Как стать специалистом по искусственному интеллекту

8 новых профессий в сфере искусственного интеллекта

Какие профессии будут востребованы в эпоху информационно-технологических инноваций? Какие новые рабочие функции потребуются от человека?

Если вы интересуетесь влиянием искусственного интеллекта на организацию IT сферы, то, возможно, вы прежде всего задумываетесь о своей собственной работе. Смогут ли роботы делать то, что делаете вы? Что еще более важно, выражаясь хоккейным языком, вы хотите быть там, куда направляется шайба. Так какие же новые роли возникнут и будут цениться с дальнейшим развитием ИИ? Кевин Кейси в своей статье на приводит мнения профессиональных IT экспертов.

Алекс Джеймс, который возглавляет отдел исследований и разработок в DigitalOcean, замечает, что сегодня знание ИИ и машинного обучения является прерогативой людей с научными степенями. «Растущий спрос в этой области может открыть двери для самых разных типов экспертов», — говорит он. «По-прежнему останутся собственно научные работники в таких областях как вычислительная техника и электротехника, с глубокими знаниями и опытом в области ИИ и машинного обучения. Но мы также увидим и практиков, которые быстро научатся использовать новые технологии с целью получить преимущество от растущего числа новых профессий, но при этом не будут иметь глубокого понимания того, как это все работает».

Потребность в «практиках» станет одним из главных факторов при создании новых профессий, при том что многие старые просто исчезнут.

«Хотя ИИ ведет к автоматизации многих видов работ, он также создаст много новых возможностей трудоустройства, особенно в IT сфере»,- говорит Акаш Ганапати, один из основателей и руководителей компании Thrill A.I. Ганапати ожидает, что в крупных информационно-технологических компаниях растущий акцент на ИИ и машинном обучении приведет к появлению новых ролей по ряду направлений, включая:

Контроль работы и совместимости ИИ: обеспечение надлежащей работы ИИ программ, защита от сбоев, ошибок данных или неподходящих источников информации.
ИИ менеджмент: работа над технической реализацией и контролем операций ИИ.
Агрегирование и обработка данных: сбор (особенно из неясных источников) и очистка наборов данных для использования в ИИ.

И это только отправная точка. Вот некоторые другие названия профессий и рабочих функций, которые, по мнению экспертов, должны появиться в будущем.

1. Конструктор систем искусственного интеллекта

«Я вижу таких специалистов как профессионалов, отвечающих за выбор того как, когда и где нужно развивать те или иные компоненты ИИ в больших и сложных IT системах», — говорит Алессандро Перилли, Директор по менеджмент стратегиям в Red Hat.

Он видит данную служебную позицию как продолжение сегодняшней роли специалистов по искусственному интеллекту, но с одним ключевым отличием.

«В моем понимании сегодняшние специалисты по ИИ больше специализированы на том, чтобы превращать нормальные приложения в смарт-приложения. И в ряде случаев это все, что бывает нужно компании. Но постепенно, по мере того как ИИ станет все более проникать в ассортимент компьютерных приложений и можно будет значимо коррелировать все большее количество элементов интеллектуальной среды, появится потребность в специалистах, владеющих общей картиной и умеющих объединять локальные интеллектуальные приложения в единый корпоративный мозг».

«Мне видится здесь аналогия с эволюцией человеческого мозга. Это очень увлекательно. Мы находимся на ранних стадиях развития искусственного интеллекта, и мы все еще думаем об изолированных смарт-приложениях как о нейронах, отвечающих за тот или иной аспект работы мозга. Но эти нейроны имеют огромный потенциал объединения, как это произошло в нашей коре головного мозга. И для этого понадобится конструктор систем ИИ».

2. Специалист по работе с данными

«Хотя ИИ будет справляться с большей частью рутинных IT решений, которые сейчас принимаются людьми, он сильно зависит от данных, которые организованы, очищены и снабжены семантическим значением», — говорит Даг Бордонаро, главный специалист по информационному пропагандированию в компании ThoughtSpot. «Сегодня аналитики и специалисты по математическому моделированию разделяют эту функцию, но эти позиции в основном ответственны за обеспечение понимания ситуации и нахождение решений. По мере того, как ИИ сможет принять на себя «инсайтную» часть работы, мы увидим новую роль для специалистов по работе с данными, которые будут сфокусированы на подготовке данных для использования в алгоритмах ИИ внутри организации».

