Как построить карьеру в области искусственного интеллекта. Советы от Эндрю Ына

«ИИ — это новое электричество. Он преобразит и улучшит все сферы человеческой жизни» (с) Эндрю Ын

Стремительное развитие искусственного интеллекта привело к бурному росту числа вакансий в этой области, и сегодня многие люди строят в ней увлекательную карьеру. На протяжении многих лет американский учёный Эндрю Ын наблюдал, как это происходит у тысяч студентов, а также инженеров в больших и малых компаниях. Теперь он предлагает практическую схему, по которой можно проложить собственный карьерный трек.

О трёх ключевых составляющих этой схемы — обучении базовым навыкам, работе над проектами и поиске работы, — читайте под катом.

Кодинг ИИ — новая грамотность

Сегодня мы считаем само собой разумеющимся, что многие люди умеют читать и писать. Когда-нибудь, я надеюсь, столь же обычным будет и умение писать код, в частности для ИИ.

Несколько сотен лет назад общество не рассматривало языковую грамотность как необходимый навык. Небольшое количество людей умело читать и писать, а все остальные просто не мешали им делать это. Потребовались столетия, чтобы грамотность распространилась и обогатила общество.

Слова обеспечивают глубокое общение между людьми. Код — самая глубокая форма общения между людьми и машинами. По мере того, как машины занимают всё большее место в повседневной жизни, это общение становится всё более важным.

Традиционная программная инженерия — написание программ, которые явно указывают компьютеру последовательность шагов для выполнения — была основным путём к кодовой грамотности. Во многих вводных курсах по программированию в качестве примера используется создание видеоигры или веб-сайта. Но ИИ, машинное обучение и наука о данных предлагают новую парадигму, в которой компьютеры извлекают знания из данных. Эта технология предлагает ещё более эффективный путь к кодингу.

По воскресеньям я покупаю кусок пиццы в соседней пиццерии. У джентльмена за прилавком нет особых причин учиться создавать видеоигры или писать собственное программное обеспечение для веб-сайтов (помимо личного роста и удовольствия от приобретения нового навыка).

Но ИИ и наука о данных имеют большое значение даже для пиццерии. Модель линейной регрессии может позволить лучше оценить спрос, чтобы оптимизировать штат ресторана и цепочку поставок. Бизнес сможет лучше прогнозировать продажи гавайской пиццы — моей любимой! — чтобы заранее приготовить её больше и сократить время ожидания клиентов.

Применение ИИ и data science возможно практически в любой задаче, связанной с получением данных. Таким образом, самые разные профессии найдут больше применений для пользовательских ИИ-приложений и анализа данных, чем для традиционной программной инженерии. Это делает грамотность в области кодинга, ориентированного на ИИ, даже более ценной, чем традиционный кодинг. Она способна помочь обогатить жизнь с помощью данных бесчисленному количеству людей.

Надеюсь, что перспектива создания базовых приложений для ИИ, даже в большей степени, чем перспектива создания базового традиционного ПО, побудит больше людей научиться кодить. Если общество примет эту новую форму грамотности так же, как умение читать и писать, мы все от этого только выиграем.

ГЛАВА 1. Три шага к карьерному росту

Три ключевых этапа карьерного роста — обучение базовым навыкам, работа над проектами (для углубления навыков, создания портфолио и оказания влияния) и поиск работы. Эти этапы накладываются друг на друга:

Обучение. Вначале вы сосредоточитесь на освоении базовых навыков.
Проекты. Получив базовые технические навыки, вы приступите к работе над проектами. В этот период вы также будете продолжать учиться.
Работа. Позже вы начнёте поиск работы. На протяжении всего этого процесса вы будете продолжать учиться и работать над значимыми проектами.

Эти этапы применимы в самых разных профессиях, но сфера ИИ предполагает некоторую специфику. Например:

Обучение. Освоение базовых навыков — процесс, который длится всю карьеру: ИИ только зарождается, и многие технологии всё еще развиваются. Основы ML и глубокого обучения уже сформировались, но быть в курсе меняющихся технологий в сфере ИИ важнее, чем в более зрелых областях.
Проекты. Работа над проектами часто подразумевает сотрудничество с заинтересованными сторонами, которые не обладают достаточным опытом в области ИИ. Это может усложнить поиск подходящего проекта, оценку его сроков и окупаемости, а также определение ожиданий. Кроме того, итеративный характер проектов в области ИИ приводит к особым проблемам в управлении проектами: как разработать план создания системы, если заранее неизвестно, сколько времени потребуется для достижения заданной точности? Даже после того, как система достигла цели, может потребоваться дополнительная итерация для устранения дрейфа после развертывания.
Работа. Здесь один из нюансов — несогласованность мнений о навыках ИИ и рабочих ролях. Хотя поиск работы в области ИИ может быть похож на поиск работы в других отраслях, есть и важные различия. Многие компании всё ещё пытаются понять, какие навыки в области ИИ им нужны и как нанимать людей, которые ими обладают. То, над чем вы работали, может значительно отличаться от того, что видел ваш интервьюер, и вам, скорее всего, придется объяснять потенциальным работодателям некоторые аспекты вашей работы.

При прохождении каждого из этапов вы также должны обеспечивать вокруг себя поддерживающее сообщество. Наличие друзей и союзников, которые могут помочь — и которым вы стремитесь помочь, — облегчает путь. Это верно независимо от того, делаете ли вы первые шаги или находитесь на этом пути уже много лет.

ГЛАВА 2. Обучение техническим навыкам для перспективной карьеры в области ИИ

Выше я описал три ключевых шага для построения карьеры в области ИИ, причём все эти шаги должны поддерживаться участием в сообществе. В этой главе более подробно остановлюсь на первом шаге: изучении базовых навыков.

