دانشمندان داده و دانشمندان یادگیری ماشین نقش های مشابهی دارند، اما یک دانشمند یادگیری ماشینی در تحقیق و اجرای الگوریتم های پیچیده تخصص دارد.
- آنچه یک دانشمند یادگیری ماشین انجام می دهد
- دانشمند یادگیری ماشین شوید
- آموزش اولیه و اشتغال
- در پی اشتیاق خود به داده
- یک روز از زندگی یک دانشمند یادگیری ماشین
- لحظه های تعیین کننده شغل
- الهام‌ها و توصیه‌هایی برای دیگران
مثل مهندسین یادگیری ماشین، دانشمندان یادگیری ماشینی در بازار کار امروزی تقاضای زیادی دارند. دلیل آن این است که سازمان‌ها مشتاق هستند تا ابزارهای مبتنی بر یادگیری ماشین را برای افزایش ارزش داده‌ها و تجزیه و تحلیل خود و افزودن خودکارسازی به فرآیندها به کار گیرند.
امی استایر، دانشمند اصلی یادگیری ماشین در ارائه‌دهنده ابزارهای توسعه‌دهنده، Gretel.ai.
طبق تحقیقات بازار، تقاضا برای فناوری‌های یادگیری ماشین در حال افزایش است. کاربردهای بالقوه شامل تقسیم بندی مشتری و پیش بینی سرمایه گذاری در بخش خدمات مالی است. تجزیه و تحلیل تصویر، کشف دارو و درمان شخصی در مراقبت های بهداشتی؛ و برنامه ریزی موجودی و بازاریابی متقابل در خرده فروشی. اما یادگیری ماشینی می تواند برای بهبود فرآیندها در تقریباً هر صنعتی استفاده شود.
به طور طبیعی، به افرادی نیاز است که در یادگیری ماشین و رشته‌های مرتبط خبره باشند و نحوه استفاده از فناوری را برای کاربردهای عملی بدانند. دانشمندان یادگیری ماشین مطمئناً با این توصیف مطابقت دارند.
آنچه یک دانشمند یادگیری ماشین انجام می دهد
دانشمندان یادگیری ماشین در بسیاری از مسئولیت‌های دانشمندان داده، از جمله تجزیه و تحلیل داده‌ها و ساخت مدل، سهیم هستند. دانشمندان یادگیری ماشین نیز با مهندسین یادگیری ماشین کار می کنند. یک دانشمند یادگیری ماشینی بر روی الگوریتم های پیچیده و مدل های ساختمانی تمرکز می کند. مهندسان یادگیری ماشین آن مدل ها را به محصول تبدیل می کنند.
برای اینکه بدانیم دانشمند یادگیری ماشینی شدن چه چیزی دخیل است، با امی استایر، دانشمند اصلی یادگیری ماشین در ارائه‌دهنده ابزار توسعه، Gretel.ai، صحبت کردیم.
دانشمند یادگیری ماشین شدن
استایر مدرک لیسانس علوم کامپیوتر را از دانشگاه کالیفرنیا در سانتا باربارا (UCSB) دریافت کرد. او سپس با تاکید بر هوش مصنوعی (AI) و یادگیری ماشین، مدرک دکترای خود را در علوم کامپیوتر از دانشگاه کالیفرنیا، سن دیگو (UCSD) گرفت.
با این حال، یک حرفه در فناوری در طول سال های دانشگاه قطعی نبود. اشتایر می گوید: “من در ابتدا کمی بین روانشناسی و علوم کامپیوتر درگیر بودم.”
ریاضی از مدتها قبل مورد توجه Steier بود. او می‌گوید: «در روزهای ابتدایی مدرسه، در ریاضیات خوب بودم و از آن لذت می‌بردم. برای من مثل یک بازی بود. در دبیرستان، معلمانم مرا تشویق کردند که به باشگاه ریاضی بپیوندم، بنابراین در نهایت این کار را انجام دادم. همه دوستان من این را هیستریک می دانستند.”
