人工知能は、進行中の技術革命の中心であり、常に賢くなり続けています。 コンピュータ ビジョン、音声分析、自然言語処理の原動力である AI は、さまざまな方法で産業や社会に影響を与えており、今後もずっとそうであり続けることでしょう。
したがって、AI分野がキャリア機会に満ちているのは当然であり、実際、非常に多くの機会があるため、この分野は現在、「仕事が多すぎるが、有能な候補者が少なすぎる」という独自の課題に直面しているのです。
Career in Artificial Intelligence
では、どのようにしてAIに入り、人工知能のキャリアパスはどのようなものなのでしょうか。 私たちは、この分野のトップ エキスパートたちに、その道しるべとして、彼らの旅から得た洞察を語ってくれるよう依頼しました。 Big Vision LLCの創設者でOpenCV.orgの暫定CEOであるSatya Mallick氏、Nara LogisticsのCEOであるJana Eggers氏、そして英国バース大学のコンピュータサイエンスの准教授であるJoanna Bryson氏が参加しています。
AI分野に入ったきっかけは？
Satya Mallick
Founder, Big Vision LLC/intim CEO, OpenCV.org
1999-2000年頃にインド工科大学のカラグプル（インド）で大学生としてコンピュータービジョン（AI の一部門）に偶然出会ったのですが、その時、私はこの分野のことを知りませんでした。 先輩がロボット工学のプロジェクトで、ロボットが「見る」ためにカメラを使っているのを見たのです。 そのアイデアがとても魅力的だったので、学部卒業後はコンピュータービジョンと機械学習の博士課程に応募することにしました。
Jana Eggers
CEO, Nara Logics
私は90年代前半にロスアラモス国立研究所でプラスチックの伝導性を研究しており、ニューラルネットワークと遺伝的アルゴリズムが私の仕事の一部に使用されていたツールでした。 研究を離れ、ビジネスの世界に入ったとき、私は物流のエキスパートシステムを扱うスタートアップに着任しました。 その後、検索エンジンの元祖のひとつであるライコス社に移りました。 基本的に、私は常に最先端の技術に携わっていたので、何らかの形のAIが、私が取り組む仕事に適したツールであることが一般的でした。
Joanna Bryson
Associate Professor, Dept. of Computer Science
University of Bath (U.K.)
最初の学位はシカゴ大学で非臨床心理学を学びました。 そして、プログラミングも得意でしたので、そこのコンピュータサイエンス学部で働きました。 AIには興味があったのですが、初めて教わったのは卒業した翌年でした。 でも、とにかく家庭教師をやらせてくれました。 それからシカゴで5年間過ごし、学部の借金を返しました。 ちょうどその頃、コンピューティングが分散化された時期でした。 パソコンが普及し始め、すべてのコンピュータがすべてを知っている必要はないということが分かってきたのです。 私はプロのプログラマーにはなりたくないと思っていたので、人工知能を学ぶために大学院に戻りました。 MITに行きたかったのですが、海外に行きたかったのでエジンバラを選びましたが、語学は全くできませんでした。 その時点でラッキーだったのは、1991年当時、AIで修士号が取れるのはここだけだったことです。 そこで、ロッド・ブルックスと行動ベースAIについて知りました。すべてを理解しようとするのではなく、異なる問題を理解するロボットの専門的なサブパーツがあるという考え方です。 そして、何人かでMITに入り、ブルックスと一緒に仕事をしようと決めました。
AIにおけるあなたの仕事の範囲は？
