Karriere inden for kunstig intelligens: Et kig på karriereforløbet for AI-professionelle

Kunstig intelligens er en central del af den igangværende teknologiske revolution, og den bliver hele tiden klogere. AI er drivkraften bag computervision, taleanalyse og behandling af naturligt sprog og påvirker industrien og samfundet på mange måder – og det vil den fortsat gøre langt ud i fremtiden.

Det er derfor ikke overraskende, at AI-området er fyldt med karrieremuligheder – faktisk så mange af dem, at sektoren nu står over for en enestående udfordring: Der er for mange job og for få kvalificerede kandidater. På den anden side betyder det, at der er næsten garanteret (og velbetalt) beskæftigelse for dem, der har det, der skal til.

Så hvordan kommer man ind i kunstig intelligens, og hvordan ser en karrierevej inden for kunstig intelligens ud? Vi bad nogle af feltets bedste eksperter om at dele indsigt fra deres rejse for at hjælpe med at vise vejen. De omfatter Satya Mallick, grundlægger af Big Vision LLC og midlertidig administrerende direktør for OpenCV.org; Jana Eggers, administrerende direktør for Nara Logistics; og Joanna Bryson, lektor i datalogi ved University of Bath i England.

Hvordan kom du ind på AI-området?

Satya Mallick
Stifter, Big Vision LLC/Interim CEO, OpenCV.org

Jeg faldt over computer vision (en gren af AI) som universitetsstuderende på Indian Institute of Technology, Kharagpur (Indien) omkring 1999-2000. Jeg så en af mine seniorer lave et robotteknikprojekt, hvor han brugte kameraer til at hjælpe robotterne med at “se”. Jeg fandt idéen så fascinerende, at jeg besluttede mig for at søge ind på ph.d.-programmer inden for computervision og maskinlæring efter min bacheloruddannelse.

Jana Eggers
CEO, Nara Logics

Jeg forskede i ledningsevne i plast på Los Alamos National Laboratory i begyndelsen af 90’erne, og neurale netværk og genetiske algoritmer var værktøjer, som jeg brugte til en del af mit arbejde. Da jeg forlod forskningen og gik over til erhvervslivet, landede jeg hos en nystartet virksomhed, der lavede ekspertsystemer til logistik. Derefter gik jeg til en af de oprindelige søgemaskiner, Lycos. Så fordi jeg altid beskæftigede mig med avanceret teknologi, var en eller anden form for kunstig intelligens typisk det rigtige værktøj til det arbejde, jeg arbejdede med.

Joanna Bryson
Associate Professor, Dept. of Computer Science
University of Bath (U.K.)

Min første eksamen var i ikke-klinisk psykologi fra University of Chicago. Og jeg var også god til at programmere, så jeg arbejdede på datalogiafdelingen der. Jeg var interesseret i AI, men første gang nogen underviste i det var året efter, at jeg havde taget min eksamen. Men de lod mig undervise i det alligevel. Så jeg tilbragte fem år i Chicago for at betale min gæld fra min universitetsuddannelse tilbage. Og det var lige i den periode, hvor vi oplevede, at databehandling blev decentraliseret. PC’er var begyndt at blive en ting, og vi var ved at finde ud af, at ikke alle computere behøver at vide alt. Jeg havde besluttet mig for, at jeg aldrig ville være professionel programmør, så jeg tog tilbage på en videregående uddannelse i kunstig intelligens. Jeg ville gerne gå på MIT, men jeg valgte Edinburgh, fordi jeg gerne ville til udlandet, men jeg kunne ikke tale sprog. Jeg var heldig på det tidspunkt, for det var det eneste sted, der i 1991 ville have givet mig en kandidatgrad i AI. Derfra fandt jeg ud af Rod Brooks og adfærdsbaseret AI – idéen om, at man i stedet for at forsøge at forstå alt, havde specialiserede underdele af en robot, der forstod forskellige problemer. Og så besluttede nogle få af os, at vi ville forsøge at komme ind på MIT og arbejde sammen med Brooks.

Hvad er omfanget af dit arbejde med AI?

Mallick: Jeg arbejder inden for computervision, som sandsynligvis er det vigtigste underområde inden for kunstig intelligens. Inden for computer vision er vores mål at få maskiner til at give verden mening ved hjælp af billed- og videoanalyse. Jeg driver et konsulentfirma for computer vision og maskinlæring kaldet Big Vision LLC og en populær blog kaldet LearnOpenCV.com.