По ИИ опубликовано больше научных работ, чем каждый может прочитать за всю жизнь. Поэтому при обучении очень важно правильно расставить приоритеты при выборе темы. Я считаю, что наиболее важными темами для технической карьеры в области машинного обучения являются:

Фундаментальные навыки ML. Например, важно понимать такие модели, как линейная регрессия, логистическая регрессия, нейронные сети, деревья решений, кластеризация и обнаружение аномалий. Помимо конкретных моделей, ещё важнее понимать основные концепции, лежащие в основе того, как и почему работает ML, такие как смещение/разброс, функции потерь, регуляризация, алгоритмы оптимизации и анализ ошибок.
Глубокое обучение. Эта область стала настолько обширной, что без её понимания трудно добиться успеха в ML! Полезно знать основы нейронных сетей, тонкости их настройки (такие как настройка гиперпараметров), свёрточные нейронные сети, рекуррентные сети и трансформеры.
Математика в контексте ML. Ключевые области включают линейную алгебру (векторы, матрицы и различные манипуляции с ними), а также вероятность и статистику (включая дискретную и непрерывную вероятность, стандартные распределения вероятностей, основные правила, такие как независимость и правило Байеса, а также проверку гипотез). Кроме того, разведочный анализ данных (EDA) — использование визуализаций и других методов для систематического изучения набора данных — является недооцененным навыком. Я считаю, что EDA особенно полезен при разработке ИИ, ориентированного на данные, где анализ ошибок и получение информации могут действительно способствовать прогрессу. Наконец, базовое интуитивное понимание исчисления также поможет. Математика, необходимая для эффективного машинного обучения, постоянно меняется. Например, хотя некоторые задачи требуют вычислений, усовершенствованное ПО для автоматического дифференцирования позволяет придумывать и реализовывать новые архитектуры нейронных сетей без каких-либо вычислений. Еще десять лет назад это было практически невозможно.
Разработка ПО. Хотя вы можете устроиться на работу и внести огромный вклад, обладая лишь навыками ML-моделирования, ваши шансы на трудоустройство возрастут, если вы также сможете писать хорошее ПО для реализации сложных ИИ-систем. Для этого нужно быть знакомым с основами программирования, структурами данных (особенно относящимися к ML, такими как фреймы данных), алгоритмами (в том числе связанные с базами данных и манипулированием данными), проектированием ПО, Python и ключевыми библиотеками, такими как TensorFlow или PyTorch, а также scikit-learn.
Этому нужно учиться! Даже после того, как вы освоите всё из этого списка, я надеюсь, вы будете продолжать учиться и углублять технические знания. Я знаю многих ML-инженеров, которым помогли более глубокие навыки в прикладных областях, таких как обработка естественного языка или компьютерное зрение, или в технологических областях, таких как вероятностные графовые модели или создание масштабируемых программных систем.
Как приобрести эти навыки? В Интернете много хорошего контента, и теоретически чтение десятков веб-страниц может сработать. Но когда целью является глубокое понимание, чтение разрозненных веб-страниц неэффективно, поскольку они повторяют друг друга, используют непоследовательную терминологию (что замедляет процесс), отличаются по качеству и оставляют пробелы. Именно поэтому хороший курс, в котором материал организован в последовательную и логичную форму, часто является наиболее эффективным способом освоить значимый объём знаний. Когда вы усвоите знания, доступные в курсах, можно переходить к исследовательским работам и другим ресурсам.

Наконец, никто не может выучить всё, что нужно, за выходные или даже за месяц. Все известные мне люди, преуспевшие в ML, учатся всю жизнь. Учитывая, как быстро меняется наша область, у вас нет другого выбора, кроме как продолжать учиться, если вы хотите идти в ногу со временем.

Как поддерживать стабильный темп обучения на протяжении многих лет? Если вы сможете привить себе привычку учиться понемногу каждую неделю, то сможете добиться значительного прогресса, затрачивая, казалось бы, меньше усилий.

Лучший способ выработать новую привычку

Одна из моих любимых книг — «Крошечные привычки: Маленькие изменения, которые меняют все» Би Джей Фогга. Фогг объясняет, что лучший способ выработать новую привычку — это начать с малого и добиться успеха, а не начать с большого и потерпеть неудачу. Например, вместо того чтобы стараться заниматься спортом по 30 минут в день, он рекомендует стремиться делать всего одно отжимание и делать это постоянно.

Подход может быть полезен тем, кто хочет уделять больше времени учёбе. Если вы начнете с того, что будете ежедневно просматривать, скажем, 10 секунд обучающего видео — и делать это постоянно, — привычка заниматься ежедневно сформируется естественным образом. Даже если вы ничего не узнаете за эти 10 секунд, вы выработаете привычку учиться понемногу каждый день. В некоторые дни, возможно, вы будете заниматься по часу или дольше.

ГЛАВА 3. Нужно ли изучать математику, чтобы получить работу в области ИИ?

Как глубоко надо знать математику, чтобы стать ML-инженером?

Является ли математика основополагающим навыком для ИИ? Всегда приятно знать больше математики! Но эта наука так обширна, что в реальности приходится расставлять приоритеты. Вот как можно укрепить свои математические знания.

Для начала я считаю полезным спросить: что вам нужно знать для принятия решений, необходимых для работы, которую вы хотите выполнять? В DeepLearning.AI мы часто спрашиваем: «Что нужно знать человеку, чтобы достичь своих целей?». Целью может быть построение ML-модели, создание архитектуры системы или прохождение собеседования.

Понимание математики, лежащей в основе используемых алгоритмов, часто бывает полезным, поскольку позволяет отладить их. Но глубина полезных знаний меняется со временем. По мере того как методы ML развиваются и становятся все более надёжными, они требуют меньше отладки, и для их работы может быть достаточно более поверхностного понимания математики.

