A mesterséges intelligencia központi szerepet játszik a folyamatban lévő technológiai forradalomban, és egyre okosabbá válik. A számítógépes látás, a beszédelemzés és a természetes nyelvi feldolgozás hajtóereje, a mesterséges intelligencia számos módon befolyásolja az ipart és a társadalmat – és ez még messze a jövőben is így lesz.
Nem meglepő tehát, hogy a mesterséges intelligencia területén rengeteg a karrierlehetőség – olyannyira sok, hogy az ágazat most egy egyedülálló kihívással néz szembe: túl sok a munkahely és túl kevés a képzett jelölt. Ez viszont azt jelenti, hogy gyakorlatilag garantált (és jól fizető) állást kínál azoknak, akiknek megvan az áruk.
Karrier a mesterséges intelligenciában
Hogyan lehet bekerülni a mesterséges intelligenciába, és hogyan néz ki egy mesterséges intelligencia karrierút? Megkértük a terület néhány vezető szakértőjét, hogy osszák meg velünk az útravalóul szolgáló meglátásaikat. Köztük van Satya Mallick, a Big Vision LLC alapítója és az OpenCV.org ideiglenes vezérigazgatója; Jana Eggers, a Nara Logistics vezérigazgatója; és Joanna Bryson, az angliai Bath Egyetem informatika professzora.
Hogyan kerültél a mesterséges intelligencia területére?
Satya Mallick
alapító, Big Vision LLC/ideiglenes vezérigazgató, OpenCV.org
Az Indian Institute of Technology, Kharagpur (India) egyetemi hallgatójaként 1999-2000 körül botlottam bele a számítógépes látásba (a mesterséges intelligencia egyik ága). Láttam az egyik végzős társamat egy robotikai projektben, ahol kamerákat használt, hogy segítsen a robotoknak “látni”. Annyira lenyűgözőnek találtam az ötletet, hogy az egyetem után úgy döntöttem, jelentkezem a számítógépes látás és a gépi tanulás PhD-programjaira.
Jana Eggers
CEO, Nara Logics
A 90-es évek elején a Los Alamos Nemzeti Laboratóriumban a műanyagok vezetőképességét kutattam, és a neurális hálózatok és a genetikai algoritmusok voltak azok az eszközök, amelyeket a munkám egy részében használtam. Amikor otthagytam a kutatást és belevágtam az üzleti életbe, egy startup cégnél kötöttem ki, amely logisztikai szakértői rendszerekkel foglalkozott. Ezután az egyik eredeti keresőmotorhoz, a Lycoshoz kerültem. Tehát alapvetően, mivel mindig a csúcstechnológiával foglalkoztam, a mesterséges intelligencia valamilyen formája általában a megfelelő eszköz volt az adott munkához, amin dolgoztam.
Joanna Bryson
Associate Professor, Dept. of Computer Science
University of Bath (U.K.)
Az első diplomámat nem klinikai pszichológiából szereztem a Chicagói Egyetemen. És a programozásban is jó voltam, ezért ott az informatikai tanszéken dolgoztam. Érdekelt a mesterséges intelligencia, de az első alkalom, amikor valaki tanította, a diploma megszerzése utáni évben volt. De azért megengedték, hogy korrepetáljam. Így aztán öt évet töltöttem Chicagóban, hogy törlesszem az egyetemi adósságomat. És ez pont abban az időszakban volt, amikor a számítástechnikát decentralizáltnak láttuk. A PC-k kezdtek elterjedni, és rájöttünk, hogy nem kell minden számítógépnek mindent tudnia. Én pedig eldöntöttem, hogy soha nem akarok hivatásos programozó lenni, ezért visszamentem a mesterséges intelligencia doktori iskolába. Az MIT-re akartam menni, de Edinburgh-t választottam, mert külföldre akartam menni, de nem beszéltem nyelveket. Akkoriban szerencsém volt, mert 1991-ben ez volt az egyetlen hely, ahol mesterképzést kaptam volna mesterképzésben mesterképzésből. Onnan szereztem tudomást Rod Brooksról és a viselkedésalapú mesterséges intelligenciáról – arról az elképzelésről, hogy ahelyett, hogy mindent megpróbálnánk megérteni, a robotnak olyan speciális részegységei vannak, amelyek különböző problémákat értenek meg. Aztán néhányan elhatároztuk, hogy megpróbálunk bejutni az MIT-re és Brooks-szal dolgozni.
