Jobb inom det nya området för maskinlärande

Överst på LinkedIns 2017 US Emerging Jobs Report var två yrken inom maskinlärningsområdet: maskinlärande ingenjör och datavetenskapare. Sysselsättningen för maskininstruktörer ökade med 9,8 gånger mellan 2012 och 2017 och datavetenskapliga arbeten ökade 6,5 gånger under samma femårsperiod. Om trenden fortsätter kommer dessa yrken att ha sysselsättningsutsikter som överträffar många andra yrken. Med en framtid så ljus kan ett jobb på detta område vara rätt för dig?

Vad är maskinlärning?

Maskininlärning (ML) är precis vad det låter som. Denna teknik innebär att undervisningsmaskiner utför specifika uppgifter. Till skillnad från traditionell kodning som ger instruktioner som berättar för datorer vad de ska göra, ger ML dem data som låter dem räkna ut det på egen hand, som en människa eller djur skulle göra. Låter som magi, men det är det inte. Det handlar om interaktion mellan datavetenskapare och andra med relaterad expertis. Dessa IT-proffs skapar program som heter algoritmer - uppsättningar regler som löser ett problem - och matar dem sedan stora uppsättningar data som lär dem att göra förutsägelser utifrån denna information.

Maskininlärning är en "delmängd av artificiell intelligens som gör det möjligt för datorer att utföra uppgifter som de inte uttryckligen har programmerat att göra" (Dickson, Ben. Färdigheter du behöver landa ett maskinlärningsjobb. Det karriärfinnare 18 januari 2017.) Steven Levy, i en artikel som talar om Googles prioritering av maskininlärning och omskolning av företagets ingenjörer, skriver: "Under många år betraktades maskininlärning som en specialitet, begränsad till en elit få.

Den tiden är över, eftersom nya resultat tyder på att maskininlärning, som drivs av "neurala nät" som efterliknar hur en biologisk hjärna fungerar, är den verkliga vägen mot att införa datorer med mänskliga krafter och i vissa fall super människor "(Levy, Steven. Hur Google tar bort sig själv som en maskininlärning Första företagsledningen. 22 juni 2016).

Hur används maskinlärning i den "riktiga världen"? De flesta av oss stöter på denna teknik dagligen utan att ge det mycket tanke. När du använder Google eller en annan sökmotor, är resultaten som kommer upp överst på sidan resultatet av maskininlärning. Den prediktiva texten, liksom den ibland skadade autokorrigeringsfunktionen, i sms-telefonens textprogram, är också ett resultat av maskininlärning. Rekommenderade filmer och låtar på Netflix och Spotify är ytterligare exempel på hur vi använder denna snabbt växande teknik medan vi knappt märker den.

Nyligen introducerade Google smart svar i Gmail. I slutet av ett meddelande presenteras en användare med tre möjliga svar baserat på innehållet. Uber och andra företag testar för närvarande självkörande bilar.

Branscher som använder maskinlärande

Användningen av maskininlärning når långt ifrån teknikvärlden. SAS, ett analytiskt mjukvaruföretag, rapporterar att många branscher har antagit denna teknik. Finansindustrin använder ML för att identifiera investeringsmöjligheter, låta investerare veta när de ska handla, erkänna vilka kunder som har högriskprofiler och upptäcka bedrägerier. I sjukvården hjälper algoritmerna till att diagnostisera sjukdomar genom att plocka upp abnormaliteter.

Har du någonsin ställt frågan, "varför är en annons för den produkten jag tänker köpa på varje webbsida jag besöker?" ML tillåter marknadsförings- och försäljningsindustrin att analysera konsumenterna baserat på deras köp- och sökhistorier. Transportindustrins anpassning av denna teknik upptäcker potentiella problem på vägar och hjälper dem att göra dem mer effektiva. Tack vare ML kan olje- och gasindustrin identifiera nya energikällor (Maskinlärande: Vad det är och varför det är SAS).

Hur maskinlärning förändrar arbetsplatsen

Förutsägelser om maskiner som tar över alla våra jobb har funnits i årtionden, men kommer ML äntligen att göra det verklighet? Experter förutspår denna teknik har och kommer att fortsätta att förändra arbetsplatsen. Men vad gäller att ta bort alla våra jobb? De flesta experter tror inte att det kommer att hända.

Medan maskininlärning inte kan ta plats för människor i alla yrken, kan det förändra många av de arbetsuppgifter som är kopplade till dem. "Uppgifter som innebär att man fattar snabba beslut baserat på data är en bra passform för ML-program, inte så om beslutet beror på långa resonemangskedjor, mångsidig bakgrundskunskap eller sunt förnuft", säger Byron Spice. Spice är direktör för Media Relations på Carnegie Mellon University of Computer Science (Spice, Byron. Maskininlärning kommer att ändra jobb. Carnegie Mellon University.

21 december 2017).

I Science Magazine skriver Erik Brynjolfsson och Tom Mitchell: "Efterfrågan på arbetskraft kommer sannolikt att falla för uppgifter som är nära ersättare för ML: s förmåga, medan det är mer sannolikt att öka för uppgifter som kompletterar dessa system. Varje gång en ML systemet går över gränsen där det blir mer kostnadseffektivt än människor på en uppgift, vinstmaksimera företagare och chefer kommer i allt högre grad att försöka ersätta maskiner för människor. Det kan få effekter över hela ekonomin, öka produktiviteten, sänka priserna, flytta efterfrågan på arbetskraft, och omstruktureringsindustrier (Brynjolfsson, Erik och Mitchell, Tom.