Например, в более раннюю эпоху ML библиотеки линейной алгебры для решения линейных систем уравнений (для линейной регрессии) были незрелыми. Мне нужно было понимать, как эти библиотеки работают, чтобы выбирать между разными библиотеками и избегать ловушек, связанных с округлением чисел. Но это стало менее важным по мере развития библиотек численной линейной алгебры.

Глубокое обучение всё ещё является развивающейся технологией, поэтому, когда вы обучаете нейронную сеть и алгоритм оптимизации не может сходиться, понимание математики, лежащей в основе градиентного спуска, импульса и алгоритма оптимизации Адама, поможет вам принимать лучшие решения. Аналогично, если ваша нейронная сеть делает что-то забавное — скажем, плохо предсказывает изображения определённого разрешения, но не другие — понимание математики, лежащей в основе архитектуры нейронных сетей, поможет вам лучше понять, что делать.

Конечно, я также поощряю обучение, вызванное любопытством. Если вас что-то заинтересовало, идите и изучайте это, независимо от того, насколько полезным это может оказаться! Возможно, это приведёт к творческой искре или техническому прорыву.

ГЛАВА 4. Определение масштаба успешных ИИ-проектов

Один из важнейших навыков архитектора ИИ — умение находить идеи, над которыми стоит поработать. В следующих нескольких главах мы обсудим поиск и работу над проектами, чтобы вы могли набраться опыта и сформировать своё портфолио.

За годы работы мне довелось применять ML в производстве, здравоохранении, изменении климата, сельском хозяйстве, электронной коммерции, рекламе и других отраслях. Как человеку, не являющемуся экспертом во всех этих отраслях, найти в них значимые проекты? Вот пять шагов, которые помогут вам определить масштаб проектов.

Определите бизнес-проблему (не проблему ИИ). Мне нравится находить эксперта в данной области и спрашивать: «Какие три вещи вы хотели бы улучшить? Почему они ещё не улучшены?» Например, если вы хотите применить ИИ для борьбы с изменением климата, вы можете обнаружить, что операторы электросетей не могут точно предсказать, сколько энергии могут вырабатывать в будущем такие непостоянные источники, как ветер и солнце.
Проведите мозговой штурм решений в области ИТ. Когда я был моложе, то использовал первую попавшуюся идею. Порой это срабатывало, но иногда я упускал ещё более удачную идею, на реализацию которой не потребовалось бы больше усилий. Как только вы поймёте проблему, вы сможете более эффективно проводить мозговой штурм потенциальных решений. Например, для прогнозирования выработки электроэнергии из непостоянных источников можно использовать спутниковые снимки для более точного определения местоположения ветряных турбин, оценки их высоты и мощности или погодные данные для лучшего прогнозирования облачности и, соответственно, солнечного излучения. Иногда хорошего решения с помощью ИИ не существует, и это тоже нормально.
Оцените осуществимость и ценность потенциальных решений. Вы можете определить техническую реализуемость подхода, изучив опубликованные работы, опыт конкурентов или, возможно, создав быстрый пробный вариант реализации концепции. Вы можете определить его ценность, проконсультировавшись с экспертами в данной области (например, с операторами электросетей, которые могут дать рекомендации по полезности потенциальных решений, упомянутых выше).
Определите этапы. Как только вы сочтёте проект достаточно ценным, следующим шагом будет определение показателей, к которым нужно стремиться. Сюда входят как показатели ML (например, точность), так и бизнес-показатели (например, доход). Командам, занимающимся ML, зачастую удобнее всего работать с показателями, которые алгоритм обучения может оптимизировать. Но нам может потребоваться выйти за пределы нашей зоны комфорта, чтобы придумать бизнес-показатели, например, связанные с вовлеченностью пользователей, доходами и так далее. К сожалению, не каждая бизнес-задача может быть сведена к оптимизации точности тестового набора! Если у вас не получается определить разумные ориентиры, это может быть признаком того, что вам нужно больше узнать о проблеме. Быстрое доказательство концепции способно помочь получить недостающую информацию.
Составьте бюджет на ресурсы. Продумайте все, что вам понадобится для реализации проекта, включая данные, персонал, время, а также любые интеграции или поддержку, которые могут потребоваться от других команд. Например, если вам нужны средства на покупку спутниковых снимков, убедитесь, что это предусмотрено в бюджете.

Работа над проектами — это итеративный процесс. Если на каком-то этапе вы обнаружите, что текущее направление неосуществимо, вернитесь к предыдущему этапу и продолжите работу с учётом нового понимания. Есть ли область, которая вызывает у вас интерес и в которой ИИ может принести пользу? Надеюсь, эти шаги помогут вам изучить её в рамках проектной работы — даже если вы ещё не обладаете глубокими знаниями в этой области. ИИ не решит всех проблем, но как сообщество давайте искать способы оказать положительное влияние везде, где это возможно.

ГЛАВА 5. Поиск проектов, которые соответствуют вашим карьерным целям

Само собой, мы должны работать только над теми проектами, которые являются этичными и полезными для людей. Но эти ограничения оставляют большой выбор. В предыдущей главе я писал о том, как определять масштаб проектов ИИ. В этой и следующей главах акцент несколько иной: выбор и выполнение проектов с прицелом на карьерный рост.

Плодотворная карьера будет включать в себя множество проектов, которые, как мы надеемся, со временем будут становиться все более масштабными, сложными и влиятельными. Таким образом, начинать с малого — вполне нормально. Используйте первые проекты для обучения и постепенно переходите к более крупным проектам по мере роста ваших навыков.

Когда вы только начинаете, не ждите, что вам на блюдечке поднесут отличные идеи или ресурсы. Многие люди начинают с небольших проектов в свободное время. Когда у вас уже есть первые успехи — пусть даже небольшие — ваши растущие навыки повышают вашу способность предлагать лучшие идеи, и вам становится легче убедить других помочь вам перейти к более крупным проектам.