I min konsulentvirksomhed løser vi en række computer vision-problemer, der spænder fra detektering af parasitter i hesteafføring til identifikation af modellen af high-end modetasker i brugeroploadede billeder. Vores største projekt drejede sig om OCR og påvisning af svig i ID-dokumenter. Derudover har vi arbejdet med sikkerhedsapplikationer, der omfatter indtrængningsdetektion, vision-applikationer til bykrigsførelse, sportsanalyser og biomedicinsk udstyr. Jeg er også midlertidig administrerende direktør for OpenCV.org, som vedligeholder det største computer vision-bibliotek i verden (OpenCV). Vi har netop lanceret en Kickstarter-kampagne for tre AI-kurser. Det går meget godt.

Eggers: Nara Logics leverer en AI-platform til store virksomheder og den føderale regering, der fokuserer på beslutningsstøtte. Meget af deep learning er fokuseret på perception – genkendelse af billeder, forståelse af sprog – vi fokuserer på næste fase beslutninger ud fra det, der opfattes. Vores platform hjælper med at samle opfattelsesstrømmene fra syn, sprog, sensorer osv. for at understøtte bedre beslutninger, lige fra hvad der skal vises til en kunde (personalisering) til hvordan man prioriterer operationer (beslutningsstøtte).

Bryson: Jeg ønskede at tage en ph.d. i psykologi, men endte på MIT. Så jeg fokuserede på noget, der hedder systems AI, som grundlæggende handler om, hvordan man gør det nemmere at bygge AI. Der er mange mennesker, der fokuserer på én magisk algoritme, som vil slå alle andre algoritmer, men jeg bemærkede, at vi allerede havde en masse muligheder, og at det virkelige problem var at sætte dem sammen – den tekniske side af det. Så det var det, jeg fokuserede på. Og nu er det blevet en rigtig stor sag. Systemteknik er faktisk en disciplin, der gør ting sikre, og som går langt tilbage før AI.

Jeg forsøger også stadig at forstå menneskeligt samarbejde og udviklingen af kognition – hvornår vi bruger det, og hvornår vi ikke gør det – så jeg fokuserer meget på at forstå de forskellige, hvor mennesker samarbejder og hjælper hinanden, og hvornår de ikke gør det. Vi arbejder lige nu på en artikel om, hvorfor politisk polarisering er godt korreleret med ulighed i rigdom. Hvordan interagerer de sammen? Så er der selvfølgelig AI-etik. Jeg bruger al min tid på at løbe rundt og lave politisk arbejde, så jeg taler bare med folk og forsøger at forbinde punkterne. Jeg opfatter det som en samling af de bedste ting, jeg har hørt, men andre mennesker ser det som meget innovativt.

Hvad finder du mest givende ved dit arbejde?

Mallick: En af koryfæerne inden for vores felt, Dr. Andrew Ng, har sammenlignet AI med elektricitet. Den er ved at forandre flere brancher, og det er enormt givende at være en del af denne revolution. Nogle af de applikationer, vi har udviklet, fjerner besværligheder fra almindelige opgaver, nogle sikrer vores sikkerhed, og andre inden for det medicinske område forbedrer sundheden og redder endda liv. Som udøver af dette håndværk er det dybt tilfredsstillende at se sit arbejde gøre en forskel.

Den anden del, der giver meget mening til mit liv, er mit arbejde som underviser i online-kurser. På OpenCV.org er vi på en mission om at uddanne den globale arbejdsstyrke i AI. Dette er et nyt område, og vi er helt klar over, at AI vil medføre tab af mange arbejdspladser på grund af automatisering. Så det er vores ansvar at hjælpe folk med at opgradere deres færdigheder og lære dem, hvad vi lærer gennem udøvelsen af vores håndværk.

Eggers: Gør det muligt for vores kunder at bruge deres data til at se fremad i stedet for at analysere bagud.

Bryson: Det er bare i sig selv interessant at forstå, hvordan intelligens fungerer. Jeg tror, det er min største interne belønning, selv om jeg også kan lide at være hjælpsom.

Hvilke aspekter af dit arbejde er de mest udfordrende?

