نقشه راه شغلی: مهندس یادگیری ماشین

از آنجایی که سازمان‌ها در سراسر جهان تقریباً در هر صنعت از یادگیری ماشینی استفاده می‌کنند، تقاضا برای مهندسان یادگیری ماشین در حال افزایش است.

هرکسی که در عنوان شغلی یا حتی در حوزه دانش خود “یادگیری ماشین” دارد، این روزها در موقعیت شغلی خوبی قرار دارد. افراد با مهارت و تجربه در یادگیری ماشینی تقاضای زیادی دارند، و این قطعا شامل مهندسان یادگیری ماشین می‌شود.

طبق گفته شرکت تحقیقاتی Markets and Markets، انتظار می‌رود تقاضا برای ابزارها و سیستم‌های یادگیری ماشین از ۱.۰۳ میلیارد دلار در سال ۲۰۱۶ به ۸.۸۱ میلیارد دلار در سال جاری با نرخ رشد مرکب سالانه ۴۴ درصد رشد کرد. سازمان‌ها در سرتاسر جهان از یادگیری ماشینی استفاده می‌کنند تا تجربه مشتری را افزایش دهند و مزیت رقابتی در عملیات تجاری به دست آورند.

نیکلاس کریدلر یک دانشمند داده و مهندس یادگیری ماشین در ارائه‌دهنده خدمات طراحی آنلاین Dia & Co. 

این مطالعه می‌گوید رشد داده‌ها به محرک برای راه‌حل‌ها و مهارت‌های یادگیری ماشین بیشتر کمک می‌کند. نمونه هایی از برنامه های کاربردی در عمودهای کلیدی شامل تقلب، مدیریت ریسک، تقسیم بندی مشتری و پیش بینی سرمایه گذاری در خدمات مالی است. تجزیه و تحلیل تصویر، کشف و ساخت دارو، و درمان شخصی در مراقبت های بهداشتی. برنامه ریزی موجودی و بازاریابی متقابل در خرده فروشی؛ پیش بینی نگهداری و پیش بینی تقاضا در تولید؛ و تجزیه و تحلیل مصرف برق و مدیریت شبکه هوشمند در انرژی و تاسیسات.

مهندسین یادگیری ماشین باید در زمینه هایی مانند ریاضیات، برنامه نویسی کامپیوتر، و تجزیه و تحلیل داده ها و داده کاوی مهارت داشته باشند. آنها باید درباره سرویس‌ها و برنامه‌های ابری اطلاعات داشته باشند. آنها همچنین باید ارتباطات و همکاران خوبی باشند.

سایت شبکه‌های اجتماعی حرفه‌ای LinkedIn، به عنوان بخشی از تحقیقات LinkedIn Jobs on the Rise در سال ۲۰۲۲، “مهندس یادگیری ماشین” را به عنوان چهارمین عنوان شغلی با سریع‌ترین رشد در ایالات متحده طی پنج سال گذشته فهرست کرده است.

[ همچنین در InfoWorld: هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق: هر آنچه که باید بدانید. ]

مهندس یادگیری ماشین شدن

برای اینکه بفهمیم چه چیزی در تبدیل شدن به یک مهندس یادگیری ماشین دخیل است، با نیکلاس کریدلر، دانشمند داده و مهندس یادگیری ماشین در ارائه‌دهنده خدمات طراحی آنلاین Dia & Co صحبت کردیم.

کریدلر مدرک لیسانس ریاضیات را از دانشگاه مریلند، شهرستان بالتیمور، و مدرک کارشناسی ارشد در ریاضیات کاربردی از دانشگاه کلرادو، بولدر دریافت کرد.

کریدلر می‌گوید:

در مقطع کارشناسی ارشد، تمرکز من بر ریاضیات محاسباتی و محاسبات علمی بود. “فکر می‌کنم شغل در زمینه‌های مرتبط با فناوری تنها انتخاب من بود، زیرا انتخاب کردم که تمرکز محدودی در مدرسه داشته باشم.”

تجارب اولیه کاری

وقتی کریدلر در سال ۲۰۰۵ تحصیلات تکمیلی را ترک کرد، تجربه زیادی در توسعه نرم افزار نداشت، بنابراین گزینه های او محدود بود. اولین کار او به عنوان یک تحلیلگر برای یک پیمانکار دفاعی کوچک به نام مترون بود که نرم افزار شبیه سازی تولید می کند.

در اکتبر ۲۰۰۶، کریدلر به عنوان یک دانشمند پژوهشی به یک پیمانکار دفاعی دیگر به نام آرته اسوشیتس پیوست. آرته در توسعه الگوریتم های سنجش از دور تخصص دارد. او می‌گوید: «من در Arete چیزهای زیادی یاد گرفتم، از جمله یادگیری ماشین، توسعه نرم‌افزار، و حل مشکلات کلی با داده‌ها.

