Artificiële intelligentie staat centraal in de voortdurende technologische revolutie, en het wordt steeds slimmer. AI is de drijvende kracht achter computervisie, spraakanalyse en natuurlijke taalverwerking, en beïnvloedt de industrie en de samenleving op tal van manieren – en zal dat tot ver in de toekomst blijven doen.
Het is dan ook geen verrassing dat het AI-veld vol carrièremogelijkheden zit – zo veel zelfs dat de sector nu voor een unieke uitdaging staat: er zijn te veel banen en te weinig gekwalificeerde kandidaten. Aan de andere kant betekent dit dat het vrijwel gegarandeerde (en goedbetaalde) werkgelegenheid biedt voor degenen die de goederen hebben.
Carrière in Kunstmatige Intelligentie
Dus hoe kom je in AI, en hoe ziet een carrièrepad voor kunstmatige intelligentie eruit? We vroegen enkele van de topexperts van het veld om inzichten te delen van hun reis om de weg te wijzen. Onder hen Satya Mallick, oprichter van Big Vision LLC en interim-CEO van OpenCV.org; Jana Eggers, CEO van Nara Logistics; en Joanna Bryson, universitair hoofddocent computerwetenschappen aan de Universiteit van Bath in Engeland.
Hoe bent u op het gebied van AI terechtgekomen?
Satya Mallick
Oprichter, Big Vision LLC/Interim CEO, OpenCV.org
Ik stuitte op computervisie (een tak van AI) toen ik rond 1999-2000 afstudeerde aan het Indian Institute of Technology, Kharagpur (India). Ik zag een van mijn laatstejaars een robotica-project doen waarbij hij camera’s gebruikte om de robots te helpen “zien”. Ik vond het idee zo fascinerend dat ik besloot om me na mijn studie aan te melden voor PhD-programma’s op het gebied van computervisie en machinaal leren.
Jana Eggers
CEO, Nara Logics
In het begin van de jaren 90 deed ik onderzoek naar geleidbaarheid in kunststoffen bij het Los Alamos National Laboratory, en neurale netwerken en genetische algoritmen waren hulpmiddelen die ik voor een deel van mijn werk gebruikte. Toen ik het onderzoek verliet en in zaken ging, kwam ik terecht bij een startup die expertsystemen voor logistiek maakte. Daarna ging ik naar een van de oorspronkelijke zoekmachines, Lycos. Dus omdat ik altijd met geavanceerde technologie bezig was, was een vorm van AI meestal het juiste gereedschap voor het werk waar ik mee bezig was.
Joanna Bryson
Associate Professor, Dept. of Computer Science
University of Bath (U.K.)
Mijn eerste graad was in niet-klinische psychologie aan de University of Chicago. En ik was ook goed in programmeren, dus werkte ik daar op de afdeling computerwetenschappen. Ik was geïnteresseerd in AI, maar de eerste keer dat iemand het onderwees was het jaar nadat ik was afgestudeerd. Maar ze lieten me het toch lesgeven. Dus toen heb ik vijf jaar in Chicago gezeten om mijn studieschuld af te betalen. En het was precies in de periode dat we zagen dat computers gedecentraliseerd werden. PC’s begonnen een ding te worden, en we kwamen erachter dat niet elke computer alles hoefde te weten. En ik had besloten dat ik nooit een professionele programmeur wilde worden, dus ging ik terug naar de graduate school voor kunstmatige intelligentie. Ik wilde naar MIT, maar ik koos voor Edinburgh omdat ik naar het buitenland wilde maar geen talen kon spreken. Ik had op dat moment geluk, want het was in 1991 de enige plek die me een master in AI zou hebben gegeven. Van daaruit kwam ik op het spoor van Rod Brooks en gedragsgebaseerde AI – het idee dat in plaats van alles te willen begrijpen, je gespecialiseerde subonderdelen van een robot had die verschillende problemen begrepen. En toen besloten een paar van ons om te proberen bij MIT binnen te komen en met Brooks te werken.
Wat is het bereik van uw werk in AI?
Mallick: Ik werk op het gebied van computervisie, waarschijnlijk het belangrijkste deelgebied van AI. Bij computervisie is het ons doel om machines de wereld te laten begrijpen door middel van beeld- en videoanalyse. Ik leid een computer vision en machine learning consultancy bedrijf genaamd Big Vision LLC en een populaire blog genaamd LearnOpenCV.com.