3. Специалист по информационному пропагандированию

«ИИ обещает понизить планку входа для данных и облегчить взаимодействие, но не станет волшебной палочкой, благодаря которой мы неожиданно начнем с легкостью использовать данные для любых решений», — говорит Бордонаро. «Даже после внедрения приложений с ИИ, компании будут должны обучать внутри своей организации тому, какие данные у них доступны, как их можно применить и как они должны применяться».

«Вот почему внутренняя информационная пропаганда станет критическим моментом для внедрения и роста решений на базе ИИ. Компании будут инвестировать в таких специалистов, основной задачей которых внутри организации будет обучать пользователей тому, как можно принимать решения, управляемые данными, и как изменить традиционные потоки заданий и делопроизводства, чтобы получить преимущество от новых возможностей».

4. Специалист по использованию данных в машинном обучении

«Эта функция, не новая сама по себе, будет востребована в крупных информационно-технологических компаниях как средство более полной реализации потенциала машинного обучения. Компании должны будут нанимать соответствующих специалистов, которые будут реализовывать работу системы, обучать ее и предоставлять аналитические данные для увеличения ценности собранной информации», говорит Тодд Лепке, ведущий инженер по развитию технологий в Sungard Availability Services.

5. Аналитик роботизированных процессов

«Это разновидность роли бизнес-аналитика, где вы осуществляете оценку обработки данных и определяете области использования роботизированных платформ для процесса автоматизации», — отмечает Феликс Фермин, менеджер по набору персонала в Mondo.

6. Менеджер по цифровой информации

Дуэйн Форрестер, вице-президент по промышленным решениям в компании Yext, указывает, что виртуальные помощники и другие «умные» сервисы — Alexa, Siri, Google Home и так далее – уже меняют то, как потребители открывают для себя и выбирают те или иные бренды. Компаниям придется инвестировать в то, как они управляют имеющейся информацией о самих себе в «интеллектуальной экосистеме».

Читать еще: Как поступить в ВУЗ в Германии бесплатно

«В эпоху структурированных данных будут востребованы профессионалы, предоставляющие контекст для карт, визуальных инфо-карт, различных решений и иной цифровой информации. Компании все чаще назначают менеджера по цифровой информации в качестве межфункционального лидера, отвечающего за стратегию компании, лежащую в основе ее ключевой цифровой информации, и это основа успеха компании в последующие годы», — говорит Форрестер. «Начиная от обеспечения точных онлайн данных до увязывания между собой внутренних проектов и увеличения ценности инвестирования в контент, продукт и контекст, эти менеджеры будут регулировать цифровой аспект деятельности компаний в будущем».

7. Разработчик взаимодействия с ИИ

Будет расти потребность в профессионалах в области IT и дизайна, создающих интерфейсы искусственного интеллекта для массовой аудитории, утверждает Фремин из Mondo. Эта роль позволит «создавать индивидуализированные ИИ системы с целью сделать их как можно более похожими на человека».

8. Когнитивный копирайтер

Шон МакФедран, директор по разработке перспективных платформ в Smith Labs, ожидает, что данная позиция будет растущим трендом по мере того, как все большее количество компаний начнут встраивать функции обработки естественного языка в свое взаимодействие с клиентами. Это хороший пример роли, которая выходит за пределы традиционных задач. Это смешение технологии, маркетинга, обслуживания клиентов и других дисциплин. МакФедран так определяет данную профессию:

Это технически-ориентированный креативный писатель, который:

Разбирается в различных системах машинного обучения и логических блоках объединения, работающих в конкретном интерфейсе естественного языка.
Улавливает и креативно управляет ограничениями системы обработки естественного языка со стороны пользовательского опыта – новое измерение для средств представления информации.
Может выразить нюансы бренда через индивидуальные особенности и язык того или иного интерфейса ИИ.

«Технолог зачастую меньше сфокусирован на восприятии пользователя, а копирайтер на практических ограничениях обработки естественного языка», — говорит МакФедран. «Эти двое встретятся в роли когнитивного копирайтера, того, кто хорошо знаком с древовидными логическими схемами, задаваемыми функциями, передачей данных, с тем, что бренд хочет сказать своему покупателю, и с нюансами покупательского поведения».