کریدلر در پایان سال ۲۰۱۲، زمانی که علم داده شروع به رشد کرد، این سمت را ترک کرد و به عنوان یک دانشمند ارشد داده به ارائه‌دهنده فناوری مراقبت‌های بهداشتی Accretive Health (اکنون R1 RCM) پیوست. او می‌گوید: «Accretive در مورد ترکیب علم داده جاه‌طلبی داشت، اما ابزارهای موجود در آن زمان، پیشرفت را دشوار می‌کرد.

برنده شدن در رقابت Kaggle

زمانی که کریدلر در Accretive مشغول به کار بود، رئیس او به او اجازه داد تا در مسابقه Kaggle با دوستی از Arete کار کند. او می‌گوید: «مسابقه شامل طبقه‌بندی تماس‌های نهنگ از داده‌های صوتی بود و شبیه چیزهایی بود که من در آرته روی آن کار کرده بودم. “ما با یک مو برنده شدیم و الگوریتم های یادگیری عمیق را که در آن زمان هنوز در مراحل ابتدایی خود بودند شکست دادیم.”

مشارکت و موفقیت کریدلر در مسابقات Kaggle به او کمک کرد تا در سال ۲۰۱۴ به عنوان دانشمند داده در ارائه دهنده لباس آنلاین Stitch Fix شغلی پیدا کند. او می گوید که آنها در مورد علم داده بسیار مشتاق بودند اما لزوماً محیطی را نداشتند که یک تیم بتواند موفق شود.

کریدلر می‌گوید

Stitch Fix بسیار نزدیک‌تر به محیط در Arete به نظر می‌رسید، جایی که الگوریتم‌ها هسته اصلی کسب‌وکار بودند و نه فقط خوب برای داشتن. او از سال ۲۰۱۴ تا ۲۰۱۸ به عنوان دانشمند داده در Stitch Fix کار کرد.

کریدلر می‌گوید: «من واقعاً خوش‌شانس بودم که با توسعه شرکت در آنجا کار کردم، زیرا این فرصت را به دست آوردم که از دانشمندان با استعداد داده و مهندسان پلت فرم داده یاد بگیرم. من از نزدیک با تیم بازرگانی در حال توسعه الگوریتم‌های موجودی کار کردم. اما من همچنین ابزارهای تجزیه و تحلیل ساختم زیرا به ایجاد یک رابطه عالی با تیم کمک کرد.»

یکی از بزرگترین دستاوردهای کریدلر در Stitch Fix توسعه Vendor Dash بود که به برندها اجازه داد به اطلاعات فروش و بازخورد خود دسترسی داشته باشند. او می‌گوید: «این ارزش زیادی برای مارک‌های ما داشت و در پرونده S-1 شرکت ذکر شد.

یک پایه محکم در برنامه نویسی

کریدلر در سال ۲۰۱۸ استیچ فیکس را ترک کرد و به سن دیگو نقل مکان کرد. در آگوست ۲۰۱۸، او به Dia & Co، یک ارائه دهنده خدمات استایل شبیه به Stitch Fix پیوست. به عنوان یک مهندس یادگیری ماشین، او روی توصیه‌های سبک کار کرد و تلاش‌ها برای بازسازی زیرساخت توصیه‌ها را رهبری کرد.

کریدلر می‌گوید: «در Dia، من توانستم دانش زیرساخت‌های یادگیری ماشینی را که در Stitch Fix توسعه دادم به کار ببرم و مهارت‌های خود را به عنوان یک مهندس بیشتر توسعه دهم. متأسفانه، دیا مجبور شد کار خود را کاهش دهد، و او دو سال بعد را به عنوان دانشمند داده در دو شرکت کار کرد، قبل از اینکه به عنوان مهندس اصلی یادگیری ماشین به دیا بازگشت.

ترکیبی از مدرسه، تجربه کاری اولیه و زمان‌بندی کریدلر را به سمت نقش فعلی‌اش سوق داد. «ابزارهای قدرتمند زیادی وجود دارند که وقتی من در مدرسه بودم و زمانی که کارم را شروع می کردم وجود نداشتند. وقتی شروع کردم، مجبور بودم در سطح بسیار پایین‌تری از آنچه امروز نیاز است کار کنم، و فکر می‌کنم این به من کمک می‌کند تا مهارت‌های جدید را خیلی سریع پیدا کنم.»

کریدلر می‌گوید برای مثال، او برنامه‌نویسی در C و Fortran را یاد گرفت و به زبان‌های اسکریپت‌نویسی مانند پایتون دست نزد تا زمانی که پایه‌ای محکم در برنامه‌نویسی داشتم. “من روی الگوریتم‌های یادگیری ماشینی قبل از رایج شدن کار می‌کردم، که باعث شد کمی شروع کنم.”