Mire terjed ki a mesterséges intelligencia területén végzett munkája?
Mallick: A számítógépes látás területén dolgozom, ami valószínűleg a mesterséges intelligencia legfontosabb részterülete. A számítógépes látás területén az a célunk, hogy a gépek kép- és videóelemzéssel értelmet adjanak a világnak. Egy számítógépes látással és gépi tanulással foglalkozó tanácsadó céget vezetek Big Vision LLC néven, valamint egy népszerű blogot LearnOpenCV.com néven.
A tanácsadó cégemnél különféle számítógépes látási problémákkal foglalkozunk, a lóürülékben lévő paraziták felismerésétől kezdve a csúcskategóriás divattáskák modelljének azonosításáig a felhasználók által feltöltött képeken. A legnagyobb projektünk a személyazonosító okmányok OCR és csalásfelismerése volt. Emellett dolgoztunk behatolásérzékeléssel kapcsolatos biztonsági alkalmazásokon, a városi hadviselés látásalapú alkalmazásain, sportelemzésen és biogyógyászati eszközökön. Az OpenCV.org ideiglenes vezérigazgatója is vagyok, amely a világ legnagyobb számítógépes látás-könyvtárát (OpenCV) tartja fenn. Most indítottunk Kickstarter-kampányt három mesterséges intelligencia tanfolyamhoz. Nagyon jól megy.
Eggers: A Nara Logics nagyvállalatok és a szövetségi kormányzat számára nyújt mesterséges intelligencia platformot, amely a döntéstámogatásra összpontosít. A mélytanulás nagy része az észlelésre összpontosít – képek felismerése, a nyelv megértése -, mi az észlelt dolgokból kiinduló, következő lépcsős döntésekre koncentrálunk. A platformunk segít összefogni a látás, a nyelv, az érzékelők stb. észlelési folyamatait a jobb döntések támogatása érdekében, attól kezdve, hogy mit mutassunk meg egy ügyfélnek (személyre szabás), egészen addig, hogy hogyan priorizáljuk a műveleteket (döntéstámogatás).
Bryson: Pszichológiával akartam foglalkozni, de az MIT-n kötöttem ki. Így aztán a rendszerszemléletű mesterséges intelligenciára koncentráltam, ami alapvetően arról szól, hogyan lehet megkönnyíteni a mesterséges intelligencia megalkotását. Sokan vannak, akik egy mágikus algoritmusra összpontosítanak, amely legyőzi a többi algoritmust, de én észrevettem, hogy már rengeteg képességgel rendelkezünk, és az igazi probléma ezek összeillesztése – a mérnöki oldal – volt. Így hát erre koncentráltam. És mostanra ez igazán nagy dologgá vált. A rendszertechnika tulajdonképpen egy olyan tudományág, amely biztonságossá teszi a dolgokat, jóval a mesterséges intelligencia előttre nyúlik vissza.
Az emberi együttműködést és a megismerés evolúcióját is próbálom megérteni – mikor használjuk, mikor nem -, ezért sokat foglalkozom azzal, hogy megértsem a különböző eseteket, amikor az emberek együttműködnek és segítik egymást, és amikor nem. Jelenleg egy tanulmányon dolgozunk arról, hogy a politikai polarizáció miért korrelál a vagyoni egyenlőtlenséggel. Hogyan hatnak egymásra? Aztán persze ott van a mesterséges intelligencia etikája. Minden időmet azzal töltöm, hogy politikai munkával foglalkozom, tehát csak beszélgetek az emberekkel, és próbálom összekötni a pontokat. Én úgy gondolom, hogy ez csak a legjobb dolgok, amiket hallottam, és mindezt egy helyre teszem, de mások ezt nagyon innovatívnak látják.
