Seuraava artikkeli auttaa sinua: Kuinka korjata haukotteleva taitovaje AI/ML-sektoreilla
Työportaalin monster.com vuotuinen trendiraportti on ennustanut big datan, tekoälyn ja ML:n vuoden 2022 kuumimmista työsektoreista.
Nitin Agarwal, Googlen Cloud AI Industry Solutions and Services -johtaja (Intia), kertoi haasteista, joita hän kohtasi palkkaaessaan tiimiään Intiaan. “Yksi yleinen teema, jonka löysin hakijoista, jotka eivät tulleet valituiksi, on se, että he valmistautuivat haastatteluihin hyvin, mutta heiltä puuttui “oikea” työ… Mutta kun aloin keskustelemaan yksityiskohtaisesti heidän projekteistaan, ongelma alkaa. tulossa. Vastaukset olivat erittäin pinnallisia ja hyvin oppikirjamaisia”, sanoi hänen LinkedIn-viestinsä.
Vaikka AI/ML-roolien kysyntä on kaikkien aikojen korkeimmillaan, kapean osaamisesta on pulaa. KPMG:n tutkimuksen mukaan 50 % työvoimasta valmistautuu tekoälyyn, ML:ään ja niihin liittyviin teknologioihin lähivuosina.
Viime aikoina yritykset ovat alkaneet investoida omiin työntekijöihin auttaakseen heitä sopeutumaan uusimpiin teknologioihin ottamalla heidät osaamis- ja uudelleenkoulutusohjelmiin. Asiantuntijat uskovat, että AI/ML-kurssien sisällyttäminen opetussuunnitelmaan voi tehdä työvoimasta valmiita tulevaisuuteen. Kuitenkin, kun yli 5000 insinööriopistoa jatkaa edelleen perinteisillä kursseilla, osaamisvaje on kasvanut alalla.
Taitosarjan ero
Datatiede on kattotermi useille tieteenaloille. Tietotutkijat keskittyvät algoritmeihin ja varmistavat, että koko tietojenkäsittelyputki on kunnossa, kun taas ML-insinöörit keskittyvät mallien käyttöönottoon.
Datatieteilijällä on oltava syvä ymmärrys ohjelmointikielestä, IDE-/visualisointialustasta ja kyselykielestä.
Data Scientistin odotetaan hallitsevan sujuvasti ohjelmointikieliä, kuten Python ja R. Tavoitteena on kerätä dataa, käsitellä sitä, ominaisuusinsinööri, rakentaa malleja ja viestiä tuloksia.
Tietotieteilijät käyttävät usein myös Jupyter Notebookia tai suosittua IDE:tä koodatakseen, kirjoittaakseen tekstiä ja tarkastellakseen erilaisia tulosteita, kuten tuloksia ja visualisointeja yhdestä paikasta. Muita suosittuja IDE:itä ovat PyCharm ja Atom.
Tietotieteilijät käyttävät strukturoitua kyselykieltä (SQL) kyselyyn ensimmäisistä tiedoista, uusien ominaisuuksien luomisesta jne., minkä jälkeen malli ajetaan ja otetaan käyttöön.
Koneoppimisen insinöörit tulevat peliin sen jälkeen, kun datatieteilijä on rakentanut mallin. Heidän täytyy sukeltaa syvemmälle koodiin ja ottaa se käyttöön.
Sekä datatieteilijöiden että ML-insinöörien odotetaan tuntevan Pythonin. Koneoppimisinsinöörit keskittyvät kuitenkin Pythonissa enemmän olio-ohjelmointiin (OOP), kun taas datatieteilijät eivät ole niin OOP-painokkaita. Useimpien ML-insinöörien on myös käytettävä Gitiä ja GitHubia koodivarastojen versiointiin ja tallentamiseen.
ML-insinöörit ovat käyttöönottotyökalujen asiantuntijoita. ML-asiantuntijoiden odotetaan tuntevan paljon työkaluja, kuten AWS, Azure, Google Cloud, Docker, MLFlow, Flask ja Airflow. Myös nimike “koneoppimisinsinööri” tarkoittaa “koneoppimistoimintojen insinööriä” (MLOps) sekä työmarkkinoilla.
Jotkut yritykset pitävät parempana monipuolista ehdokasta, joka kykenee sekä datatieteeseen että koneoppimiseen (operaatioihin), mutta monet pitävät parempana asiantuntijaa.
Ehdokkaille
Mahdollisuus tehdä lisätty ML-kurssi EdTech-yrityksiltä on aina avoinna. Yritykset etsivät aina kokeneita ehdokkaita ML-käyttöönottoihin. Ensikertojen on vaikea saada suuria työpaikkoja tällä alueella.
Mutta ehdokkaat voivat voittaa tällaiset rajoitukset osoittamalla arvoa henkilökohtaisten projektien, avoimen lähdekoodin projektien, hackathonien ja koodaushaasteiden kautta.
Käärimistä
Tekoälyteollisuus on täynnä mahdollisuuksia. Markkinat ovat kuitenkin vielä syntymässä, ja ammattitaitoisen työvoiman kysyntä on suuri. Siksi on tärkeää, että sekä työnantajat että työntekijät käyttävät aikaa osaamisvajeen kuromiseen ja AI/ML-teollisuuden viemiseen uudelle tasolle.