Как программисту стать специалистом по искусственному интеллекту

Блоги, 1 декабря 2018 в 19:52

Рассказывает CTO в LoyaltyLab и
спикер курсов Binary District
Александр Кондрашкин

Согласно отчёту McKinsey в США наблюдается устойчивый дефицит специалистов по машинному обучению: спрос растёт на 12% в год, а предложение — лишь на 7%, в итоге в ближайшем будущем открытых вакансий будет на 250 000 больше, чем потенциальных претендентов. В России, по оценкам HeadHunter , число позиций для специалистов по машинному обучению и искусственному интеллекту в 2017 году выросло почти в 11 раз.

CTO в LoyaltyLab и спикер курсов Binary District Александр Кондрашкин составил поэтапный гид по изучению AI. Александр утверждает: «Вокруг машинного обучения сформировался ореол дикой сложности. Это так, если вы хотите делать открытия, разрабатывать новые алгоритмы и войти в историю науки, но если просто применять известные решения на практике — порог входа вовсе не большой». Практически все программисты обладают необходимой базой для построения карьеры специалиста по искусственному интеллекту.

Что нужно для старта

Абстрактное мышление

Машинное обучение вращается вокруг поиска закономерностей в данных. Data Scientist посвящает куда больше времени генерации гипотез, подготовке и проведению бесконечных экспериментов над массивами данных, чем проектированию архитектур сервисов и их отладке. В сознании специалиста дороги и перекрестки Яндекс.Карт превращаются в графы, а статистика по снятиям наличных в банкоматах — во временной ряд в аналитической системе. Без навыка представления обыденных вещей в абстрактном виде тут не обойтись.

Общая грамотность в математических дисциплинах

Карьера в машинном обучении требует общей грамотности в математических дисциплинах. Теория вероятности, линейная алгебра, математический анализ — предметы, которые преподают на первом курсе любой технической специальности — ещё один краеугольный камень Data Science.

Знание Python и основ backend-разработки

Третий базовый навык — программирование. Большую часть работы по Machine Learning выполняют на Python, но знание любого языка ускорит обучение.

На этапе работы с подготовленными моделями пригодятся навыки backend-разработки. Даже с поверхностными знаниями в этой области нейронную сеть куда легче превратить в удобный для использования микросервис.

Если у вас уже есть эта база, можно смело отправляться учить машины.

С чего начать

Путь будущего специалиста по Machine Learning отчасти повторяет историю развития отрасли и начинается с классических алгоритмов обучения с учителем и без, созданных ещё в прошлом веке.

Для начала годится и байесовский классификатор, и линейная регрессия, и деревья решений — простые, интуитивно понятные методы автоматической сортировки объектов. В отличие от капризных нейросетей, от них проще добиться положительной обратной связи, увидеть: «Ух ты, машинное обучение и правда работает!» — и получить мотивацию разбираться в теме дальше.

Через два-три месяца изучения основ синтаксиса и классических алгоритмов самое время перейти к нейронным сетям простой архитектуры — однослойным перцептронам. Следующий логичный шаг — заставить работать многослойную нейронную сеть, а после стоит обратить внимание на обучение с подкреплением.

Как, где и на чём учиться

Чтобы освоить базовые методы, из оборудования достаточно надёжного ноутбука с доступом в интернет. Начинающим редко требуется по-настоящему быстрое железо, а на крайний случай остаются сервисы Google, Amazon, Microsoft и других облачных провайдеров, сдающих мощности в аренду.

Курсы и тренинги

На образовательных площадках в сети опубликовано множество комплексных учебных программ на английском и русском языках.

Среди общедоступных выделяются курсы Яндекса , например, совместный проект с МФТИ: специализация «Машинное обучение и анализ данных» или «Advanced Machine Learning».

Один из самых популярных англоязычных курсов — «Machine Learning» Стэнфордского университета . Не так известны, но так же полезны и бесплатные программы « Intro to Machine Learning » и « Become a Machine Learning Engineer », которые предлагаются в Udacity.