Mit tart a leghálásabbnak a munkájában?
Mallick: Dr. Andrew Ng, a területünk egyik kiválósága a mesterséges intelligenciát az elektromossághoz hasonlította. Több iparágat is átalakít, és rendkívül kifizetődő ennek a forradalomnak a részese lenni. Az általunk készített alkalmazások közül néhány megszünteti a hétköznapi feladatok fáradtságát, mások biztonságban tartanak minket, megint mások pedig az orvostudomány területén javítják az egészséget, sőt életeket mentenek. E szakma gyakorlójaként mélyen kielégítő látni, hogy a munkád változást hoz.
A másik rész, amely sok értelmet ad az életemnek, az online tanfolyamok oktatójaként végzett munkám. Az OpenCV.org-nál az a küldetésünk, hogy a globális munkaerőt képezzük ki a mesterséges intelligencia területén. Ez egy feltörekvő terület, és teljesen tisztában vagyunk azzal, hogy az AI sok munkahely megszűnését fogja okozni az automatizálás révén. Ezért a mi felelősségünk, hogy segítsünk az embereknek fejleszteni a képességeiket, és megtanítsuk nekik azt, amit mi a szakmánk gyakorlása során tanultunk.
Eggers: Lehetővé tenni ügyfeleink számára, hogy az adataik segítségével előre lássanak, ne pedig visszafelé elemezzenek.
Bryson: Bryson: Ez egyszerűen önmagában is érdekes, megérteni, hogyan működik az intelligencia. Azt hiszem, ez a legnagyobb belső jutalmam, bár szeretek segíteni is.
Melyek jelentik a legnagyobb kihívást a munkádban?
Mallick: A mesterséges intelligencia területén a kihívások sokféle formában jelentkeznek. Először is vannak technikai kihívások. Néha nincs elég adatunk. Máskor az adatok rendelkezésre állnak, de rendkívül zajosak, vagy nem úgy vannak felcímkézve, hogy könnyen felhasználhatók legyenek. Néhány esetben az emberek jelentősen alábecsülik egy probléma redukálhatatlan bizonytalanságát – a választások előrejelzése egy ilyen problémakör. Másodszor, vannak etikai kihívások, amelyekre nincsenek jó válaszok. Használnánk-e például egy olyan mesterséges intelligenciát, amely az emberek 99 százalékának segít, de erősen elfogult az egy százalékkal szemben? Az elfogultság eltávolítása az adatokból rendkívül nagy kihívás.
Eggers: Az AI demisztifikálása az ügyfelek számára. Egyszerre izgatja és frusztrálja őket az AI körüli hype és misztikum. Arra összpontosítunk, hogy ügyfeleinket gyorsan eljuttassuk a koncepció bizonyításától a gyártásig.
Bryson: Fura dolgok, mint például a koordináció. Mert minden érdekes és minden kihívást jelent, és soha nem tudhatod, hogy mikor lesz egy olyan beszélgetésed, ami segít nagy változást elérni.
Melyek a legfontosabb első lépések azok számára, akik mesterséges intelligencia karriert szeretnének befutni?
Mallick: A mesterséges intelligencia területén való technikai karrierhez először is jó programozási készségekre van szükség. A Python programozási nyelv a mesterséges intelligencia kutatóinak és mérnökeinek alapértelmezett választása lett. Bár a területtől függően a C++ nyelv ismerete is szükséges lehet. Ha már jó programozó vagy, a következő lépés, hogy keress egy online tanfolyamot, amely megtanítja az alapokat, és fokozatosan eljutsz a mesteri szintre. Számos jó választás van, például az OpenCV.org, a Coursera, az Udacity és a DeepLearning.ai tanfolyamai.
Eggers: Annak megértése, hogy a technológia a legkönnyebb része az AI-nak. Az adatok és az eredmények sokkal kritikusabbak. És mindkettőt a szervezet irányítja.