Mallick: 私はコンピュータビジョンの分野で働いていますが、これはおそらくAIの中で最も重要なサブ分野でしょう。 コンピュータビジョンでは、画像や映像の解析によって、機械が世界を理解できるようにすることを目標としています。 私はBig Vision LLCというコンピュータビジョンと機械学習のコンサルティング会社を経営しており、LearnOpenCV.comという人気のあるブログも運営しています。
私のコンサルティング会社では、馬の糞から寄生虫を検出することから、ユーザーがアップロードした画像から高級ファッション バッグのモデルを特定することまで、さまざまなコンピュータ ビジョンの問題に取り組んでいます。 最も大きなプロジェクトは、ID 文書の OCR と不正検出でした。 さらに、侵入検知を含むセキュリティ・アプリケーション、市街戦のためのビジョン・アプリケーション、スポーツ分析、バイオメディカル・デバイスにも取り組んできました。 また、世界最大のコンピュータビジョンライブラリ（OpenCV）を管理するOpenCV.orgのInterim CEOも務めています。 私たちは、3つのAIコースのKickstarterキャンペーンを開始したばかりです。 とてもうまくいっています。
Eggers: Nara Logicsは、大企業や連邦政府向けに意思決定支援に特化したAIプラットフォームを提供しています。 ディープラーニングの多くは、画像を認識する、言語を理解するなど、知覚に焦点を当てていますが、私たちは知覚されたものから次の段階の意思決定を行うことに焦点を当てています。 私たちのプラットフォームは、視覚、言語、センサーなどの知覚の流れをまとめ、顧客に何を見せるか（パーソナライズ）から業務の優先順位をどうするか（意思決定支援）まで、より良い意思決定を支援するものです。
ブライソン。 博士課程では、心理学をやりたかったのですが、結局MITに入りました。 システムAIと呼ばれるもので、基本的には、AIをいかに簡単に構築するかということに重点を置いています。 多くの人が、他のアルゴリズムに勝る魔法のようなアルゴリズムに注目していますが、私は、私たちはすでに多くの能力を持っていて、本当の問題はそれらを組み合わせること、つまりエンジニアリングの側面であることに気づきました。 そこで、私はそこに焦点を当てました。 そして今、それは本当に大きな課題になっています。 システムエンジニアリングは、実はAIよりもずっと前から、物事を安全にするための学問なのです。 現在、政治的偏向がなぜ富の不平等とよく相関しているかについての論文を執筆しています。 この2つはどのように作用しているのでしょうか？ それから、もちろん、AI倫理もあります。 私は政策活動に明け暮れているので、とにかく人と話して、点と点をつなげようとしています。 私は、これまで聞いたことのある最高のものを1つにまとめただけだと考えていますが、他の人たちは、これを非常に革新的だと考えています。
仕事のやりがいは？
マリック。 私たちの分野の著名人の一人であるアンドリュー・ン博士は、AIを電気に例えています。 AIは複数の産業を変革しており、この革命の一翼を担えることに大きなやりがいを感じています。 私たちが開発したアプリケーションは、一般的な作業から雑用を取り除き、私たちの安全を守り、医療分野では健康を改善し、命を救うものまであります。 この技術を実践している者として、自分の仕事が変化をもたらすのを見るのは、深い満足感をもたらします。
私の人生に多くの意味を与えてくれるもう1つの部分は、オンラインコースの教師としての仕事です。 OpenCV.orgでは、AIにおける世界的な労働力を育成することを使命としています。 これは新しい分野であり、AIによって自動化によって多くの仕事が失われることは完全に承知しています。 ですから、人々がスキルをアップグレードするのを助け、私たちが技術の実践を通して学んだことを教えるのは、私たちの責任なのです。
Eggers:
Bryson: The data using forward versus analyze backward.