استایر شروع به درک این ایده کرد که مردم باید تمایل ذاتی برای لذت بردن از آنچه در آن مهارت دارند داشته باشند. او می گوید: «این باور بعداً انگیزه بزرگی در تصمیم من برای رفتن به دبیرستان شد. “من به این فکر کردم که اگر قرار است این همه از زندگی ام را به حرفه ام اختصاص دهم، باید سعی کنم تا آنجا که ممکن است از آن لذت ببرم، و یکی از راه های انجام آن این بود که در کاری بسیار خوب باشم.”
در دوران تحصیلات تکمیلی، اشتایر به علم داده و به طور خاص در مورد قدرت و پتانسیل داده ها علاقه مند شد. او می‌گوید: «علم داده‌ها همیشه حوزه‌ای بسیار سریع بوده است و برای خوب ماندن در آن مستلزم یادگیری مداوم است. “علاقه من به این رشته باعث می شود که دائماً بخواهم بیشتر یاد بگیرم و تجربه کنم.”
آموزش اولیه و اشتغال
پس از فارغ التحصیلی از UCSB، اولین شغل اشتایر به عنوان یک برنامه نویس تحلیلگر در Computer Sciences Corp. (CSC) در سال ۱۹۸۶ بود. در آن زمان این شرکت در حال ساخت یک سیستم مالی بزرگ برای نیروی دریایی ایالات متحده بود. او می‌گوید: «کار رضایت‌بخش بود، اما به نظر می‌رسید که در مورد امور مالی نیروی دریایی بیشتر از کامپیوترها یاد می‌گیرم.
با هدف اصلاح تخصص خود و در نتیجه لذت بردن بیشتر از کار خود، اشتایر در سال ۱۹۹۰ به تحصیلات تکمیلی رفت. پس از بررسی موضوعات مختلف، او بر روی گروه هوش مصنوعی UCSD تمرکز کرد و توانست به صورت پاره وقت در CSC کار کند. دو سال اول.
به دنبال آن، اشتایر در سال ۱۹۹۲ به عنوان مشاور دایره المعارف بریتانیکا مشغول به کار شد و توانست از داده های دایره المعارف در تحقیقات دکترای خود استفاده کند. او می‌گوید: «داده‌هایی که آنها در اختیار داشتند از نظر غنا و پتانسیل استفاده نشده خیره‌کننده بود. «به این ترتیب رابطه عشقی پایدار و پرشور من با داده‌هایی آغاز شد که تمام دوران حرفه‌ای من ادامه داشت. قدرت آن، رمز و راز، فتنه و پتانسیل همیشه مرا مجذوب خود کرده است.»
پس از اینکه اشتایر مدرک دکترا گرفت، مدیر تحقیق و توسعه و سپس معاون تحقیق و توسعه در آزمایشگاه تحقیقاتی لا جولا شد.
در پی اشتیاق خود به داده
در سال ۲۰۰۰، اشتایر برای تولد پسرش حدود یک سال و نیم مرخصی گرفت. او در نهایت به عنوان مشاور ContentScan به صورت پاره وقت کار خود را آغاز کرد و تجزیه و تحلیل کتابشناختی هوشمندی انجام داد. از آنجا، او در سال ۲۰۰۳ به کار پاره وقت در Websense مشغول شد. او در دفتر CTO کار کرد و در نهایت اداره کرد و فناوری جدید و مسیرهای محصول را بررسی کرد.