Bryson: A posztgraduális képzés elvégzése, még ha az csak egy mesterképzés is, hogy betekintést nyerjünk egy másik tudományágból. Amikor én egyetemista voltam, amikor az emberek lediplomáztak, nagyobb valószínűséggel mentek abba a karrierbe, amit a nyári munkájukban kaptak, mint a szakjukban. Tehát amikor állást keresel, nagyon fontos, hogy legalább a szükséges készségek egy részét behozd, és hogy adj nekik valamit. De keress olyat, ami legalább részben elvezet oda, ahová szeretnél eljutni. Piszkold be a kezed, és végezz bármilyen munkát programozással, adatelemzéssel vagy bármi mással. Ha egyetemre jársz, milliárdnyi kis munkalehetőséget találsz, hogy legyen némi tapasztalatod. Ez sokat segít.
Mennyire értékes a középiskola utáni oktatás? Mi a helyzet a diplomával?
Mallick: A főiskolai végzettségnek két hatalmas előnye van. Először is, struktúrát ad a tanulási folyamatnak. E nélkül a struktúra nélkül könnyen elveszhetünk a zűrzavarban vagy elveszíthetjük a motivációt. Másodszor, a főiskolai diploma megszerzése a munkaerőpiacon egyfajta kompetenciát jelez. Ez azt jelenti, hogy az embereket egyre inkább az elvégzett munkák portfóliója érdekli, és kevésbé az önéletrajz. Amikor egy diák rendszeresen közzéteszi a kódját a GitHubon, első kézből látjuk, hogy mit tanul és mennyire jó. Ha néhány munkájuk egyedi és kreatív, engem személy szerint nem érdekel a főiskolai diplomájuk.
Eggers: Doktoranduszként az a meglátásom, hogy a doktori diploma tiszteletet ad – és ezt a tiszteletet más módon is ki lehet érdemelni. Szóval ez tényleg tőled függ, és attól, hogy mit értékelsz. Mindkét módon sikerrel járhatsz.
Bryson: Nem minden doktori fokozatot érdemes megcsinálni. Különösen most Amerikában rengeteg olyan ember van, aki elad neked egy olyan diplomát, ami nem feltétlenül fog segíteni neked. A diploma megszerzése most részben az oktatás megszerzéséről szól, részben pedig arról, hogy olyan emberek csoportjába kerülj, akik tényleg megpróbálják megérteni a dolgokat, mint ahogy én is Edinburgh-ban és az MIT-n. Régebben azt mondták, hogy a mesterdiploma a legjobb, ha az iparban akarsz dolgozni, de PhD-t akarsz, ha kormányzati laboratóriumokban vagy az ipari laboratóriumok legjobbjaiban akarsz dolgozni – vagy ha te magad is akadémikus akarsz lenni.
Bizonyos főiskolai diplomák jobbak, mint mások?
Mallick: MALICK: Abszolút. A Stanfordon szerzett AI-diploma sokkal többet ér, mint sok más egyetemen, mert olyan csúcskutatókkal dolgozhatsz együtt, akik az AI-kutatás élvonalában vannak. A szakválasztásod is óriási különbséget jelent.
Eggers: Az AI-hez minden érintett szakra szükség van. Az alapvető műszaki ismeretek azonban elengedhetetlenek a részvételhez.
Bryson: Nagyszerű hallgatók jönnek hozzánk mesterképzésre , és gyakran azok lettek a legjobbak, akik pszichológiai alapokról érkeztek. Tehát a pszichológia egy nagyszerű diploma. A matematika és a fizika segít bejutni a gépi tanulásba, de nem feltétlenül adnak teljes rálátást arra, hogy mi történik. A változás dinamikájáról való gondolkodás nagyon fontos a társadalom megértéséhez. Azért vagyok értékes, mert ténylegesen AI-t építek, és értem, hogyan működik, de azt is értem, hogyan működik a társadalom.”
Milyen – írott vagy egyéb – forrásokat kellene az embereknek megcélozniuk ahhoz, hogy több betekintést nyerjenek a mesterséges intelligenciával kapcsolatos karrierről?