Что делать, если у вас нет идей для проекта? Вот несколько способов их генерировать:

Присоединяйтесь к существующим проектам. Если вы найдёте кого-то ещё с идеей, попросите присоединиться к его проекту.
Продолжайте читать и общаться с людьми. У меня появляются новые идеи, когда я провожу много времени за чтением, посещение курсов или общением с экспертами в этой области. Я уверен, что и у вас получится.
Сосредоточьтесь на прикладной области. Многие исследователи пытаются продвинуть базовые технологии ИИ — скажем, изобрести следующее поколение трансформеров или ещё больше расширить языковые модели, — и, хотя это и захватывающее направление, оно также очень трудное. Но разнообразие приложений, в которых ML ещё не применялось, огромно! Мне повезло, что я смог применить нейронные сети для всего — от автономного полета вертолёта до онлайн-рекламы — отчасти потому, что я вступил в игру, когда над этими приложениями работало относительно мало людей. Если ваша компания или учебное заведение заинтересованы в каком-то конкретном приложении, изучите возможности ML. Это может позволить вам впервые взглянуть на потенциально творческое приложение, в котором вы сможете выполнить уникальную работу, которую ещё никто не сделал.
Займитесь побочным бизнесом. Даже если у вас есть постоянная работа, увлекательный проект, который может перерасти в нечто большее, а может и не перерасти, способен расшевелить творческие соки и укрепить связи с коллегами. Когда я работал профессором на полную ставку, работа над онлайн-образованием не была частью моей «работы» (которая заключалась в проведении исследований и преподавании уроков). Это было забавное хобби, над которым я часто работал из страсти к образованию. Мой ранний опыт записи видео в домашних условиях помог мне впоследствии работать над онлайн-образованием более основательно. Кремниевая долина изобилует историями о стартапах, которые начинались как побочные проекты. Если это не вызывает конфликта с работодателем, такие проекты могут стать ступенькой к чему-то значительному.

Если у вас есть несколько идей для проектов, к какому из них вам стоит приступить?

Вот краткий список факторов, которые следует учитывать:

Поможет ли проект вашему техническому росту? В идеале он должен быть достаточно сложным, чтобы развить ваши навыки, но не настолько сложным, чтобы у вас было мало шансов на успех. Это поставит вас на путь освоения все более сложных технических задач.
Есть ли у вас коллеги по работе и в целом люди, с которыми вы можете обсудить проект? Мы многому учимся у людей, которые нас окружают, и хорошие соратники окажут огромное влияние на ваш рост.
Может ли проект стать ступенькой? Если он окажется успешным, то его техническая сложность и/или влияние на бизнес сделают его значимым шагом на пути к более крупным проектам? Если проект крупнее тех, над которыми вы работали раньше, велика вероятность, что он может стать такой ступенькой.

Наконец, избегайте паралича анализа. Нет смысла тратить месяц на то, чтобы решить, стоит ли работать над проектом, на который уйдет неделя. В течение своей карьеры вы будете работать над множеством проектов, так что у вас будет достаточно возможностей для того, чтобы уточнить, что именно стоит делать. Учитывая огромное количество возможных проектов в области ИИ, вместо обычного подхода «готовься, целься, стреляй» вы можете ускорить свой прогресс с помощью подхода «готовься, стреляй, целься».

Готовься, стреляй, целься

Работа над проектами требует принятия сложных решений о том, что создавать и как это делать. Вот два разных стиля:

Готовься, целься, стреляй: тщательно планируйте и проводите тщательную проверку. Берите на себя обязательства и приступайте к выполнению только тогда, когда у вас есть высокая степень уверенности в правильности выбранного направления.
Готовься, стреляй, целься: сразу приступайте к разработке и начинайте выполнять. Это позволит вам быстро обнаружить проблемы и при необходимости изменить ситуацию.

Допустим, вы создали чат-бот для обслуживания клиентов в розничной торговле и думаете, что он может помочь и ресторанам. Стоит ли вам потратить время на изучение ресторанного рынка перед началом разработки, двигаясь медленно, но сокращая риск потери времени и ресурсов? Или сразу же броситься в бой, действуя быстро и принимая на себя повышенный риск разворота или неудачи?

У обоих подходов есть свои сторонники, и лучший выбор зависит от ситуации.

«Готовься, целься, стреляй», как правило, лучше, когда стоимость выполнения высока и исследование может пролить свет на то, насколько полезным или ценным может быть проект. Например, если вы можете провести мозговой штурм нескольких других сценариев использования (рестораны, авиакомпании, телекоммуникационные компании и т. д.) и оценить их, чтобы определить наиболее перспективный, возможно, стоит потратить дополнительное время, прежде чем выбрать направление.

«Готовься, стреляй, целься», как правило, лучше, если вы можете выполнить проект с небольшими затратами, при этом определить, осуществимо ли направление, и найти изменения, которые позволят ему работать. Например, если вы можете быстро создать прототип, чтобы понять, нужен ли продукт пользователям, и если отмена или разворот после небольшого объёма работы допустимы, то имеет смысл быстро вступить в дело. Когда выстрел стоит недорого, имеет смысл сделать много выстрелов. В этом случае процесс выглядит как «Готовность, огонь, прицел, огонь, прицел, огонь, прицел, огонь, прицел, огонь».

После согласования направления проекта, когда дело доходит до построения ML-модели, которая станет частью продукта, я склоняюсь к «Готовься, стреляй, целься». Построение моделей — итеративный процесс. Для многих приложений стоимость обучения и анализа ошибок не является запредельной. Кроме того, очень сложно провести исследование, которое прольёт свет на подходящую модель, данные и гиперпараметры. Поэтому имеет смысл быстро создать сквозную систему и дорабатывать её до тех пор, пока она не будет хорошо работать.

