Was Sie wissen müssen, um in diesem neu entstehenden Feld zu beginnen
An der Spitze des LinkedIn Emerging Jobs Report 2017 von LinkedIn standen zwei Berufe im Bereich Machine Learning: Machine Learning Engineer und Data Scientist. Die Zahl der Arbeitsplätze für Maschinenbauingenieure stieg zwischen 2012 und 2017 um das 9, 8-Fache und die der Data-Scientist-Stellen im selben Zeitraum um das 6, 5-Fache. Wenn sich der Trend fortsetzt, werden diese Berufe Beschäftigungsaussichten haben, die viele andere Berufe übertreffen. Mit einer Zukunft so hell, könnte eine Arbeit in diesem Bereich für Sie richtig sein?
Was ist maschinelles Lernen?
Machine Learning (ML) ist genau das, wonach es klingt. Diese Technologie beinhaltet das Lehren von Maschinen, um bestimmte Aufgaben auszuführen. Im Gegensatz zur herkömmlichen Codierung, die Anweisungen für Computer bereitstellt, stellt ML ihnen Daten zur Verfügung, mit denen sie sie selbst herausfinden können, ähnlich wie es ein Mensch oder ein Tier tun würde. Klingt wie Magie, ist es aber nicht. Es beinhaltet die Interaktion von Informatikern und anderen mit entsprechender Expertise. Diese IT-Experten erstellen Programme namens Algorithmen - Regelgruppen, die ein Problem lösen - und geben ihnen dann große Datenmengen, die ihnen beibringen, Vorhersagen basierend auf diesen Informationen zu treffen.
Maschinelles Lernen ist eine "Untergruppe künstlicher Intelligenz, die es Computern ermöglicht, Aufgaben auszuführen, für die sie nicht explizit programmiert wurden" (Dickson, Ben. Fähigkeiten, die Sie brauchen, um einen Machine Learning Job zu erlernen. It Career Finder. 18. Januar 2017.) Es wurde im Laufe der Jahre immer komplizierter und alltäglicher: Steven Levy schreibt in einem Artikel, der Googles Priorisierung des maschinellen Lernens und der Umschulung der Ingenieure des Unternehmens erläutert: "Maschinelles Lernen galt viele Jahre lang als Spezialität, als begrenzt zu einer wenigen Elite.
Diese Zeit ist vorbei, wie jüngste Ergebnisse zeigen, dass maschinelles Lernen, das von "neuronalen Netzen" angetrieben wird, die die Funktionsweise eines biologischen Gehirns nachahmen, der wahre Weg ist, Computer mit den Kräften von Menschen und in einigen Fällen von Supermenschen zu versorgen. " Levy, Steven. Wie Google sich selbst als eine Maschine erlernt, die first Company verdrahtet wird. 22. Juni 2016).
Wie wird maschinelles Lernen in der "realen Welt" eingesetzt? Die meisten von uns sind täglich mit dieser Technologie konfrontiert, ohne lange nachzudenken. Wenn Sie Google oder eine andere Suchmaschine verwenden, sind die Ergebnisse, die oben auf der Seite angezeigt werden, das Ergebnis von maschinellem Lernen. Der Vorhersagetext sowie die manchmal verfälschte Autokorrekturfunktion in der SMS-App Ihres Smartphones sind ebenfalls ein Ergebnis des maschinellen Lernens. Empfohlene Filme und Songs auf Netflix und Spotify sind weitere Beispiele dafür, wie wir diese schnell wachsende Technologie nutzen, ohne sie zu bemerken.
Vor kurzem hat Google Smart Reply in Gmail eingeführt. Am Ende einer Nachricht zeigt es einem Benutzer drei mögliche Antworten basierend auf dem Inhalt an. Uber und andere Unternehmen testen derzeit selbstfahrende Autos.
Industrien, die maschinelles Lernen verwenden
Der Einsatz von maschinellem Lernen reicht weit über die Tech-Welt hinaus. SAS, ein analytisches Softwareunternehmen, berichtet, dass viele Branchen diese Technologie übernommen haben. Die Finanzdienstleistungsbranche nutzt ML, um Anlagemöglichkeiten zu identifizieren, Investoren wissen zu lassen, wann sie handeln, welche Kunden ein hohes Risikoprofil aufweisen und Betrugsfälle erkennen. Im Gesundheitswesen helfen Algorithmen bei der Diagnose von Krankheiten, indem sie Anomalien auffangen.