Mallick: A jó válaszok sajnos az internet számos különböző oldalán szétszóródnak. A mesterséges intelligenciának három nagy alkalmazási területe van: a számítógépes látás, a beszédelemzés és a természetes nyelvi feldolgozás. Mindegyik más-más tanulási utat igényel. Ezért azt javasolnám az embereknek, hogy guglizzák be ezeket a kifejezéseket, és nézzék meg, mi érdekli őket. Itt van egy lista néhány blogról, amelyet az emberek érdekesnek találhatnak (elfogultan a számítógépes látás felé, mert ez az én szakterületem): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.
Eggers: Ez attól függ, hogyan tanulsz és hova szeretnél összpontosítani. Példák: Kritikus a technológiai termékek fejlesztésének megtanulása – az én kedvenc könyvem ehhez Marty Cagan Inspired című könyve. Az O’Reilly AI-konferenciáját is ajánlom, mert a technológiai, kutatási, üzleti, etikai stb. anyagokat is felvonultatja. A konferencia anyagaihoz a tanulási platformjukon keresztül lehet hozzáférni. Ha inkább az AI R&D oldalán szeretne lenni, akkor olyan források állnak rendelkezésre, mint az arxiv, hogy lépést tartson a legújabb kutatásokkal.
Bryson: Ha konkrét kérdéseik vannak, általában bizonyos blogbejegyzésekre vagy cikkekre mutatok nekik. Most már olyan könnyű kutatni, hogy mindenki hozzáfér a Google Scholarhoz. Még ha bele is ütközik egy fizetős falba, valószínűleg megtalálja, hogy valaki feltette a PDF-et az internetre.
Ha valaki munkát kap a mesterséges intelligencia területén, milyenek az előrelépési kilátások a kezdetekben és a későbbiekben?
Mallick: A mesterséges intelligencia egy rakétahajó, amely felszáll. Még a belépő szintű állások is őrülten jövedelmezőek, a szokásos programozói állásokhoz képest kétszeresen vagy még jobban fizetnek. Ennek oka, hogy óriási a kereslet az AI-tehetségek iránt, és nincs elég ember a megfelelő szakértelemmel. Hosszú távon ezek a fizetési szintek nem biztos, hogy fenntarthatóak lesznek, de azok, akik a következő körülbelül öt évben felszállnak erre a rakétahajóra, mind anyagilag, mind a munka minőségét tekintve elképesztő karriert futhatnak be.
Eggers: Nem látom, hogy az AI különbözne bármely más csúcstechnológiától. Lehetőséged van cégről cégre ugrálni (ami lehet jó és rossz is), mert a cégek mindig tapasztalattal rendelkező embereket keresnek. Megvan az a kihívás, hogy a saját céged esetleg lassabban halad előre, mint szeretnéd. Alapvetően vékony a határ az élvonalbeli és a vérző élvonal között.
Hogyan fog változni a mesterséges intelligencia területe rövid és hosszú távon?
Mallick: A mesterséges intelligencia jelenlegi szintű ismereteinkkel számos problémát meg tudunk oldani számos iparágban. A rövid távú játék az adatokról szól. Azok a szervezetek, amelyek a legtöbb adatot szerzik be, mindig hatalmas előnyben lesznek azokkal szemben, amelyek nem. Nincs szükség elit kutatók csapatára ahhoz, hogy megoldjuk ezeket a problémákat – csak nagy mennyiségű, jó minőségű adatra és jó mérnökökre van szükségünk. Hosszú távon azonban a technikai áttörésekhez elit kutatókra van szükségünk. Jelenleg a legsikeresebb mesterséges intelligencia-algoritmusok nem tanulnak maguktól. Az emberek tanítják őket az adatok gyűjtésének és címkézésének fáradságos folyamatával. A mesterséges intelligencia következő áttörése akkor következik be, amikor a gépek a világ megfigyelésével maguktól tanulnak, hasonlóan a mai emberekhez.
Eggers: A vállalatok most már komolyabban veszik, hogy az AI eredményeket szállít, szemben a “tesztekkel”. A hosszabb távú változás a területen az lesz, hogy szélesebbé válik a mesterséges intelligencia nyílása – hosszabb lesz a mélységélesség az üzleti életben.