Bryson: 私は、役に立つことも好きですが、それが私の最大の内的報酬だと思います。
仕事のどの側面が最もやりがいがありますか？
Mallick: AIにおけるチャレンジは、さまざまな形で現れます。 まず、技術的な課題があります。 十分なデータがないこともあります。 また、データはあっても、極端にノイズが多かったり、簡単に使えるようなラベル付けがされていなかったりすることもあります。 また、選挙予測などのように、ある問題の不確実性を過小評価してしまうケースもあります。 第二に、良い答えのない倫理的な課題があります。 例えば、99パーセントの人を助けるが、1パーセントに対して大きく偏ったAIを使うかどうか？ データからバイアスを取り除くのは、非常に難しいことです。
Eggers: 顧客向けにAIを解明する。 彼らはAIにまつわる誇大広告や神秘主義に興味を持ち、また苛立ちを感じているのです。 私たちの焦点は、顧客がコンセプトの証明から生産に至るまで素早く到達できるようにすることです。
Bryson: それは、調整のような奇妙なものです。 なぜなら、すべてが興味深く、すべてが挑戦的で、大きな変化をもたらすのに役立つ会話をいつするかわからないからです。
AIのキャリアを追求したい人にとって、最も肝心な最初のステップは何でしょうか？
マリック。 AIで技術的なキャリアを積むには、まず、優れたプログラミングスキルが必要です。 プログラミング言語であるPythonは、AIの研究者やエンジニアにとってデフォルトの選択肢となっています。 ただし、ドメインによってはC++の知識が必要な場合もあります。 すでに優れたプログラマーであれば、次のステップは、基本を学び、徐々に習得できるオンラインコースを見つけることです。 OpenCV.org、Coursera、Udacity、DeepLearning.aiのコースなど、良い選択がいくつかあります。
Eggers: 技術はAIの最も簡単な部分であることを理解すること。 データも結果もより重要です。
Bryson: 私が学部生だったころは、卒業すると、専攻していた分野よりも、夏休みのバイトで得たキャリアに進む人のほうが多かったんです。 ですから、就職活動では、少なくともスキルの必要性を持ち込み、何かを与えることが本当に重要なのです。 でも、自分が行きたいところに少なくとも一部でも行けるようなものを探しましょう。 プログラミングやデータ分析など、どんな仕事でもいいから手を動かしてみてください。 大学であれば、ちょっとした経験を積むための仕事はいくらでもあります。 それがとても役に立ちます。
中等教育後の教育にはどのような価値がありますか？
Mallick: 大学教育には、2つの大きなメリットがあります。 まず、学習プロセスに構造を与えることです。 この構造がないと、混乱に陥ったり、やる気を失ったりしがちです。 第二に、大学の学位を取得することは、就職の際に能力の高さを示すことになります。 とはいえ、履歴書よりも、あなたが手がけた仕事のポートフォリオを重視する人が増えてきています。 学生が定期的にGitHubでコードを公開していると、彼らが何を学んでいるのか、どれだけ優秀なのかが手に取るようにわかります。 もし彼らの作品の一部がユニークでクリエイティブなものであれば、個人的には彼らの大学の学位は気にしないことにしています。
Eggers: 博士課程を中退した私の見解では、大学院の学位は尊敬を与えるものであり、その尊敬を得るには他の方法があるのです。 そして、その尊敬を得るには、他の方法もあるということです。ですから、それは本当にあなた次第、あなたが何を重視するかによるのです。 また、”beautiful “という言葉は、”beautiful “を意味します。 すべての博士号が、やる価値があるわけではありません。 特に今のアメリカでは、必ずしも役立つとはいえない学位を売りつける人がたくさんいるのです。 今、学位を取るということは、教育を受けるということでもあり、私がエジンバラやMITにいたように、物事を本当に理解しようとする人たちの集団の中に入るということでもあるのです。 以前は、産業界に出るなら修士号が最適だと言われていましたが、政府の研究所や産業界の一流研究所で働くなら、あるいは自分が学者になるなら、博士号が必要でしょう。
特定の大学の学位は他のものより優れているのでしょうか？
Mallick: もちろんです。 スタンフォード大学のAIの学位は、AI研究の最先端にいるトップ研究者と一緒に働けるので、他の多くの大学よりもずっと価値があります。 また、専攻の選択も大きな違いになります。
Eggers: AIは、すべての学位が関係する必要があります。 しかし、基本的な技術理解は参加する上で非常に重要です。
Bryson: 私たちの修士課程には、優秀な学生が集まってきますが、その中でも特に優秀なのは、心理学をベースにしている学生たちです。 だから、心理学はすばらしい学位なのです。 数学と物理は機械学習に役立ちますが、必ずしも何が起きているのかについての全体的な視点を与えてくれるわけではありません。 変化のダイナミズムを考えることは、社会を理解する上で本当に重要です。 私は実際にAIを構築し、その仕組みを理解しているので貴重な存在ですが、社会の仕組みも理解しています。
AIでのキャリアについてより深い洞察を得るために、人々はどんなリソース（文書またはその他）を利用すべきでしょうか。
Mallick です。 残念ながら、良い答えはインターネット上のさまざまなページに散らばっています。 AIには、コンピュータビジョン、音声分析、自然言語処理という3つの大きな応用分野があります。 それぞれ、異なる学習経路が必要です。 ですから、これらの用語をグーグル検索して、自分の興味があるものを見てみることをお勧めします。 以下は、人々が興味深いと思うかもしれないブログのリストです（私の専門分野であるため、コンピュータ・ビジョンに偏っています）。 LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.