Но если выбор направления означает дорогостоящие инвестиции или вход в дверь с односторонним движением (то есть решение, которое трудно отменить), часто стоит потратить больше времени, чтобы убедиться, что это действительно хорошая идея.

ГЛАВА 6. Создание портфолио проектов, демонстрирующих рост мастерства

В течение карьеры вы, скорее всего, будете работать над проектами, сменяющими друг друга, которые будут становиться все масштабнее и сложнее. Например:

Учебные проекты. Первые несколько проектов могут быть узкопрофильными домашними заданиями с заранее определёнными правильными ответами. Часто это отличный опыт обучения!
Личные проекты. Вы можете продолжить работу над небольшими проектами в одиночку или с друзьями. Например, переделать известный алгоритм, применить ML к своему хобби (предсказать, выиграет ли ваша любимая спортивная команда и т.д.) или создать небольшую, но полезную систему на работе в свободное время (например, скрипт на основе ML, который поможет коллеге автоматизировать часть его работы). Участие в соревнованиях, подобных тем, что организует Kaggle, также один из способов получения опыта.
Создание ценности. Со временем вы приобретёте достаточно навыков, чтобы создавать проекты, в которых другие видят ощутимую ценность. Это откроет вам доступ к большим ресурсам. Например, вместо того чтобы разрабатывать ML-системы в свободное время, вы можете сделать это частью своей работы, получив доступ к большему количеству оборудования, вычислительного времени, бюджету на маркировку или численности персонала.
Рост масштабов и сложность. Успехи следуют друг за другом, открывая путь к техническому росту, увеличению ресурсов и всё более значимым проектам.

Каждый проект — лишь один шаг на долгом пути, который, надеемся, окажется плодотворным. Кроме того:

Не бойтесь начинать с малого. Один из моих первых исследовательских проектов по ML заключался в обучении нейронной сети, чтобы проверить, насколько хорошо она может имитировать функцию sin(x). Это было не очень полезно, но стало отличным опытом, который позволил мне перейти к более крупным проектам.
Общение — ключевой момент. Вы должны уметь объяснять свои мысли, если хотите, чтобы другие видели ценность вашей работы и доверяли вам ресурсы, которые вы можете вложить в более крупные проекты. На старте проекта объяснение его потенциальной ценности поможет привлечь коллег, наставников и руководителей — и указать им на недостатки в ваших рассуждениях. После завершения проекта умение чётко объяснить, чего вы добились, поможет убедить других открыть вам дверь для более масштабных проектов.
Лидерство нужно не только руководителям. Когда вы дойдёте до работы над крупными проектами в области ИИ, требующими командной работы, ваша способность руководить проектами станет более очевидной, независимо от того, занимаете ли вы формальную руководящую должность или нет. Многие из моих друзей успешно занимались технической, а не управленческой карьерой, и их умение помогать руководить проектом, применяя глубокие технические знания — например, когда нужно инвестировать в новую техническую архитектуру или собирать больше данных определённого типа — позволила им вырасти как лидерам, а также значительно улучшить проект.

Создание портфолио проектов, особенно тех, которые показывают прогресс с течением времени, от простых к сложным, будет большим подспорьем при поиске работы.

ГЛАВА 7. Простая основа для начала поиска работы в области ИИ

Поиск работы состоит из нескольких предсказуемых этапов, включающих выбор компаний, в которые вы хотите обратиться, подготовку к собеседованиям и, наконец, выбор роли и переговоры о зарплате и бонусах. В этой главе я хотел бы остановиться на схеме, которая пригодится многим соискателям работы в области ИИ, особенно тем, кто приходит туда из другой области.

Задумываясь о следующей работе, спросите себя:

Меняете ли вы роль? Например, если вы инженер-программист, студент университета или физик, который хочет стать ML-инженером, это смена роли.
Меняете ли вы отрасль? Например, если вы работаете в компании здравоохранения, финансовой компании или государственном учреждении и хотите работать в компании по разработке ПО, это смена отрасли.

Менеджер по продуктам в технологическом стартапе, который становится специалистом по изучению данных в той же компании (или в другой), поменял роль. Маркетолог в производственной компании, который становится маркетологом в технологической компании, поменял отрасль. Аналитик в финансовой компании, ставший ML-инженером в технологической компании, поменял и роль, и отрасль.

Если вы ищете свою первую работу в области ИИ, вам, вероятно, будет проще сменить роль или отрасль, чем делать и то, и другое одновременно. Допустим, вы аналитик, работающий в сфере финансовых услуг:

Если вы найдёте работу в области data science или ML в сфере финансовых услуг, вы сможете продолжать использовать свои знания в конкретной области, одновременно приобретая знания и опыт в области ИИ. Проработав на этой должности некоторое время, вы будете иметь больше возможностей для перехода в технологическую компанию (если это всё ещё ваша цель).
Кроме того, если вы станете аналитиком в технологической компании, вы сможете продолжать использовать свои навыки аналитика, но применять их в другой отрасли. В технологической компании также гораздо проще узнать от коллег о практических проблемах ИИ, ключевых навыках, необходимых для успешной работы в ИИ, и так далее.

Если вы подумываете о смене роли, в стартапе это сделать проще, чем в крупной компании. Хотя бывают и исключения, в стартапах обычно не хватает людей для выполнения всей необходимой работы. Если вы можете помочь с задачами ИИ — даже если это не ваша официальная работа, — ваш труд, скорее всего, будет оценен по достоинству. Это закладывает основу для возможной смены роли без необходимости покидать компанию. В то время как в крупной компании вас с большей вероятностью вознаградят за хорошее выполнение вашей работы (а вашего руководителя — за поддержку в выполнении работы, для которой вы были наняты), но с меньшей вероятностью вознаградят за вклад, выходящий за её рамки.