Haben Sie schon einmal die Frage gestellt: "Warum erscheint eine Anzeige für dieses Produkt, die ich kaufen möchte, auf jeder Webseite, die ich besuche?" ML ermöglicht es der Marketing- und Vertriebsindustrie, Konsumenten anhand ihrer Kauf- und Suchhistorie zu analysieren. Die Anpassung dieser Technologie an die Transportindustrie erkennt mögliche Probleme auf Strecken und trägt dazu bei, diese effizienter zu machen. Dank ML kann die Öl- und Gasindustrie neue Energiequellen identifizieren (Machine Learning: Was es ist und warum es wichtig ist. SAS).
Wie Machine Learning den Arbeitsplatz verändert
Vorhersagen über Maschinen, die alle unsere Arbeitsplätze übernehmen, gibt es schon seit Jahrzehnten, aber wird ML das endlich Realität werden lassen? Experten sagen voraus, dass diese Technologie den Arbeitsplatz verändert hat und weiter verändern wird. Aber so weit wie alle unsere Jobs wegnehmen? Die meisten Experten denken nicht, dass das passieren wird.
Während maschinelles Lernen den Menschen in allen Berufen nicht ersetzen kann, könnte es viele der damit verbundenen Berufspflichten verändern. "Aufgaben, bei denen schnelle Entscheidungen auf der Grundlage von Daten getroffen werden, sind gut für ML-Programme geeignet, nicht jedoch, wenn die Entscheidung auf langen Denkketten, unterschiedlichem Hintergrundwissen oder gesundem Menschenverstand beruht", sagt Byron Spice. Spice ist Director of Media Relations bei Carnegie Mellon Universität der Schule der Informatik (Spice, Byron. Maschinelles Lernen ändert Jobs. Carnegie Mellon University.
21. Dezember 2017).
Im Science Magazine schreiben Erik Brynjolfsson und Tom Mitchell: "Die Nachfrage nach Arbeitskräften wird eher für Aufgaben fallen, die die Fähigkeiten von ML in hohem Maße ersetzen, während sie für Aufgaben, die Ergänzungen zu diesen Systemen darstellen, eher zunehmen wird System überschreitet die Schwelle, wo es kosteneffektiver als Menschen für eine Aufgabe wird, werden gewinnmaximierende Unternehmer und Manager zunehmend versuchen, Maschinen für Menschen zu ersetzen.Dies kann Auswirkungen auf die gesamte Wirtschaft haben, Produktivität steigern, Preise senken, Arbeitsnachfrage verschieben, und Umstrukturierungsindustrien (Brynjolfsson, Erik und Mitchell, Tom.
Was kann Maschinelles Lernen bewirken? Mitarbeiter Implikationen. Wissenschaft. 22. Dezember 2017).
Willst du eine Karriere im maschinellen Lernen?
Karriere im maschinellen Lernen erfordern Fachwissen in Informatik, Statistik und Mathematik. Viele Menschen kommen auf diesem Gebiet mit einem Hintergrund in diesen Bereichen. Viele Hochschulen, die einen Schwerpunkt im Bereich maschinelles Lernen bieten, verfolgen einen multidisziplinären Ansatz mit einem Lehrplan, der neben Computerwissenschaften auch Elektrotechnik und Computertechnik, Mathematik und Statistik umfasst (Top 16 Schulen für maschinelles Lernen. AdmissionTable.com).
Für diejenigen, die bereits in der IT-Branche tätig sind, ist der Übergang zu einem ML-Job kein großer Sprung. Vielleicht haben Sie bereits viele der Fähigkeiten, die Sie brauchen. Ihr Arbeitgeber kann Ihnen sogar dabei helfen, diesen Übergang zu machen. Laut Steven Levy's Artikel "gibt es derzeit nicht viele Leute, die ML-Experten sind. Unternehmen wie Google und Facebook schulen daher Ingenieure, deren Fachkenntnisse in der traditionellen Codierung liegen."
Während viele der Fähigkeiten, die Sie als IT-Experte entwickelt haben, auf das maschinelle Lernen übertragen werden, ist es vielleicht etwas schwierig. Hoffentlich bist du während deines College-Statistik-Kurses wach geblieben, weil ML auf ein starkes Verständnis dieses Themas sowie auf Mathe angewiesen ist. Levy schreibt, dass Codierer bereit sein müssen, die totale Kontrolle über die Programmierung eines Systems aufzugeben.