اشتایر می‌گوید: «در آن مرحله از حرفه‌ام با یک تصمیم بزرگ روبرو شدم. «آیا در مسیر مدیریت باقی می‌مانم یا خودم را تغییر می‌دهم تا بیشتر روی کار عملی تمرکز کنم؟ من دوست داشتم بتوانم برای یک گروه چشم انداز ایجاد کنم و به اعضای تیم کمک کنم تا در حرفه خود شکوفا شوند. اما من عاشق کار عملی بودم. من علاقه ام را دنبال کردم و هرگز پشیمان نشدم. حتی امروز، وقتی از کسی در مورد مسیر شغلی که باید دنبال کنید، راهنمایی می‌خواهم، همچنان توصیه می‌کنم که از علاقه خود پیروی کنید.»
Steier در Websense به عنوان محقق اصلی در یک سیستم طبقه‌بندی برای وب نقشی را ایفا کرد. او می‌گوید: «ما در درجه اول از ماشین‌های بردار پشتیبانی بزرگ برای طبقه‌بندی محتوا به بیش از ۸۰ موضوع و ده‌ها زبان مختلف استفاده کردیم. “این سیستم هنوز در حال استفاده است.”
وقتی امنیت سایبری به موضوعی داغ تبدیل شد و Websense – که در نهایت توسط Raytheon خریداری شد و اکنون Forcepoint نامیده می‌شود – به یک شرکت امنیتی تبدیل شد، Steier در گروه امنیت سایبری نقشی ایفا کرد. او می‌گوید: «من در انبوهی از پروژه‌های نوآورانه با تمرکز بر امنیت وب و داده‌ها شرکت کردم. «من روی طبقه‌بندی خودکار بدافزارها، شناسایی ارتباطات بدافزارهای خروجی، تشخیص خودکار وب‌سایت‌های مخرب، تجسم چشم‌انداز تهدید و سایر پروژه‌های نوآورانه کار کردم.»
در سال ۲۰۱۹، اشتایر با یک همکار سابق خود که در دومین سرمایه گذاری موفق خود در راه اندازی بود ناهار خورد. او می گوید: «وقتی او ماموریت و چشم انداز Gretel.ai را توضیح داد، من فوراً درگیر شدم. “ماموریت این بود که مانع حریم خصوصی برای اشتراک گذاری داده ها برای همه برطرف شود. دسترسی آسان به داده‌ها تا زمانی که یادم می‌آید برای من مشکل بود.»
اشتیر می‌گوید: «پیوستن به Gretel.ai مانند بازگشت به خانه بود. “کار من همیشه با اشتیاق من به داده ها هدایت می شود، و اکنون می توانم روی کمک به همه برای استفاده از قدرت و پتانسیل آن تمرکز کنم.”
یک روز از زندگی یک دانشمند یادگیری ماشین
اشتایر می‌گوید: «من دوست دارم روز کاری خود را با نگاه کردن به صف مطالعه‌ام و دیدن مطالبی که برای خواندن آن صبح جالب یا مرتبط است شروع کنم. سپس من معمولاً هر روز چند جلسه دارم – چه در مورد موضوعات مرتبط با شرکت یا تیم تحقیقاتی. سعی می‌کنم جلساتم را با هم گروه‌بندی کنم تا بتوانم روی هر پروژه تحقیقاتی که در حال حاضر در آن هستم تمرکز کنم.»
گاهی اوقات این کار مستلزم مطالعه بیشتر برای کشف کارهایی است که تاکنون انجام شده است یا جستجوی نوآوری‌های فناوری که ممکن است زوایای جدیدی را برای پروژه ایجاد کند. Steier بخش زیادی از روز را صرف ساختن شواهد مختلف مفهومی می‌کند که هر کدام به چشم‌اندازی در نقشه راه محصول شرکت مرتبط است.
اشتیر می‌گوید: «ما در حال حاضر در حال استخدام هستیم، بنابراین هفته‌ای یک‌بار صفحه تلفن یا مصاحبه خواهم داشت. ما وبلاگ‌های زیادی می‌نویسیم، مصاحبه می‌کنیم، پادکست‌ها و سخنرانی‌ها انجام می‌دهیم، بنابراین ممکن است مدتی را روی یکی از این موارد صرف کنم. شاید ماهی یک بار با یک مورد استفاده از یک شرکت خاص درگیر شوم و به [طراحی] راه حلی کمک کنم. ما در Slack در مورد موضوعات مرتبط با کار و موضوعات تصادفی جالب یا سرگرم کننده چت می کنیم.”