Bij mijn consultancybedrijf pakken we een verscheidenheid aan computervisieproblemen aan, variërend van het detecteren van parasieten in paardenuitwerpselen tot het identificeren van het model van high-end modetassen in door gebruikers geüploade afbeeldingen. Ons grootste project betrof OCR en fraudedetectie in ID-documenten. Daarnaast hebben we gewerkt aan beveiligingstoepassingen met inbraakdetectie, vision-toepassingen voor stedelijke oorlogsvoering, sportanalyses en biomedische apparatuur. Ik ben ook de Interim CEO van OpenCV.org, dat de grootste computervisiebibliotheek ter wereld onderhoudt (OpenCV). We hebben net een Kickstarter-campagne gelanceerd voor drie AI-cursussen. Die doet het erg goed.
Eggers: Nara Logics biedt een AI-platform voor grote ondernemingen en de federale overheid dat zich richt op beslissingsondersteuning. Veel van deep learning is gericht op perceptie – het herkennen van beelden, het begrijpen van taal – wij richten ons op de volgende fase beslissingen van wat is waargenomen. Ons platform helpt de perceptiestromen van visie, taal, sensoren, enz. samen te brengen om betere beslissingen te ondersteunen, van wat aan een klant te laten zien (personalisatie) tot hoe prioriteit te geven aan activiteiten (beslissingsondersteuning).
Bryson: Voor mijn PhD wilde ik psychologie gaan doen, maar ik kwam bij MIT terecht. Ik concentreerde me dus op iets dat systeem-AI heet, wat in feite gaat over hoe we het gemakkelijker kunnen maken om AI te bouwen. Er zijn veel mensen die zich richten op één magisch algoritme dat alle andere algoritmen zal verslaan, maar ik merkte dat we al veel mogelijkheden hadden en dat het echte probleem was om ze samen te voegen – de technische kant ervan. Dus dat was waar ik me op concentreerde. En nu is het echt een grote zaak geworden. Systems engineering is eigenlijk een discipline die dingen veilig maakt, en dat gaat ver terug voor AI.
Ik probeer ook nog steeds de menselijke samenwerking en de evolutie van cognitie te begrijpen – wanneer we het gebruiken en wanneer niet – dus ik concentreer me veel op het begrijpen van de verschillende manieren waarop mensen samenwerken en elkaar helpen, en wanneer ze dat niet doen. We werken op dit moment aan een artikel over waarom politieke polarisatie goed gecorreleerd is met welvaartsongelijkheid. Hoe werken ze samen? Dan, natuurlijk, is er AI ethiek. Ik ben al mijn tijd bezig met beleidswerk, dus ik praat met mensen en probeer de punten met elkaar te verbinden. Ik zie het als gewoon het beste nemen van wat ik heb gehoord en het allemaal op één plaats zetten, maar andere mensen zien het als zeer innovatief.
Wat vindt u het meest bevredigend aan uw werk?
Mallick: Een van de grootheden in ons vakgebied, Dr. Andrew Ng, heeft AI vergeleken met elektriciteit. Het transformeert meerdere industrieën, en het is enorm lonend om deel uit te maken van deze revolutie. Sommige van de toepassingen die we hebben gebouwd verwijderen sleur uit alledaagse taken, sommige houden ons veilig, en nog andere in het medische domein verbeteren de gezondheid en redden zelfs levens. Als een beoefenaar van dit vak, is het zeer bevredigend om te zien dat je werk een verschil maakt.
Het andere deel dat veel betekenis aan mijn leven geeft, is mijn werk als docent van online cursussen. Bij OpenCV.org, zijn we op een missie om de wereldwijde beroepsbevolking te trainen in AI. Dit is een opkomend gebied, en we zijn ons er volledig van bewust dat AI zal leiden tot het verlies van veel banen door automatisering. Het is dus onze verantwoordelijkheid om mensen te helpen hun vaardigheden te verbeteren en hen te leren wat wij leren door ons vak uit te oefenen.
Eggers: Onze klanten in staat stellen hun gegevens te gebruiken om vooruit te kijken in plaats van achteruit te analyseren.
Bryson: Het is gewoon intrinsiek interessant, begrijpen hoe intelligentie werkt. Ik denk dat dat mijn grootste interne beloning is, hoewel ik ook graag behulpzaam wil zijn.
Welke aspecten van uw werk zijn de grootste uitdagingen?