Проработав некоторое время в желаемой должности и отрасли (например, ML-инженером в технологической компании), вы будете хорошо понимать, какие требования предъявляются к этой должности в данной отрасли на более высоком уровне. Кроме того, у вас появятся знакомства в отрасли, которые помогут вам. Поэтому будущие поиски работы — если вы решите остаться на этой должности и в этой отрасли — скорее всего, будут проще.

При смене работы вы делаете шаг в неизвестность, особенно если меняете роль или отрасль. Одним из самых малоиспользуемых инструментов для знакомства с новой ролью и/или отраслью является информационное интервью. Подробнее об этом я расскажу в следующей главе.

Я благодарен Салве Нур Мухаммад, генеральному директору компании FourthBrain (филиал DeepLearning.AI), за предоставление некоторых идей, изложенных в этой главе.

Преодоление неопределённости

Мы многого не знаем о будущем. Когда мы вылечим болезнь Альцгеймера? Кто победит на следующих выборах? Или, в контексте бизнеса, сколько клиентов у нас будет в следующем году?

С учетом стольких изменений, происходящих в мире, многие люди испытывают стресс по поводу будущего, особенно когда речь идет о поиске работы. У меня есть практика, которая помогает мне вернуть чувство контроля. Сталкиваясь с неопределенностью, я стараюсь:

Составить список вероятных сценариев, признавая, что я не знаю, какие из них сбудутся
Составить план действий для каждого сценария
Начать выполнять действия, которые кажутся разумными
Периодически пересматривать сценарии и планы по мере приближения будущего

Например, во время пандемии Covid-19 в марте 2020 года я провел упражнение по планированию сценариев. Представил себе быстрое (три месяца), среднее (один год) и медленное (два года) восстановление после Covid-19 и составил планы по управлению каждым случаем. Эти планы помогли мне расставить приоритеты.

Этот же метод можно применить и в личной жизни. Если вы не уверены, что сдадите экзамен, получите предложение о работе или визу — все это может вызвать стресс, — вы можете написать, что вы будете делать в каждом из вероятных сценариев. Обдумывание возможностей и выполнение планов поможет вам эффективно ориентироваться в будущем, что бы оно ни принесло.

Бонус: обучившись ИИ и статистике, вы сможете рассчитать вероятность каждого сценария. Я являюсь поклонником методологии суперпрогнозирования, в которой суждения многих экспертов синтезируются в оценку вероятности.

ГЛАВА 8. Использование информационного интервью для поиска подходящей работы

Если вы готовитесь к смене роли (например, впервые устраиваетесь на работу ML-инженером) или отрасли (например, впервые приходите в компанию, специализирующейся на технологиях ИИ), то, скорее всего, многого не знаете о своём будущем месте работы. Техника, известная как информационное интервью, — отличный способ узнать это.

Информационное интервью подразумевает поиск человека в компании или на должности, о которой вы хотели бы узнать больше, и неформальное интервью с ним о его работе. Такие беседы непосредственно не связаны с поиском работы. Более того, полезно побеседовать с людьми, занимающими должности, которые соответствуют вашим интересам, задолго до того, как вы будете готовы начать поиск работы.

Информационные интервью особенно актуальны для ИИ. Поскольку эта область развивается, многие компании используют названия должностей непоследовательно. В одной компании от специалистов по анализу данных могут ожидать в основном анализа бизнес-данных и представления выводов в виде слайдов. В другой компании они могут писать и поддерживать производственный код. Информационное интервью поможет вам выяснить, чем на самом деле занимаются специалисты по ИИ в конкретной компании.
В связи со стремительным расширением возможностей в области ИИ многие люди впервые приступают к работе в этой сфере. В этом случае информационное интервью может оказать неоценимую помощь в получении информации о том, что происходит и какие навыки необходимы для качественного выполнения работы. Например, вы можете узнать, какие алгоритмы, процессы развертывания и программные стеки использует конкретная компания. Возможно, вы удивитесь, если ещё не знакомы с движением ИИ, ориентированного на данные, узнав, сколько времени большинство ML-инженеров тратят на итеративную очистку массивов данных.

Готовясь к информационным интервью, заранее изучите собеседника и компанию, чтобы прийти с продуманными вопросами. Вы можете спросить:

Чем вы занимаетесь в обычную неделю или день?
Какие задачи являются наиболее важными в этой роли?
Какие навыки наиболее важны для достижения успеха?
Как ваша команда работает вместе для достижения своих целей?
Каков процесс найма?
Если рассматривать кандидатов, которые выделялись в прошлом, что позволило им блеснуть?

Найти кого-то для интервью не всегда просто, но многие люди, занимающие сегодня высокие должности, получили помощь в начале своей карьеры от тех, кто пришел в эту сферу раньше них, и многие стремятся отплатить людям тем же. Если вы можете обратиться к кому-то, кто уже есть в вашем круге общения — возможно, к другу, который устроился раньше вас, или к тому, кто учился в той же школе, что и вы, — это замечательно! Такие встречи, как Pie & AI, также могут помочь вам в поиске полезных связей.

Наконец, будьте вежливы и профессиональны и поблагодарите людей, с которыми вы провели интервью. А когда у вас будет возможность, то и сами помогите другим информацией. Если вы получите запрос на информационное интервью от кого-то из сообщества DeepLearning.AI, надеюсь, вы согласитесь помочь ему сделать шаг вперёд! Если вам интересно узнать больше об информационных интервью, рекомендую эту статью из Центра карьеры Калифорнийского университета в Беркли.

