроме того, они могут оказать неоценимую помощь — порекомендовать вас потенциальным работодателям.
Глава 9. Найти подходящую работу в области ИИ для вас
В этой главе я хотел бы обсудить некоторые тонкости поиска работы.
Типичный поиск работы довольно предсказуем.
✓Изучите вакансии и компании в интернете или пообщавшись с друзьями.
✓По желанию организуйте неформальные информационные интервью с людьми в компаниях, которые вам нравятся.
✓Подайте заявку напрямую или, если можете, получите рекомендацию от кого-то из своих.
✓Пройдите собеседование в компаниях, которые приглашают вас.
✓Получите одно или несколько предложений и выберите одно. Или, если вы не получили предложения, попросите отзывы у интервьюеров, сотрудников отдела кадров, участников интернет-форумов или кого-либо в вашем окружении, кто может помочь вам спланировать следующий шаг.
Хотя процесс вам, скорее всего, знаком, каждый раз он будет немного иным. Вот несколько советов, которые увеличат ваши шансы найти работу для успешной карьеры и дальнейшего роста.
Уделите внимание главному
Убедительное резюме, портфолио технических проектов и высокие результаты на собеседовании откроют вам любые двери. Даже если у вас есть рекомендация от кого-то в компании, резюме и портфолио станут тем, что узнают о вам многие люди.
Обновите свое резюме и убедитесь, что оно четко представляет ваше образование и опыт, которые соответствуют желаемой должности. Настройте свои коммуникации с каждой компанией, чтобы объяснить, почему вы ей хорошо подходите. Перед собеседованием спросите у рекрутера, чего ожидать.
Выделите время, чтобы просмотреть распространенные вопросы собеседования и попрактиковаться в ответах на них. Освежите в памяти ключевые навыки и изучите технические материалы. После этого делайте заметки, которые помогут вам запомнить то, что было сказано.
Проявляйте уважение и ответственность
Настраивайтесь на собеседования и переговоры с позиции win-win. В социальных сетях негатив распространяется быстрее, чем взвешенное мнение. Поэтому раздувается история о том, как кому-то недоплатили, но когда работодатель отнесся к кому-то справедливо, это особенно не обсуждают. Подавляющее большинство работодателей этичны и справедливы, поэтому не позволяйте историям о нескольких людях, с которыми плохо обошлись, повлиять на ваш подход.
Если вы уходите с работы, уходите достойно. Дайте своему работодателю достаточно времени, работайте в полную силу до последнего часа, передайте незаконченные дела как можно лучше и уйдите, выполнив все свои обязательства.
Выбирайте, с кем работать
Заманчиво занять должность из-за проектов, над которыми вам предстоит работать. Но будущие товарищи по команде, по крайней мере, не менее важны. На нас влияет окружение, поэтому ваши коллеги будут иметь большое значение. Например, если ваши друзья курят, увеличивается вероятность того, что вы тоже будете курить.
Я не знаю исследования, которое это показывает. Но почти уверен, что если большинство ваших коллег будут усердно работать, постоянно учиться и создавать ИИ, чтобы приносить пользу всем людям, вы, скорее всего, будете делать то же самое. (Кстати, некоторые крупные компании не скажут вам, кто будет в вашей команде, пока вы не примете предложение. В этом случае будьте настойчивы и продолжайте добиваться знакомства и общения с потенциальными коллегами. Это может быть невозможно из-за строгих правил компании, но зато так вы меньше рискуете принять предложение вслепую и получить менеджера или коллег, которые вам не подходят).
Получите помощь от своего сообщества
Большинство людей ищет работу лишь несколько раз за свою карьеру, поэтому немногие умеют делать это хорошо. Однако в целом люди в вашем ближайшем сообществе, вероятно, имеют большой опыт. Не стесняйтесь обращаться к ним.
Друзья и коллеги могут дать совет, поделиться закрытыми сведениями и направить вас к другим, которые могут помочь. Я получил большую помощь и поддержку от друзей и наставников, когда подал заявку на свою первую должность преподавателя, и многие их советы были очень полезны.