Mallick: Udfordringer inden for AI kommer i mange forskellige former. For det første har vi tekniske udfordringer. Nogle gange har vi ikke nok data. Andre gange er dataene tilgængelige, men de er ekstremt støjende, eller de er ikke mærket på en måde, der let kan bruges. I nogle få tilfælde undervurderer folk voldsomt den ureducerbare usikkerhed ved et problem – forudsigelse af valg er et sådant problemområde. For det andet har vi etiske udfordringer, som der ikke findes gode svar på. Ville du f.eks. bruge en AI, der hjælper 99 procent af befolkningen, men som er stærkt forudindtaget mod én procent? Det er en ekstremt stor udfordring at fjerne bias fra dine data.

Eggers: Afmystificering af AI for kunderne. De er både fascineret og frustreret over hypen og mystikken omkring AI. Vores fokus er at få vores kunder hurtigt fra proof of concept til produktion.

Bryson: Det er mærkelige ting, som koordinering. Fordi alt er interessant og alt er udfordrende, og man ved aldrig, hvornår man får en samtale, der vil være med til at gøre en stor forskel.

Hvad er de mest afgørende første skridt for dem, der ønsker at forfølge en AI-karriere?

Mallick: For at få en teknisk karriere inden for AI skal man først have gode programmeringsfærdigheder. Programmeringssproget Python er blevet standardvalget for AI-forskere og -ingeniører. Selv om der afhængigt af domænet kan det være nødvendigt med kendskab til C++. Hvis du allerede er en god programmør, er det næste skridt at finde et onlinekursus, der kan lære dig det grundlæggende og gradvist føre dig til beherskelse. Der er flere gode valgmuligheder, f.eks. kurser fra OpenCV.org, Coursera, Udacity og DeepLearning.ai.

Eggers: Forståelse for, at teknologien er den nemmeste del af AI. Dataene og resultaterne er begge mere kritiske. Og de er begge drevet af organisationen.

Bryson: Jeg vil gerne have en efteruddannelse, selv om det kun er en masteruddannelse, for at få indsigt fra en anden disciplin. Da jeg var bachelorstuderende, var det mere sandsynligt, at folk, da de blev færdiguddannede, gik ind i de karrierer, som de havde haft i sommerjobs, end i deres hovedfag. Så når du leder efter et job, er det virkelig vigtigt, at du i det mindste bringer nogle af de færdigheder ind, som de har brug for, og at du giver dem noget. Men søg efter noget, der kan føre dig i det mindste et stykke af vejen til det sted, du gerne vil hen. Få dine hænder beskidte ved at lave noget arbejde inden for programmering eller dataanalyse eller andet. Hvis du går på et universitet, er der en milliard små job, som du kan få, bare så du får noget erfaring. Det er en stor hjælp.

Hvor værdifuld er en postgymnasial uddannelse? Hvad med kandidatuddannelser?

Mallick: Der er to store fordele ved en universitetsuddannelse. For det første giver den struktur til læringsprocessen. Uden denne struktur på plads er det let at fare vild i forvirring eller miste motivationen. For det andet signalerer en afsluttet collegeuddannelse et kompetenceniveau på arbejdsmarkedet. Når det er sagt, er folk i stigende grad mere interesseret i den portefølje af arbejde, du har udført, og mindre i dit cv. Når en studerende regelmæssigt frigiver sin kode på GitHub, kan vi på første hånd se, hvad de lærer, og hvor gode de er. Hvis noget af deres arbejde er unikt og kreativt, ville jeg personligt være ligeglad med deres universitetsgrad.

Eggers: Som ph.d.-studerende, der er droppet ud, er mit perspektiv, at en kandidatgrad giver dig respekt – og der er andre måder at opnå denne respekt på. Så det afhænger virkelig af dig, og hvad du værdsætter. Du kan få succes på begge måder.

Bryson: Det er ikke alle ph.d.’er, der er værd at lave. Især i USA lige nu er der en masse mennesker, der vil sælge dig en grad, som ikke nødvendigvis vil hjælpe dig. At få en grad nu handler dels om at få en uddannelse og dels om at være i en gruppe af mennesker, der virkelig forsøger at forstå tingene, som jeg var på Edinburgh og MIT. Man plejede at sige, at en kandidatgrad er det bedste, hvis man vil ud i industrien, men man skal have en ph.d., hvis man vil arbejde i offentlige laboratorier eller i de bedste industrielle laboratorier – eller hvis man selv vil være akademiker.

Er visse universitetsuddannelser bedre end andre?

Mallick: Absolut. En grad fra Stanford i AI er meget mere værd end mange andre universiteter, fordi man får mulighed for at arbejde sammen med topforskere, der er på forkant med AI-forskningen. Valget af dit hovedfag gør også en stor forskel.