Sie sind kein Pech, wenn Ihr Tech-Arbeitgeber die ML-Umschulung nicht bei Google und Facebook anbietet. Hochschulen und Universitäten sowie Online-Lernplattformen wie Udemy und Coursera bieten Kurse an, die die Grundlagen des maschinellen Lernens vermitteln. Es ist jedoch äußerst wichtig, dass Sie Ihre Kenntnisse durch Statistik- und Mathematikunterricht abrunden.
Jobtitel und Einnahmen
Die wichtigsten Berufsbezeichnungen, auf die Sie stoßen, wenn Sie auf der Suche nach einer Stelle in diesem Bereich sind, sind Maschinenbauingenieur und Datenwissenschaftler.
Maschinenbauingenieure "führen die Operationen eines maschinellen Lernprojekts aus und sind verantwortlich für die Verwaltung der Infrastruktur und der Datenpipelines, die für die Bereitstellung von Code in der Produktion erforderlich sind." Datenwissenschaftler sind auf der Daten- und Analyseseite der Entwicklung von Algorithmen und nicht auf der Codierungsseite. Sie sammeln, reinigen und bereiten auch Daten vor (Zhou, Adelyn. "Artificial Intelligence Job Titles: Was ist ein Machine Learning Engineer?" Forbes. 27. November 2017).
Basierend auf Nutzereingaben von Personen, die in diesen Jobs arbeiten, berichtet Glassdoor.com, dass ML-Ingenieure und Data Scientists ein durchschnittliches Grundgehalt von 120.931 US-Dollar verdienen. Gehälter reichen von einem Tief von $ 87.000 bis zu einem Höchstbetrag von $ 158.000 (Machine Learning Engineer-Gehälter. Glassdoor.com. 1. März 2018). Obwohl Glassdoor diese Titel gruppiert, gibt es einige Unterschiede zwischen ihnen.
Anforderungen für die Machine Learning-Jobs
ML-Ingenieure und Datenwissenschaftler machen verschiedene Aufgaben, aber es gibt viele Überschneidungen zwischen ihnen. Job-Ankündigungen für beide Positionen haben oft ähnliche Anforderungen. Viele Arbeitgeber bevorzugen Bachelor-, Master-oder Doktortitel in Informatik oder Ingenieurwissenschaften, Statistik oder Mathematik.
Um ein maschinelles Lernprofi zu werden, benötigen Sie eine Kombination aus technischen Fähigkeiten - Fähigkeiten, die in der Schule oder am Arbeitsplatz erworben wurden - und Soft Skills. Soft Skills sind die Fähigkeiten, die sie nicht im Unterricht lernen, sondern mit Lebenserfahrung geboren werden oder erwerben. Auch hier gibt es viele Überschneidungen zwischen den erforderlichen Fähigkeiten für ML-Ingenieure und Datenwissenschaftler.
Stellenausschreibungen zeigen, dass diejenigen, die in ML-Ingenieursjobs arbeiten, mit Machine-Learning-Frameworks wie TensorFlow, Mlib, H20 und Theano vertraut sein sollten. Sie benötigen einen starken Hintergrund in der Programmierung einschließlich Erfahrung mit Programmiersprachen wie Java oder C / C ++ und Skriptsprachen wie Perl oder Python. Statistische Expertise und Erfahrung mit statistischen Softwarepaketen zur Analyse großer Datenmengen gehören ebenfalls zu den Spezifikationen.
Eine Vielzahl von Soft Skills ermöglicht es Ihnen, in diesem Bereich erfolgreich zu sein. Unter ihnen sind Flexibilität, Anpassungsfähigkeit und Ausdauer. Die Entwicklung eines Algorithmus erfordert viel Versuch und Irrtum und daher Geduld. Man muss einen Algorithmus testen, um zu sehen, ob er funktioniert, und wenn nicht, einen neuen entwickeln.
Ausgezeichnete Kommunikationsfähigkeiten sind unerlässlich. Machine-Learning-Profis, die oft in Teams arbeiten, brauchen ein besseres Zuhören, Sprechen und zwischenmenschliche Fähigkeiten, um mit anderen zusammenzuarbeiten, und müssen ihre Ergebnisse auch ihren Kollegen präsentieren. Sie sollten darüber hinaus aktive Lerner sein, die neue Informationen in ihre Arbeit einbeziehen können. In einer Branche, in der Innovation geschätzt wird, muss man kreativ sein, um zu übertreffen.