Я знаю, что процесс поиска работы может быть пугающим. Вместо того чтобы пытаться сделать все одним махом, разбейте его на отдельные шаги. Начните с определения возможных ролей и проведения нескольких информационных собеседований. Если вы поймете, что вам нужно узнать больше, прежде чем вы будете готовы подать заявление, — это здорово! По крайней мере, у вас есть четкий план. Самая важная часть любого пути — сделать первый шаг, пусть даже небольшой.
Глава 10. Ключи к построению карьеры в ИИ
Путь к карьерному успеху в ИИ сложнее, чем я могу описать в одной короткой электронной книге. Надеюсь, предыдущие главы дадут вам импульс для движения вперед.
Вот о чем еще стоит подумать, прокладывая свой путь к успеху:
- Командная работа
Когда мы беремся за крупные проекты, в команде мы добиваемся большего успеха, чем индивидуально. Способность сотрудничать, влиять и подвергаться влиянию других людей имеет решающее значение. Таким образом, межличностные и коммуникативные навыки действительно важны. (Кстати, раньше я был довольно плохим коммуникатором).
- Нетворкинг
Я ненавижу нетворкинг! Для интроверта необходимость идти на вечеринку, улыбаться и пожимать как можно больше рук — это занятие на грани ужаса. Я бы предпочел остаться дома и почитать книгу. Тем не менее мне повезло, и я нашел много настоящих друзей в ИИ — людей, за которых я бы с радостью поборолся, и на которых я также рассчитываю.
Никто не остров, и наличие прочных профессиональных связей может помочь, когда вам нужны помощь или совет. Я обнаружил, что вместо нетворкинга полезнее создавать сообщество. Поэтому вместо налаживания личных связей я создаю сообщества, частью которых являюсь. Это помогает мне встречаться с большим количеством людей и заводить друзей.
- Поиск работы
Из всех шагов в построении карьеры этот обычно привлекает наибольшее внимание. К сожалению, в интернете много плохих советов по этому поводу. Например, многие статьи призывают занять враждебную позицию по отношению к потенциальным работодателям, что, по-моему, бесполезно. Поиск работы — всего лишь один маленький шаг на долгом пути к карьере, хотя может показаться, что это конечная цель.
- Личная дисциплина
Мало кто знает, как вы проводите ли вы свои выходные: обучаетесь или смотрите телевизор. Но со временем они заметят разницу. Многие успешные люди вырабатывают хорошие привычки в отношении еды, физических упражнений, сна, личных отношений, работы, обучения и ухода за собой. Такие правила помогают им двигаться вперед и оставаться здоровыми.
- Альтруизм
Я считаю, что люди, которые стремятся поддерживать других на каждом шаге своего пути, часто достигают лучших результатов для себя. Как мы можем помочь другим, даже если мы строим захватывающую карьеру для себя?
Глава 11. Преодоление синдрома самозванца
Прежде чем мы погрузимся в последнюю главу этой книги, я хотел бы затронуть серьезную проблему некоторых новичков в области ИИ. Это синдром самозванца, когда кто-то независимо от своего успеха в этой области задается вопросом, мошенник ли он или действительно принадлежит к сообществу ИИ.
Я хочу убедиться, что это не отпугнет вас или кого-либо еще от карьеры в области ИИ.
Позвольте пояснить: если вы хотите стать частью сообщества ИИ, то я приветствую вас с распростертыми объятиями. Если вы хотите присоединиться к нам, вы полностью принадлежите нам!
По некоторым оценкам, 70 процентов людей в какой-то момент испытывают ту или иную форму синдрома самозванца.
Многие талантливые люди публично говорили об этом опыте, включая бывшего
главного операционного директора Facebook Шерил Сэндберг, первую леди США Мишель Обаму, актера Тома Хэнкса и содиректора Atlassian Майка Кэннона-Брукса. Это случается в нашем сообществе даже среди состоявшихся людей. Если вы никогда не испытывали такого, это здорово! Надеюсь, вы будете приветствовать всех, кто хочет присоединиться к нашему сообществу, так же радушно, как и я.