Тем, кто хочет разобраться в нюансах применения Python для машинного обучения, стоит заплатить за « Data Science, Deep Learning and Machine Learning with Python » или « Python for Data Science and Machine Learning Bootcamp » на площадке Udemy. А для всех тех, кто хочет наладить обратную связь с преподавателями и получать знания очно, в Binary District открыт интенсивный практический курс по AI .

Читать еще: Антивандальная ткань для дивана что это такое

Практические задачи

Практиковаться можно и на самостоятельно придуманных задачах, но для учёбы такие эксперименты неэффективны. На то, чтобы собрать данные через API, очистить их и подготовить, уйдёт огромное количество времени и сил, которые можно потратить на усвоение знаний. Гораздо удобнее, когда всё придумано и сделано до вас. На образовательной платформе Kaggle публикуются задачи по машинному обучению с подробным описанием, заранее определёнными условиями и подготовленными датасетами.

Например, ставшие классикой задачи по предсказанию выживаемости пассажиров Титаника или цен на недвижимость в городе Эймс, штат Айова помогут досконально разобраться в классификации и регрессии, а распознавание рукописных цифр позволит погрузиться в работу с картинками через классическую проблему.

Что делать дальше

Стартовав почти с нулевого уровня, через полгода вполне реально устроиться на стажировку, а вскоре и на работу. Освоить нейросети сложных архитектур и ансамбли на рабочих задачах при поддержке коллег будет не так сложно, как в одиночку.

Впрочем, это не единственный способ проверить приобретённые навыки в бою. Если в вашей компании собрано достаточно много данных, стоит развивать культуру машинного обучения внутри, извлекать из баз дополнительную пользу и, вполне возможно, деньги.

Практикуйтесь, читайте, экспериментируйте и делитесь опытом — потолка в этой сфере нет. Дальнейший профессиональный рост в Data Science — результат ежедневного труда, следствие усложнения задач, общения с коллегами, участия в конференциях и погружения в бизнес-метрики. Любую модель можно сделать ещё немного лучше, но со временем придёт понимание того, когда дополнительный процент точности не стоит затраченных усилий и не принесёт пользы компании.

Конечно, ИИ не решит все проблемы человечества, и не отберёт у программистов работу. Но уже сейчас машинное обучение открывает широкие возможности, технологические и профессиональные перспективы.

Как построить карьеру в ИИ, не будучи математическим гением

Переучиваться всегда страшно, особенно когда на кону стоит материальный статус и вопрос профессиональной востребованности. Но оставаться в ИТ-индустрии в стороне от современных трендов — ИИ, машинного обучения, нейросетей и data science — все равно, что остановиться в своем развитии. Но айтишники в России не спешат менять специализацию. Декан факультета ИИ в онлайн-университете GeekUniversity Сергей Ширкин рассказал «Хайтеку» о самых распространенных страхах среди ИИ-программистов и о том, чему нужно учиться для построения успешной карьеры в этой области.

Разработчикам сегодня интересно не просто писать стандартные программы, а быть на «передовой» — получать специализацию в наиболее перспективных сферах. ИИ, нейронные сети, машинное обучение, big data и data science, без сомнения, очень интересные направления в программировании, и это все понимают. Но чтобы стать высококлассным дата-сайентистом, новичку придется освоить с нуля большой объем разносторонних знаний. А состоявшемуся специалисту иного профиля, например, фронтенд-разработчику, основательно «перековаться». Практика показывает, что решиться на это не всегда просто. Мешают три главных страха, с которыми сталкивается практически каждый, кто задумал строить карьеру в области ИИ.

Страх первый: я не смогу найти работу с достойной зарплатой

Этот вопрос особенно актуален для состоявшихся специалистов, которые довольны своим стабильным доходом. Им просто интересна область ИИ. Но для того, чтобы поменять карьерный вектор, нужно переучиться. Это потребует и время, и финансы. Возникает вопрос: «А смогу ли я найти работу с не меньшей (желательно, и большей) зарплатой?».

Проблема в том, что никто не сможет заранее ответить на этот вопрос: специалисты в области ИИ, машинного обучения и data science зарабатывают по-разному в зависимости от опыта, стажа, навыков, мастерства, уровня поставленных задач и конкретной компании.