Eggers: AI har brug for alle involverede grader. En grundlæggende teknisk forståelse er dog afgørende for at deltage.

Bryson:

Bryson: Vi har gode studerende, der kommer for at tage vores masteruddannelse , og ofte var det dem, der endte med at blive de bedste, der kom fra en psykologibase. Så psykologi er en god uddannelse. Matematik og fysik vil hjælpe dig med at komme ind i maskinlæring, men de giver dig ikke nødvendigvis hele perspektivet på, hvad der foregår. Det er virkelig vigtigt at tænke på dynamikken i forandringer for at forstå samfundet. Jeg er værdifuld, fordi jeg faktisk bygger AI og forstår, hvordan den fungerer, men jeg forstår også, hvordan samfundet fungerer.

Hvilke ressourcer – skriftlige eller andre – bør folk udnytte for at få mere indsigt i en karriere inden for AI?

Mallick: Desværre er de gode svar spredt ud over mange forskellige sider på internettet. Der er tre store anvendelsesområder inden for AI: computervision, taleanalyse og behandling af naturligt sprog. Hvert af dem kræver en anden læringsvej. Så jeg vil foreslå folk at google disse termer og se, hvad der interesserer dem. Her er en liste over nogle blogs, som folk måske vil finde interessante (med en tendens til computer vision, fordi det er mit ekspertiseområde): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.

Eggers: Det afhænger af, hvordan du lærer, og hvor du ønsker at fokusere. Eksempler: Det er afgørende at lære, hvordan man udvikler teknologiske produkter – min bog om dette er Marty Cagans Inspired. Jeg anbefaler også O’Reilly’s AI-konference på grund af det omfattende materiale, der dækker teknologi, forskning, forretning, etik osv. Du kan få adgang til konferencematerialet via deres læringsplatform. Hvis du vil være mere på R&D-siden af AI, har du ressourcer som arxiv til at følge med i den nyeste forskning.

Bryson: Hvis de har specifikke spørgsmål, plejer jeg at henvise dem til bestemte blogindlæg eller papirer. Det er så nemt at lave forskning nu, hvor alle har adgang til Google Scholar. Selv hvis du støder på en betalingsmur, vil du sandsynligvis finde ud af, at nogen har lagt PDF-filen online.

Når man får et job inden for AI, hvad er så udsigterne til at avancere tidligt og senere i livet?

Mallick: AI er et raketskib, der er ved at lette. Selv job på begynderniveau er vanvittigt lukrative og betaler to gange eller mere i forhold til almindelige programmeringsjobs. Årsagen er en enorm efterspørgsel efter AI-talent og ikke nok folk med den rette ekspertise. På lang sigt er disse lønniveauer måske ikke holdbare, men folk, der kommer med på dette raketskib i løbet af de næste fem år eller deromkring, vil få fantastiske karrierer både økonomisk og med hensyn til arbejdets kvalitet.

Eggers: Jeg ser ikke AI som værende anderledes end enhver anden avanceret teknologi. Du har en mulighed for at hoppe rundt fra virksomhed til virksomhed (hvilket kan være godt og skidt), fordi virksomhederne altid leder efter folk med erfaring. Man har den udfordring, at ens egen virksomhed måske er langsommere til at bevæge sig fremad, end man ønsker. Dybest set er der en hårfin grænse mellem førende teknologi og blødende teknologi.

Hvordan vil AI-området ændre sig på kort og lang sigt?

Mallick: Med vores nuværende niveau af forståelse af kunstig intelligens kan vi løse mange problemer i flere brancher. Det kortsigtede spil handler kun om data. De organisationer, der skaffer flest data, vil altid have en stor fordel i forhold til dem, der ikke gør det. Man har ikke brug for et hold af eliteforskere for at løse disse problemer – vi har kun brug for en stor mængde data af høj kvalitet og gode ingeniører. På lang sigt har vi dog brug for eliteforskere til tekniske gennembrud. På nuværende tidspunkt lærer de mest succesfulde AI-algoritmer ikke af sig selv. De bliver lært af mennesker gennem den omhyggelige proces med indsamling og mærkning af data. Det næste gennembrud inden for AI vil ske, når maskinerne lærer af sig selv ved at observere verden, ligesom mennesker gør det i dag.

Eggers: Virksomhederne er nu ved at blive mere seriøse med AI, der leverer resultater i stedet for “tests”. Den mere langsigtede ændring på området vil være en udvidelse af AI’s åbning – en større dybde af feltet i erhvervslivet.