Eggers.Inc: これは、あなたがどのように学習し、どこに焦点を当てたいかによります。 例としては 例えば、技術的な製品を開発する方法を学ぶことは非常に重要です。 また、オライリーのAIカンファレンスは、技術、研究、ビジネス、倫理などを網羅した息の長い内容で、おすすめです。 同社のラーニングプラットフォームを利用すれば、カンファレンスの資料にアクセスすることができます。 もしあなたがAIのR&D側をもっと知りたいなら、arxivのようなリソースで最新の研究についていけるでしょう。
Bryson: 具体的な質問がある場合は、特定のブログ記事や論文を紹介することが多いですね。 今は誰もがGoogle Scholarにアクセスできるので、リサーチがとても簡単になりました。 たとえ有料であっても、誰かがPDFをオンラインにアップしているのを見つけることができるはずです。
一度AIの仕事に就くと、早い段階でどのような昇進の見込みがありますか？
Mallick: AIはロケットで飛び立つようなものです。 エントリーレベルの仕事でも、普通のプログラミングの仕事と比べると2倍以上の給料が出るなど、めちゃくちゃ有利です。 理由は、AIの人材に対する需要が大きく、適切な専門知識を持つ人が少ないからです。 長期的に見れば、この給与水準は持続可能ではないかもしれないが、今後5年程度でこのロケット船に乗った人は、仕事の質だけでなく、金銭的にも素晴らしいキャリアを手にすることができるだろう。
Eggers: 私は、AIが他の最先端技術と異なるとは思っていません。 企業は常に経験豊富な人材を求めているので、会社から会社へと飛び回ることができます（それは良いことも悪いこともあります）。 自分の会社は、自分が望むより前に進むのが遅いかもしれないという課題がある。 基本的に、最先端とブリーディングエッジは紙一重です。
AI分野は短期的・長期的にどのように変化していくのでしょうか？
MALLICK。 現在のAIの理解度であれば、いくつかの産業で多くの問題を解決することができます。 短期的な勝負は、データがすべてです。 最も多くのデータを取得した組織は、そうでない組織に対して常に大きな優位性を持ちます。 これらの問題を解決するために、エリート研究者のチームは必要ありません。必要なのは、大量の高品質なデータと優秀なエンジニアだけなのです。 長期的には、技術的なブレークスルーのためにエリート研究者が必要ですが。 現在、最も成功しているAIアルゴリズムは、自ら学習することはありません。 データを収集し、ラベルを付けるという骨の折れる作業によって、人間に教えられているのです。 AIにおける次のブレークスルーは、人間が現在行っているのと同じように、機械が世界を観察することによって自ら学習するようになったときに起こるでしょう。
Eggers: 企業は今、AIが “テスト “に対して結果を出すことに真剣になってきています。 この分野の長期的な変化は、AIの開口部が広がること、つまりビジネスへのより長い被写界深度である。
。