По данным hh.ru, разброс составляет от 75 до 300 тыс. рублей. Для сравнения, средняя зарплата мобайл-разработчика — 114 тыс., программиста Python — 105 тыс., программиста iOS — 100 тыс. Зарплата новичка без опыта работы будет, конечно, немного ниже, чем в целом по отрасли. Но зато и перспективы дальнейшего роста шире.

Страх потерять доход тесно связан с боязнью не найти работу вообще. А это, в свою очередь, относится напрямую к мифу об ограниченности внедрения систем ИИ в экономике. Судя по информационному полю, создается впечатление, что ИИ в России использует только с десяток ведущих ИТ-компаний вроде «Яндекса», Mail.Ru Group, «МегаФона», МТС, «Билайна», Теле2, ABBYY и Сбербанка. Понятно, что требования к кандидатам там запредельны, туда очень сложно устроиться на работу.

4 шага для разработки ИИ, которому человек будет полностью доверять

ИТ-гиганты являются флагманами внедрения инноваций. На этом строятся их имидж и последовательная PR-поддержка. На самом деле возможности для трудоустройства гораздо шире. Элементы ИИ и data science сегодня используются повсеместно.

Банки. Несколько кредитных учреждений в России заявляют о себе как о высокотехнологичных структурах, говоря о внедрении нейронных сетей, сборе данных по социальным сетям и т.д. (Сбербанк, ВТБ, «Тинькофф банк», «Альфа-банк»). Это, опять же, часть их PR-работы с аудиторией. Причем внедрение ИИ позволяет зарабатывать миллиарды долларов. В реальности картина такова, что этим занимается в России каждый второй более-менее крупный банк, а в недалеком будущем будет каждый. Соответственно, в банковской сфере стабильно есть спрос на специалистов по обработке больших данных.

Промышленность. В последние годы идет бурное развитие нейронных сетей и машинного обучения в различных областях промышленности — например, в металлургической. В частности, речь идет о сотрудничестве Yandex Data Factory с Магнитогорским металлургическим комбинатом и другими предприятиями. Эта тема широкой публике не очень известна. Соответствующие статьи появляются только в специализированных изданиях. Хайп поднимается вокруг более очевидных «потребительских» вещей, вроде приложения Adobe Sensei. Но это не значит, что автоматизированный Photoshop — самое яркое достижение в области ИИ.
Склады. По всему миру склады переходят на практически полную автоматизацию с применением ИИ. Один из примеров — компания Symbotic, производящая автоматизированные склады, для обслуживания которых требуется всего восемь-девять человек в смену. Грузчики на этом складе заменены роботами с компьютерным зрением. Для таких объектов всегда будут требоваться операторы с соответствующей подготовкой. Подобный склад от другого производителя был недавно открыт в Подмосковье. Бизнес довольно осторожно относится к такого рода нововведениям. Компании наблюдают друг за другом и ждут, пока кто-то первый успешно внедрит инновацию. И уже тогда начнется лавинообразный процесс повсеместного применения. Именно это и ждет складское хозяйство в ближайшие пару лет.

Читать еще: Как зовут подругу Гарри Поттера

Онлайн-ритейл. Множество игроков e-commerce имеют «вторую натуру». Например, Wildberries или Lamoda выглядят как фэшн-бизнес, но на самом деле это полноценные ИТ-компании с высокой степенью автоматизации и огромным объемом big data. Они нанимают аналитиков, умеющих предсказать, с какой вероятностью в тот или иной момент определенный человек купит какой-либо товар, и специалистов, быстро извлекающих информацию из баз данных. Поэтому онлайн-ритейл — большой рынок труда для специалистов в области ИИ, где они могут применять самый широкий спектр навыков.