Я уже несколько раз упоминал о важности окружающих вас людей и сообщества. Люди не только предоставляют полезную информацию, но и могут сыграть неоценимую роль, направляя вас к потенциальным работодателям.

ГЛАВА 9. Поиск подходящей работы в области ИИ

В этой главе я хотел бы обсудить некоторые тонкости поиска работы.

Типичный поиск работы проходит по довольно предсказуемому пути.

Изучите роли и компании в Интернете или поговорите с друзьями.
Как вариант, организуйте неформальные информационные интервью с сотрудниками компаний, которые вас заинтересовали.
Либо обратитесь в компании напрямую, либо, если можете, получите рекомендацию от кого-то из сотрудников.
Пройдите собеседование в компаниях, которые направят вам приглашение.
Получите одно или несколько предложений и выберите одно. Или, если вы не получили предложение, попросите дать отзывы у интервьюеров, сотрудников отдела кадров, на дискуссионных площадках в Интернете или у любого другого человека, который может помочь вам наметить следующий шаг.

Процесс может выглядеть знакомым, но каждый поиск работы отличается от другого. Вот несколько советов, чтобы найти должность, которая будет способствовать вашей успешной карьере и позволит вам развиваться дальше.

Уделите внимание основам. Убедительное резюме, портфолио технических проектов и сильное выступление на собеседовании откроют перед вами двери. Даже если вы получили рекомендацию от кого-то из сотрудников компании, резюме и портфолио станут вашим первым контактом со многими людьми, которые ещё не знают о вас. Обновите свое резюме и убедитесь, что в нем чётко представлены ваше образование и опыт, соответствующие желаемой роли. При общении с каждой компанией объясните, почему вы ей подходите. Перед собеседованием узнайте у рекрутера, чего от вас ожидают. Найдите время, чтобы просмотреть и потренироваться в ответах на распространённые вопросы на собеседовании, отточить ключевые навыки и изучить технические материалы. После собеседования делайте заметки, чтобы запомнить сказанное.
Действуйте уважительно и ответственно. Подходите к собеседованиям и переговорам по поводу офферов с победным настроем. В социальных сетях возмущение распространяется быстрее, чем разумные доводы, поэтому история о том, как работодатель недоплачивает кому-то, становится всё более громкой, а история о том, как работодатель справедливо обошелся с кем-то, — нет. Подавляющее большинство работодателей этичны и справедливы, поэтому не позволяйте историям о малой доле людей, с которыми плохо обращаются, влиять на ваш подход. Если вы уходите с работы, уходите изящно. Заранее предупредите работодателя, выложитесь по полной в последний час работы, как можно лучше передайте незавершённые дела и уйдите так, чтобы с честью выполнить возложенные на вас обязанности.
Выберите, с кем работать. Коллеги, с которыми вы будете работать, не менее важны, чем сами проекты, поскольку мы подвержены влиянию окружающих нас людей. Например, если ваши друзья курят, то вероятность того, что вы тоже будете курить, возрастает. Я не знаю исследования, которое бы показало это, но почти уверен, что если большинство ваших коллег усердно работают, постоянно учатся и создают ИИ на благо всех людей, то и вы, скорее всего, будете поступать так же.
Обратитесь за помощью к своему окружению. Большинство из нас отправляются на поиски работы лишь несколько раз в течение карьеры, поэтому мало кто получает большую практику в том, как делать это хорошо. Однако в совокупности люди из вашего ближайшего окружения наверняка обладают большим опытом. Не стесняйтесь обращаться к ним. Друзья и соратники могут дать совет, поделиться знаниями и направить вас к другим людям, которые могут помочь. Когда я подавал резюме на свою первую должность преподавателя, мне очень помогли друзья и наставники, и многие из советов, которые они мне дали, оказались крайне полезными.

Я знаю, что процесс поиска работы может быть пугающим. Вместо того чтобы рассматривать его как большой скачок, подумайте о постепенном подходе. Начните с определения возможных ролей и проведения нескольких информационных интервью. Если в результате этих бесед вы поймете, что вам нужно ещё многому научиться, прежде чем вы будете готовы отправить резюме, это замечательно! По крайней мере, у вас есть чёткий путь вперёд. Самая важная часть любого пути — сделать первый шаг, и этот шаг может быть совсем небольшим.

ГЛАВА 10. Ключи к построению карьеры в области ИИ

Путь к карьерному успеху в области ИИ гораздо сложнее, чем то, что я могу описать в одной короткой электронной книге. Надеюсь, предыдущие главы дадут вам импульс для движения вперед.

Работа в команде. Когда мы беремся за крупные проекты, то добиваемся большего успеха, работая в команде, а не индивидуально. Способность сотрудничать с другими людьми, влиять на них и быть под их влиянием имеет решающее значение. Таким образом, навыки межличностного общения и коммуникации действительно очень важны. (Кстати, раньше я был довольно плохим коммуникатором).
Нетворкинг. Я ненавижу нетворкинг! Для меня, как интроверта, идти на вечеринку, чтобы улыбаться и пожимать как можно больше рук, — занятие, граничащее с ужасом. Я бы предпочёл остаться дома и почитать книгу. Тем не менее, мне повезло, что в сфере ИИ я нашел много настоящих друзей; людей, за которых я с радостью пойду в бой и на которых я тоже рассчитываю. Ни один человек не является «островом», и наличие большого круга общения может помочь вам продвинуться вперёд в те моменты, когда нужна помощь или совет. Вместо того чтобы создавать «сети», я считаю более полезным думать о создании сообщества. Поэтому вместо того, чтобы пытаться создать свою личную сеть, я сосредоточился на создании сообществ, в которых состою. Это помогает мне знакомиться с большим количеством людей и заводить друзей.
Поиск работы. Из всех этапов построения карьеры этот, как правило, привлекает наибольшее внимание. К сожалению, в Интернете можно найти много плохих советов на этот счёт. (Например, многие статьи призывают занять враждебную позицию по отношению к потенциальным работодателям, что, на мой взгляд, не является полезным). Хотя может показаться, что найти работу — конечная цель, это всего лишь один маленький шаг на долгом пути карьеры.
Личная дисциплина. Мало кто узнает, проводите ли вы свои выходные за учёбой или за просмотром телевизора, но со временем они заметят разницу. Многие успешные люди вырабатывают хорошие привычки в питании, физических упражнениях, сне, личных отношениях, работе, обучении и уходе за собой. Такие привычки помогают им двигаться вперед, оставаясь здоровыми.
Альтруизм. Я считаю, что люди, которые стремятся помочь другим на каждом шагу своего собственного пути, часто добиваются лучших результатов. Как мы можем помочь другим, строя захватывающую карьеру для себя?