Vad kan maskinlärning göra? Arbetskraftens konsekvenser. Vetenskap. 22 december 2017).

Vill du ha en karriär i maskinlärande?

Karriär inom maskininlärning kräver expertis inom datavetenskap, statistik och matematik. Många människor kommer till detta område med en bakgrund inom dessa områden. Många högskolor som erbjuder en majoritet i maskininlärning tar ett tvärvetenskapligt tillvägagångssätt med en läroplan som omfattar utöver datavetenskap, el- och datavetenskap, matematik och statistik (Top 16 Schools for Machine Learning. AdmissionTable.com).

För dem som redan är involverade inom IT-branschen är övergången till ett ML-jobb inte ett stort steg. Du kanske redan har många av de färdigheter du behöver. Din arbetsgivare kan även hjälpa dig att göra denna övergång. Enligt Steven Levys artikel "finns det för tillfället inte många människor som är experter i ML så att företag som Google och Facebook omskolar ingenjörer vars expertis ligger i traditionell kodning."

Medan många av de färdigheter du utvecklat som IT-professionell kommer att överföras till maskininlärning kan det vara lite utmanande. Förhoppningsvis stannade du vaken under dina högskolestatistiska klasser eftersom ML är beroende av en stark förståelse för ämnet, såväl som matematik. Levy skriver att kodare måste vara villiga att ge upp den totala kontrollen de har över programmering av ett system.

Du är inte lycka till om din tekniska arbetsgivare inte tillhandahåller ML-omskolning Google och Facebook är. Högskolor och universitet, liksom online-lärplattformar som Udemy och Coursera, erbjuder klasser som lär ut grunderna för maskininlärning. Det är dock avgörande att runda ut din kompetens genom att ta statistik och matteklasser.

Jobbtitel och vinst

De primära jobbtiteln som du kommer att stöta på när du letar efter ett jobb inom detta område är maskininlärningstekniker och datavetenskapare.

Maskininlärningsingenjörer "driver driften av ett maskininlärningsprojekt och ansvarar för hanteringen av infrastrukturen och datapipelinen som behövs för att få kod till produktion." Datavetenskapare ligger på data- och analyssidan för att utveckla algoritmer, snarare än kodningssidan. De samlar också, renar och förbereder data (Zhou, Adelyn. "Artificial Intelligence Job Titles: Vad är en maskinlärande ingenjör?" Forbes. 27 november 2017).

Baserat på användarbidrag från personer som arbetar i dessa jobb rapporterar Glassdoor.com att ML-ingenjörer och datavetenskapare tjänar en genomsnittlig grundlön på $ 120.931. Lönerna sträcker sig från en låg av $ 87,000 till en högst $ 158,000 (Machine Learning Engineer Löner. Glassdoor.com. 1 mars 2018). Även om Glassdoor grupperar dessa titlar, finns det vissa skillnader mellan dem.

Krav på maskinlärande jobb

ML ingenjörer och datavetenskapare gör olika jobb, men det finns mycket överlapp mellan dem. Jobbmeddelanden för båda positionerna har ofta liknande krav. Många arbetsgivare föredrar kandidatexamen, magisterexamen eller doktorsexamen i datavetenskap eller teknik, statistik eller matematik.

För att vara en maskininlärningspersonal behöver du en kombination av tekniska färdigheter som du lär dig i skolan eller på jobb- och mjuka färdigheter. Mjuka färdigheter är en förmåga som de inte lär sig i klassrummet, utan i stället är födda med eller förvärvar genom livserfarenhet. Återigen finns det en hel del överlapp mellan de nödvändiga färdigheterna för ML-ingenjörer och datavetenskapare.

Jobbmeddelanden avslöjar att de som arbetar i ML-arbetstillfällen ska vara bekanta med maskininlärningsramar som TensorFlow, Mlib, H20 och Theano. De behöver en stark bakgrund i kodning, inklusive erfarenhet av programmeringsspråk som Java eller C / C ++ och skriptspråk som Perl eller Python. Expertis inom statistik och erfarenhet med statistiska programvarupaket för att analysera stora uppsättningar data finns också i specifikationerna.

En mängd olika mjuka färdigheter gör det möjligt för dig att lyckas inom detta område. Bland dem är flexibilitet, anpassningsförmåga och uthållighet. Att utveckla en algoritm kräver en hel del försök och fel, och därför tålamod. Man måste testa en algoritm för att se om den fungerar och, om inte, utveckla en ny.

Utmärkt kommunikationsförmåga är avgörande. Maskininlärningspersonal, som ofta arbetar med lag, behöver överlägsen lyssnande, talande och interpersonella färdigheter för att samarbeta med andra, och måste också presentera sina resultat för sina kollegor. De ska dessutom vara aktiva elever som kan införliva ny information i sitt arbete. I en bransch där innovation är värderad måste man vara kreativ att utmärka.