Расист, оружие и предвзятый судья — каким станет искусственный интеллект в будущем

Есть еще множество примеров различных ниш — это и торговые офлайн-сети, которым нужны алгоритмы поиска отзывов в интернете, и медицина, где ИИ уже анализирует снимки, и маркетинговые компании, где нужно обрабатывать массивы видеоданных. Во всех этих сферах реализуются задачи различной сложности. Новичку, только закончившему обучение, нужно начинать с более простых вещей: например, заниматься обработкой баз данных. Банки подходят идеально — они накапливают огромное количество информации, складывающейся из заявок, анкет, сведений о клиентах. Эти данные нуждаются в очистке, разработке приемлемых форм хранения и передачи. А затем в дата-майнинге — поиске признаков, на основе которых можно построить какую-то полезную модель. Неопытному специалисту такая работа может дать мощный старт. Чтобы набить руку, нужно от шести до 12 месяцев. После этого можно пробовать свои силы в более сложных задачах, например, применять алгоритмы ИИ на средних и больших данных.

Страх второй: я не смогу осилить высшую математику

Компетенции ИИ-программистов складываются из трех блоков: высшая математика, программирование и предметная сфера. Последнее зависит от профиля организации. Учиться специально в этой области, как правило, не обязательно. Достаточный для занимаемой должности уровень знаний (например, в маркетинге или финансах) кандидат получает в ходе испытательного срока.

С программированием все понятно — новички учатся охотно и с удовольствием. Для работающих профессионалов материал не представляет сложности: базовые знания уже есть, нужно только «добрать» недостающие навыки — языки, библиотеки, софт. А вот с высшей математикой все сложнее. В основном именно она отпугивает людей с дипломами гуманитариев или тех технарей, которые в вузе получили «психологическую травму» от бесконечной сдачи-пересдачи экзаменов по точным наукам.

«Если изобретение с ИИ не приносит пользу, сам продукт никому не нужен»

Этот страх можно назвать беспочвенным. Специалист по ИИ вовсе не обязан быть математическим гением. В область компетенции входит лишь небольшая часть линейной алгебры, определенные сферы матанализа и теории вероятностей, а также статистика. Точно таким же образом происходит подготовка в программировании: отнюдь не тотальный объем знаний, а только его часть — в частности, языки Python, C, C++, язык запросов SQL и Linux.

Страх третий: я не смогу конкурировать с выпускниками физмата

Эта боязнь присуща тем, кто не имеет диплома о высшем образовании либо имеет его совершенно в другой области. Но практика показывает, что в сфере программирования никто не обращает внимания на какие-либо регалии. Людей с дипломами много, а вот компетентных специалистов — нет.

Есть два типа кандидатов, которые обычно заваливают собеседования на должность ИИ программиста.

Разработчики, у которых плохо с математикой. Кандидат может делать шикарные интерфейсы, но для работы с нейронными сетями и большими данными ему нужна математика. От этого никуда не деться. Такой специалист может освоить требуемый объем знаний в течение года. Например, на онлайн-курсах.
Математики или научные работники, профессиональные статистики, у которых недостаточно навыков в программировании. Они понимают алгоритмы ИИ, знают матанализ, теорию вероятностей и линейную алгебру, но не в состоянии выполнить тестовое задание средней сложности. Кандидат может иметь научную степень, но допускает грубейшие ошибки при написании кода. Таким специалистам нужно учиться год-полтора, чтобы закрыть пробелы в знаниях. Лучше это делать на продвинутых курсах, так как в вузах не дают достаточных навыков программирования и часто проводят обучение с использованием устаревших языков.

Таким образом, выпускники физмата и даже кандидаты наук не имеют никакого автоматического преимущества перед обычным разработчиком, будь он хоть трижды гуманитарий.

HR-специалисты самых топовых ИТ-гигантов сбиваются с ног в поисках таких эрудированных кандидатов со знанием английского языка. Если находят такого, то последнее, что они делают, это проверяют его диплом о высшем образовании. Рынок труда наводнен специалистами с однобокой подготовкой, а потому шиковать компаниям не приходится.

Три вещи, которые нужно сделать, чтобы построить успешную карьеру в сфере ИИ

Освоить адекватную программу, которая даст самые «свежие» навыки программирования и точную выборку знаний из высшей математики. Это можно сделать на очных или онлайн-курсах. Главное — убедиться, что выпускники таких курсов успешно устраиваются и работают. Можно учиться самостоятельно по заранее составленной программе. Но потребуется огромная сила воли и самодисциплина, а лучше — опытный наставник.
Пройти стажировку в срок до года. В компании, где можно отточить навыки и набить руку, работая с базами данных и занимаясь дата-майнингом.