Mallick: Uitdagingen in AI zijn er in veel verschillende vormen. Ten eerste hebben we technische uitdagingen. Soms hebben we niet genoeg gegevens. Soms zijn de gegevens er wel, maar zijn ze erg ruw, of niet gelabeld op een manier die gemakkelijk kan worden gebruikt. In een paar gevallen onderschatten mensen de onherleidbare onzekerheid van een probleem enorm – het voorspellen van verkiezingen is zo’n probleemdomein. Ten tweede hebben we te maken met ethische uitdagingen waarop geen goede antwoorden bestaan. Zou je bijvoorbeeld een AI gebruiken die 99 procent van de mensen helpt, maar die zwaar bevooroordeeld is ten opzichte van één procent? Het is een enorme uitdaging om vooroordelen uit je gegevens te verwijderen.
Eggers: AI ontraadselen voor klanten. Ze zijn zowel geïntrigeerd als gefrustreerd door de hype en mystiek rond AI. Onze focus is om onze klanten snel van proof of concept naar productie te brengen.
Bryson: Het zijn vreemde dingen, zoals coördinatie. Want alles is interessant en alles is uitdagend en je weet nooit wanneer je een gesprek zult hebben dat een groot verschil zal maken.
Wat zijn de meest cruciale eerste stappen voor wie een AI-carrière wil maken?
Mallick: Om een technische carrière in AI te hebben, moet je eerst goede programmeervaardigheden hebben. De programmeertaal Python is de standaardkeuze geworden voor AI-onderzoekers en -ingenieurs. Hoewel, afhankelijk van het domein, kennis van C++ vereist kan zijn. Als je al een goede programmeur bent, is de volgende stap het vinden van een online cursus die je de basis kan leren en je geleidelijk naar meesterschap kan brengen. Er zijn verschillende goede keuzes, zoals cursussen van OpenCV.org, Coursera, Udacity en DeepLearning.ai.
Eggers: Begrijpen dat de techniek het makkelijkste deel van AI is. De gegevens en de resultaten zijn van groter belang. En die worden beide door de organisatie aangestuurd.
Bryson: Een postdoctorale opleiding volgen, ook al is het maar een master, om inzichten uit een andere discipline te verwerven. Toen ik een undergraduate was, toen mensen afgestudeerd waren, waren ze meer geneigd om te gaan in de carrières die ze hadden in de zomer banen dan in hun majors. Dus als je op zoek bent naar een baan, is het echt belangrijk dat je ten minste een deel van de vaardigheden die nodig zijn inbrengt en dat je hen iets geeft. Maar zoek naar iets dat je ten minste een deel van de weg brengt naar waar je heen wilt. Maak je handen vuil met programmeerwerk of data-analyse of wat dan ook. Als je op een universiteit zit, zijn er een miljard kleine baantjes die je kunt krijgen, zodat je wat ervaring hebt. Dat helpt enorm.
Hoe waardevol is post-secundair onderwijs? En diploma’s?
Mallick: Er zijn twee grote voordelen aan een universitaire opleiding. Ten eerste biedt het structuur aan het leerproces. Zonder deze structuur is het gemakkelijk om in de war te raken of de motivatie te verliezen. Ten tweede geeft het behalen van een universitair diploma aan dat je competent bent op de arbeidsmarkt. Dat gezegd hebbende, mensen geven steeds meer om het portfolio van werk dat je hebt gedaan en minder om je cv. Als een student regelmatig zijn code op GitHub zet, zien we uit de eerste hand wat ze leren en hoe goed ze zijn. Als een deel van hun werk uniek en creatief is, zou ik me persoonlijk niet druk maken over hun universiteitsdiploma.
Eggers: Als gepromoveerde drop-out ben ik van mening dat een universitaire graad respect afdwingt – en er zijn andere manieren om dat respect te verdienen. Dus het hangt echt van jou af en wat je belangrijk vindt. Je kunt op beide manieren slagen.
Bryson: Niet elke Ph.D. is de moeite waard. Vooral in Amerika zijn er op dit moment veel mensen die je een graad verkopen waar je niet per se iets aan hebt. Een diploma behalen gaat nu deels over onderwijs volgen en deels over deel uitmaken van een groep mensen die echt dingen proberen te begrijpen, zoals ik in Edinburgh en MIT was. Vroeger zeiden ze dat je het beste een masterdiploma kon hebben als je de industrie in wilde, maar je moest gepromoveerd zijn als je in overheidslaboratoria wilde werken of in de top van industriële laboratoria – of als je zelf een academicus wilde worden.
Zijn bepaalde diploma’s beter dan andere?
Mallick: Absoluut. Een AI-diploma van Stanford is veel meer waard dan dat van veel andere universiteiten, omdat je kunt samenwerken met toponderzoekers die op het snijvlak van AI-onderzoek staan. De keuze van je hoofdvak maakt ook een enorm verschil.
Eggers: Voor AI zijn alle betrokken graden nodig. Basiskennis van technologie is echter cruciaal om mee te kunnen doen.