ГЛАВА 11. Преодоление синдрома самозванца

Прежде чем мы перейдем к заключительной главе этой книги, я хотел бы затронуть серьёзный вопрос о том, что новички в области ИИ иногда испытывают синдром самозванца. Когда кто-то — независимо от его успехов в этой области — задается вопросом, не является ли он мошенником и действительно ли принадлежит к ИИ-сообществу. Я хочу убедиться, что это не оттолкнет вас или кого-либо ещё от развития в сфере ИИ.

Позвольте мне внести ясность: если вы хотите стать частью сообщества ИИ, я приветствую вас с распростёртыми объятиями.

По оценкам, 70 процентов людей в тот или иной момент испытывают синдром самозванца. Многие талантливые люди публично рассказывали об этом, в том числе первая леди США Мишель Обама, актер Том Хэнкс и исполнительный директор Atlassian Майк Кэннон-Брукс. Такое случается в нашем сообществе даже среди состоявшихся людей. Если вы сами никогда не сталкивались с этим, это замечательно! Я надеюсь, что вы присоединитесь ко мне и будете поощрять и приветствовать всех, кто хочет вступить в наше сообщество.

ИИ технически сложен, и в этой области есть своя доля умных и очень способных людей. Но легко забыть, что для того, чтобы стать хорошим специалистом в чем бы то ни было, первый шаг — это стать неудачником. Если вы преуспели в отстойном ИИ — поздравляю, вы на верном пути!

Когда-то я изо всех сил пытался понять математику, лежащую в основе линейной регрессии. Я был озадачен, когда логистическая регрессия странно работала с моими данными, и мне потребовалось несколько дней, чтобы найти ошибку в моей реализации базовой нейронной сети. Сегодня мне по-прежнему сложно читать многие научные статьи, а недавно я допустил очевидную ошибку при настройке гиперпараметров нейронной сети (к счастью, её заметил и исправил коллега-инженер).

Так что если вам тоже кажутся сложными некоторые части ИИ, ничего страшного. Мы все были там. Гарантирую, что каждый, кто опубликовал основополагающую работу по ИИ, в какой-то момент боролся с подобными техническими проблемами.

Вот некоторые вещи, которые могут помочь.

Есть ли у вас поддерживающие наставники или сверстники? Если пока нет, посещайте Pie & AI или другие мероприятия, пользуйтесь дискуссионными форумами и постарайтесь их найти. Если ваши наставники или руководитель не поддерживают ваш рост, найдите тех, кто поддерживает. Я также работаю над развитием поддерживающего ИИ-сообщества, и надеюсь, что поиск и оказание поддержки станет проще для всех.
Никто не является экспертом во всем. Признайте то, что у вас хорошо получается. Если вы хорошо понимаете и объясняете своим друзьям десятую часть статей в The Batch, значит, вы на верном пути! Давайте поработаем над тем, чтобы вы понимали две десятых всех статей.

Моя трёхлетняя дочь (которая едва умеет считать до 12) регулярно пытается научить чему-то моего годовалого сына. Неважно, как далеко вы продвинулись — если вы осведомлены хотя бы на уровне трёхлетнего ребёнка, — вы можете ободрить и поднять других, стоящих позади вас. Это поможет и вам, поскольку те, кто стоит за вами, будут признавать ваш опыт и поощрять вас к дальнейшему развитию. Когда вы приглашаете других присоединиться к сообществу ИИ, что, я надеюсь, вы и сделаете, это также уменьшит любые сомнения в том, что вы уже один из нас.

ИИ — настолько важная часть нашего мира, что я хотел бы, чтобы каждый, кто хочет стать его частью, чувствовал себя как дома в рамках нашего сообщества. Давайте вместе работать над тем, чтобы это произошло.

Заключительные мысли. Считайте каждый день

Каждый год в свой день рождения я задумываюсь о днях, которые остались позади, и о тех, что могут быть впереди.

Может быть, вы хорошо разбираетесь в математике; я уверен, что вы сможете ответить на следующий вопрос с помощью быстрых вычислений. Но попробуйте, пожалуйста, ответить на него, исходя из своей интуиции, без вычислений.

Сколько дней составляет обычная человеческая жизнь?

Когда я спрашиваю друзей, многие называют число в сотни тысяч. (Многие другие, к моему раздражению, не могут удержаться от вычисления ответа!)

Помню, когда был аспирантом, я вводил свои статистические данные в калькулятор смертности, чтобы вычислить продолжительность своей жизни. Калькулятор показал, что я могу рассчитывать на 27 649 дней жизни. Меня поразило, как мало это число. Я распечатал его крупным шрифтом и повесил на стену своего кабинета в качестве ежедневного напоминания.

Всё это дни, которые мы можем провести с близкими, учиться, строить будущее и помогать другим. Чем бы вы ни занимались сегодня, стоит ли это 1/30 000 вашей жизни?

ссылка на оригинал статьи https://habr.com/ru/articles/865646/