ИИ — технически сложная система, и в ней есть немало умных и талантливых людей. Но не забывайте — чтобы в чем-то преуспеть, сначала нужно в этом провалиться. Если вам удалось провалиться в ИИ — поздравляем, вы на верном пути!
Однажды я пытался понять математику линейной регрессии. Я был озадачен, когда логистическая регрессия странно работала на моих данных, и мне потребовалось несколько дней, чтобы найти ошибку в моей реализации базовой нейронной сети. Сегодня мне все еще сложно читать многие научные статьи, и недавно я допустил очевидную ошибку при настройке гиперпараметра нейронной сети (которую, к счастью, обнаружил и исправил коллега-инженер).
Так что если многое в искусственном интеллекте вам кажется сложным, это нормально. Мы все через это проходили. Я гарантирую, что каждый, кто опубликовал основополагающую статью об искусственном интеллекте, в какой-то момент сталкивался с похожими техническими проблемами.
Вот несколько вещей, которые могут помочь
✓У вас есть наставники или коллеги, которые вас поддерживают? Если еще нет, посетите Pie & AI или другие мероприятия, используйте форумы и постарайтесь найти их. Если ваши наставники или менеджеры не помогают вам расти, найдите тех, кто поможет. Я также работаю над тем, как создать поддерживающее сообщество ИИ, и надеюсь сделать поиск и оказание поддержки проще для всех.
✓Невозможно быть экспертом во всем. Осознайте, что вы делаете хорошо. Если, например, вы понимаете и объясняете своим друзьям десятую часть статей в The Batch, то вы на верном пути! Давайте поработаем над тем, чтобы вы поняли две десятых статей.
Моя трехлетняя дочь (которая едва может считать до 12) регулярно пытается научить чему-то моего годовалого сына. Неважно, насколько далеко вы продвинулись — если вы по крайней мере на уровне знаний трехлетнего ребенка — вы можете поощрять и поддерживать других, стоящих за вами. Это поможет и вам, поскольку другие, стоящие за вами, признают вашу компетентность и также поощряют вас продолжать развиваться.
Если вы приглашаете других присоединиться к сообществу ИИ (что, я надеюсь, вы и делаете), это тоже уменьшает любые сомнения в том, что вы уже один из нас.
ИИ — такая важная часть нашего мира, что я хотел бы, чтобы каждый, кто хочет стать его частью, чувствовал себя как дома в качестве члена нашего сообщества. Давайте работать вместе, чтобы это произошло.
Заключительные мысли
Делайте каждый день важным
Каждый год в свой день рождения я начинаю думать о днях, которые прошли, и о тех, что впереди.
Может быть, вы хороши в математике — я уверен, что тогда вы сможете быстро сделать расчет. Но позвольте задать вам вопрос, и, пожалуйста, ответьте интуитивно, без расчетов.
Сколько дней в обычной средней жизни человека?
- 20 000 дней
- 100 000 дней
- 5 миллионов дней
- 1 миллион дней
Когда я спрашиваю друзей, многие выбирают число в сотнях тысяч. (Многие другие не могут удержаться от подсчета ответа, к моему раздражению!).
Когда я был аспирантом, я помню, как ввел свои статистические данные в калькулятор смертности, чтобы вычислить свою продолжительность жизни.
Калькулятор показал, что я могу рассчитывать прожить в общей сложности 27 649 дней. Меня поразило, насколько это мало. Я распечатал его крупным шрифтом и повесил на стену своего офиса в качестве ежедневного напоминания.
Это все дни, когда нам нужно провести с близкими, учиться, строить будущее и помогать другим. Что бы вы ни делали сегодня, стоит ли это 1/30 000 вашей жизни?
Если вы тоже хотите переводить тексты быстро и качественно, познакомьтесь с платформой JDAI Hub, которая объединяет передовые нейросети. Она станет вашим надежным помощником в изучении и переводе текстов любой сложности. Узнайте больше и начните свое путешествие в мир эффективного перевода вместе с JDAI Hub!