Bryson: We hebben geweldige studenten die onze masteropleiding komen doen, en vaak zijn degenen die het beste uit de psychologie komen, de besten. Dus psychologie is een geweldige graad. Wiskunde en fysica zullen je helpen om in machine learning te geraken, maar ze geven je niet noodzakelijk het hele perspectief op wat er gaande is. Nadenken over de dynamiek van verandering is echt belangrijk om de maatschappij te begrijpen. Ik ben waardevol omdat ik AI bouw en begrijp hoe het werkt, maar ik begrijp ook hoe de maatschappij werkt.
Welke – al dan niet schriftelijke – bronnen moeten mensen aanboren om meer inzicht te krijgen in een carrière in AI?
Mallick: Helaas zijn goede antwoorden verspreid over veel verschillende pagina’s op het internet. Er zijn drie grote toepassingsgebieden in AI: computer vision, spraakanalyse en natuurlijke taalverwerking. Elk daarvan vereist een ander leertraject. Ik stel dus voor dat mensen deze termen googelen en kijken wat hen interesseert. Hier is een lijst van enkele blogs die mensen interessant kunnen vinden (met een voorkeur voor computervisie, omdat dat mijn expertisegebied is): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.
Eggers: Dit hangt af van hoe je leert en waar je je op wilt richten. Voorbeelden: Kritisch is leren hoe je tech producten ontwikkelt – mijn go to boek hiervoor is Marty Cagan’s Inspired. Ik raad ook de AI-conferentie van O’Reilly aan vanwege de grote hoeveelheid materiaal over techniek, onderzoek, bedrijfsleven, ethiek, enz. Je kunt toegang krijgen tot het materiaal van de conferentie via hun leerplatform. Als je meer aan de R&D-kant van AI wilt zitten, heb je bronnen als arxiv om op de hoogte te blijven van het laatste onderzoek.
Bryson: Als ze specifieke vragen hebben, wijs ik ze meestal op bepaalde blogposts of papers. Het is zo gemakkelijk om onderzoek te doen nu iedereen toegang heeft tot Google Scholar. Zelfs als je tegen een paywall aanloopt, zul je waarschijnlijk ontdekken dat iemand de pdf online heeft gezet.
Als iemand eenmaal een baan heeft op het gebied van AI, wat zijn dan de vooruitzichten voor promotie?
Mallick: AI is een raket die opstijgt. Zelfs banen op instapniveau zijn waanzinnig lucratief en betalen twee keer of meer dan normale programmeerbanen. De reden is een enorme vraag naar AI-talent en niet genoeg mensen met de juiste expertise. Op de lange termijn zijn deze salarisniveaus misschien niet houdbaar, maar mensen die in de komende vijf jaar of zo op dit ruimteschip stappen, zullen een geweldige carrière hebben, zowel financieel als wat de kwaliteit van het werk betreft.
Eggers: AI is in mijn ogen niet anders dan andere geavanceerde technologie. Je hebt de mogelijkheid om van bedrijf naar bedrijf te gaan (wat goed en slecht kan zijn) omdat bedrijven altijd op zoek zijn naar mensen met ervaring. Je hebt de uitdaging dat je eigen bedrijf misschien trager vooruitgaat dan je zou willen. In feite is er een dunne lijn tussen leading edge en bleeding edge.
Hoe zal het AI-veld op korte en lange termijn veranderen?
Mallick: Met ons huidige niveau van begrip van AI kunnen we veel problemen in verschillende industrieën oplossen. Op korte termijn draait alles om gegevens. De organisaties die de meeste gegevens verzamelen, zullen altijd een enorm voordeel hebben ten opzichte van organisaties die dat niet doen. Je hebt geen team van toponderzoekers nodig om deze problemen op te lossen – we hebben alleen een grote hoeveelheid gegevens van hoge kwaliteit en goede ingenieurs nodig. Op de lange termijn hebben we echter elite-onderzoekers nodig voor technische doorbraken. Momenteel leren de meest succesvolle AI-algoritmen niet uit zichzelf. Ze worden door mensen aangeleerd door het moeizame proces van gegevens verzamelen en labelen. De volgende doorbraak op het gebied van AI zal plaatsvinden wanneer machines uit zichzelf leren door de wereld te observeren, net zoals mensen dat nu doen.
Eggers: Bedrijven worden nu serieuzer als het gaat om AI die resultaten oplevert in plaats van “tests”. De verandering op langere termijn in het veld zal de verbreding van het diafragma van AI zijn – een grotere diepte van het veld in het bedrijfsleven.