لحظه های تعیین کننده شغل
از اشتایر در مورد خاطره انگیزترین لحظات شغلی او پرسیدیم. اشتایر می گوید: «آنچه واقعاً برجسته است، لحظه آها در دایره المعارف بریتانیکا بود، زمانی که متوجه عشق و شیفتگی عمیق خود به داده ها شدم. «من می توانم لحظه دقیقی را به یاد بیاورم که داشتم آن را برای یک همکار در یک کنفرانس توضیح می دادم. گفتن آن با صدای بلند باعث شد که واقعاً غرق شود.
اخیراً، اشتایر می‌گوید: «پیوستن به گرتل باعث شد دوباره در مورد علاقه‌ام به داده‌ها و چیزهایی که در یادگیری ماشین و فضاهای هوش مصنوعی می‌سازد، انرژی بگیرم. زمانی که من برای اولین بار کار خود را در دنیای داده ها شروع کردم، بسیاری از کارهایی که شرکت ها انجام می دادند به دلیل ناتوانی در دسترسی یا اشتراک گذاری داده ها به دلیل نگرانی های حفظ حریم خصوصی، مانع شد. اما من به لطف داده های مصنوعی این تغییر را در زمان واقعی تماشا کرده ام. ابزارها، مانند آنچه ما در گرتل می سازیم، موانع را از بین می برد و اجازه می دهد تا داده ها هر چه بیشتر دموکراتیک شوند. به نظر من این امکان را به جوامع فناوری در سراسر جهان می‌دهد تا از مجموعه داده‌های بیشتری استفاده کنند و از قدرتی که ارائه می‌کنند استفاده کنند.»
اشتایر می‌گوید دریافت دکترا نیز درهای زیادی را باز کرد. او می‌گوید: «پس از آن، ادامه یادگیری فقط به بخشی طبیعی و ضروری از شغل من تبدیل شد. “این همیشه به معنای مطالعه زیاد، ارتباط با همکاران و آماده بودن برای آزمایش ایده های جدید بوده است.”
الهام‌ها و توصیه‌هایی برای دیگران
استایر می‌گوید والدینش بزرگترین الهام بخش او بودند. در بیشتر زندگی من، پدرم استاد مهندسی برق در USC [دانشگاه کالیفرنیای جنوبی] بود و مادرم صاحب چندین فروشگاه لباس بود. همیشه مشخص بود که از کارشان لذت می برند. رفتن به دانشگاه هرگز یک سوال نبود، فقط بخشی طبیعی از بزرگ شدن بود. داشتن شهامت برای پیشبرد و رفتن به مدرسه فارغ التحصیل، کاملاً مبتنی بر ایمان تزلزل ناپذیر والدینم بود که می توانم آن را به انجام برسانم.”
او می‌گوید: «هیچ زندگی بدون سختی نیست، اما من معتقدم که علاقه‌ام به کارم به من کمک کرده است که انعطاف‌پذیر باشم.» «از طریق هر از دست دادن یکی از عزیزانم، کارم پناهگاهی بود که به من کمک کرد تا جایگاهم را دوباره به دست بیاورم. “
برای دیگرانی که به دنبال راهی مشابه مسیر او هستند، توصیه اشتایر ساده است: “تحصیل کرده، از قلب خود پیروی کنید و یادگیری مداوم را در آغوش بگیرید.”
پست های مرتبط
نقشه راه شغلی: دانشمند یادگیری ماشین
نقشه راه شغلی: دانشمند یادگیری ماشین
نقشه راه شغلی: دانشمند یادگیری ماشین