یک روز از زندگی یک مهندس یادگیری ماشین

کریدلر می‌گوید، روزهای کاری معمولی یا هفته‌های کاری بسته به شرکت بسیار متفاوت است. در Stitch Fix، او از نزدیک با ذینفعان تجاری کار کرد و مسئول توسعه یک نقشه راه مشترک بود. او می گوید: «این به معنای جلسات مکرر برای به اشتراک گذاشتن وضعیت فعلی ابتکارات و برنامه ریزی وظایف آتی بود. کمی بیش از نیمی از وقت او صرف جلسات یا آماده شدن برای جلسات می شد. نیمی دیگر صرف توسعه شد، خواه قابل تحویل اجرای الگوریتم باشد یا تجزیه و تحلیل. در Dia & Co، نقش او در درجه اول از پلتفرم های شرکت پشتیبانی می کند که به تعاملات کمتری با سهامداران نیاز دارد. او می‌گوید: «ذینفعان ما درخواست‌هایی را ارسال می‌کنند که به بلیط تبدیل می‌شوند و ما بیشتر شبیه یک تیم توسعه نرم‌افزار عمل می‌کنیم. “حدود ۹۰٪ از وقت من صرف نوشتن کد یا توسعه الگوریتم ها می شود.”

به یاد ماندنی ترین لحظات شغلی

کریدلر می‌گوید: «برنده شدن در یک مسابقه همیشه به یاد ماندنی‌ترین لحظه خواهد بود، زیرا درهای زیادی را به روی من باز کرد. استخدام برای علم داده همیشه دشوار بوده است، و من احساس می‌کردم که مزیتی داشتم زیرا قادر بودم. به چیزی اشاره کنم که به وضوح نشان می‌دهد توانایی انجام چه کاری را دارم.» یکی دیگر از لحظات به یاد ماندنی زمانی بود که Stitch Fix عمومی شد و او توانست کارهای خود را در پرونده S-1 شرکت مشاهده کند. علم.”

مهارت ها، گواهینامه ها و پروژه های جانبی

کریدلر می‌گوید: «من هرگز مجبور نبوده‌ام به مدرسه برگردم یا گواهی‌نامه کسب کنم، اما خوش‌شانس بوده‌ام که توانستم در کار یاد بگیرم.» زمانی که وارد علم داده شدم، زمان زیادی را صرف یادگیری از طریق مسابقات Kaggle کردم. اگر پروژه ای داشته باشم که به من امکان می دهد آن دانش را به کار ببرم، یادگیری چیزهای جدید آسان تر است. من به زبان های برنامه نویسی زیادی نوشته ام که یادگیری یک زبان جدید برایم سخت نیست. من هیچ نوع آموزش رسمی را دنبال نمی‌کنم و برای دستیابی به یک مهارت جدید به انتشارات و اسناد تکیه می‌کنم. من اغلب برای گسترش مجموعه مهارت هایم به پروژه های جانبی اعتماد کرده ام.”

اهداف شغلی: به ساختن چیزها ادامه دهید

کریدلر از ساختن چیزهایی لذت می برد، چه یک الگوریتم جدید باشد چه یک شرکت. او می گوید: “من می خواهم در موقعیتی باشم که بتوانم به ساختن چیزها ادامه دهم.” در موقعیت فعلی من، این به معنای ایجاد زیرساخت و گسترش کاربرد الگوریتم‌هایی است که ساخته‌ایم. در آینده، من می‌خواهم بر اساس آنچه Stitch Fix سعی در انجام آن داشت، بنویسم و ​​نشان دهم که الگوریتم‌ها برای تقویت هستند، نه جایگزین کردن. خواه کمک به کسی در تصمیم گیری بهتر باشد یا از بین بردن نیاز به انجام کارهای خسته کننده، فکر می کنم مردم روی تبلیغات هوش مصنوعی تمرکز می کنند بدون اینکه درک کنند که چه فایده ای از ترکیب الگوریتم های کوچک به دست می آورید.”

الهام‌ها و توصیه‌هایی برای مهندسان مشتاق

او می‌گوید: «یکی از الهام‌های کریدلر کاترینا لیک، بنیان‌گذار Stitch Fix است، زیرا او در واقع می‌خواست چیزی متفاوت بسازد و این کار را انجام داد». «کریستا استلزمولر، مدیر ارشد فناوری Dia & Co.، ایده‌های خوبی در مورد نحوه استفاده از داده‌ها دارد، و درک خوبی از اینکه چه کار می‌کند و چه چیزی کار نمی‌کند، دارد.»

برای توسعه‌دهندگانی که به دنبال مسیری مشابه مسیر خود هستند، توصیه کریدلر این است که از علاقه خود پیروی کنید. من این توصیه را از افراد زیادی در حرفه‌ام دریافت کرده‌ام، و اگر روی چیزی کار می‌کنید که به آن علاقه دارید، همیشه اوقات بهتری خواهید داشت. او می‌گوید: «رفتن به بیرون و ساختن چیزهای زیادی نیز ایده خوبی است. درست مانند بهترین راه برای تبدیل شدن به یک توسعه‌دهنده نرم‌افزار خوب نوشتن کدهای زیاد است، دیدن موارد مختلف واقعاً کمک می‌کند. مشکلات.”