Kariera w sztucznej inteligencji: A Look Into the Career Path of AI Professionals

Sztuczna inteligencja ma kluczowe znaczenie dla trwającej rewolucji technologicznej i cały czas staje się coraz mądrzejsza. Będąc siłą napędową wizji komputerowej, analizy mowy i przetwarzania języka naturalnego, sztuczna inteligencja wywiera wpływ na przemysł i społeczeństwo na wiele sposobów – i będzie to robić jeszcze długo w przyszłości.

Nie dziwi więc, że dziedzina AI obfituje w możliwości rozwoju kariery – w rzeczywistości jest ich tak wiele, że sektor ten stoi obecnie przed wyjątkowym wyzwaniem: jest zbyt wiele miejsc pracy i zbyt mało wykwalifikowanych kandydatów. Z drugiej strony oznacza to, że oferuje on praktycznie gwarantowane (i dobrze płatne) zatrudnienie dla tych, którzy mają odpowiednie kwalifikacje.

Jak więc dostać się do AI i jak wygląda ścieżka kariery w dziedzinie sztucznej inteligencji? Poprosiliśmy kilku najlepszych ekspertów w tej dziedzinie o podzielenie się spostrzeżeniami ze swojej podróży, aby pomóc w wytyczeniu drogi. Są wśród nich Satya Mallick, założyciel Big Vision LLC i tymczasowy dyrektor generalny OpenCV.org; Jana Eggers, dyrektor generalny Nara Logistics; oraz Joanna Bryson, profesor nadzwyczajny informatyki na Uniwersytecie w Bath w Anglii.

Jak trafiłeś do dziedziny AI?

Satya Mallick
Założyciel, Big Vision LLC/ tymczasowy dyrektor generalny, OpenCV.org

Natknąłem się na widzenie komputerowe (gałąź AI) jako student w Indian Institute of Technology, Kharagpur (Indie) około 1999-2000 roku. Widziałem, jak jeden z moich starszych kolegów robił projekt robotyczny, w którym używał kamer, aby pomóc robotom „widzieć”. Pomysł wydał mi się tak fascynujący, że postanowiłem ubiegać się o przyjęcie na studia doktoranckie z wizji komputerowej i uczenia maszynowego po ukończeniu studiów.

Jana Eggers
CEO, Nara Logics

Badałam przewodnictwo w tworzywach sztucznych w Narodowym Laboratorium Los Alamos we wczesnych latach 90-tych, a sieci neuronowe i algorytmy genetyczne były narzędziami, których używałam w niektórych z moich prac. Kiedy porzuciłem badania i zająłem się biznesem, wylądowałem w startupie zajmującym się systemami eksperckimi dla logistyki. Potem przeszedłem do jednej z pierwszych wyszukiwarek internetowych, Lycos. Więc w zasadzie, ponieważ zawsze byłem w najnowocześniejszych technologiach, jakaś forma AI była zazwyczaj właściwym narzędziem do pracy, nad którą pracowałem.

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

Mój pierwszy stopień naukowy to psychologia niekliniczna na Uniwersytecie w Chicago. Byłem też dobry w programowaniu, więc pracowałem tam na wydziale informatyki. Interesowałem się AI, ale po raz pierwszy ktoś uczył tego w rok po moim ukończeniu studiów. Ale i tak pozwolili mi udzielać korepetycji. Potem spędziłem pięć lat w Chicago, spłacając dług za studia. Było to w okresie, gdy widzieliśmy decentralizację obliczeń. Komputery PC zaczynały się upowszechniać i dochodziliśmy do wniosku, że nie każdy komputer musi wiedzieć wszystko. Postanowiłem, że nigdy nie chcę być zawodowym programistą, więc wróciłem do szkoły dla absolwentów w kierunku sztucznej inteligencji. Chciałem iść na MIT, ale wybrałem Edynburg, bo chciałem wyjechać za granicę, ale nie znałem języków. Miałem wtedy szczęście, bo w 1991 roku było to jedyne miejsce, które dałoby mi tytuł magistra w dziedzinie sztucznej inteligencji. Stamtąd dowiedziałem się o Rodzie Brooksie i AI opartej na zachowaniu – idei, że zamiast próbować zrozumieć wszystko, trzeba mieć wyspecjalizowane podczęści robota, które rozumieją różne problemy. I wtedy kilku z nas zdecydowało, że spróbujemy dostać się na MIT i pracować z Brooksem.

Jaki jest zakres twojej pracy w AI?

Mallick: Pracuję w dziedzinie wizji komputerowej, prawdopodobnie najważniejszej subdziedzinie AI. W wizji komputerowej naszym celem jest sprawienie, by maszyny nadawały sens światu poprzez analizę obrazów i wideo. Prowadzę firmę konsultingową zajmującą się wizją komputerową i uczeniem maszynowym o nazwie Big Vision LLC oraz popularny blog LearnOpenCV.com.

W mojej firmie konsultingowej zajmujemy się różnymi problemami związanymi z widzeniem komputerowym, od wykrywania pasożytów w końskich odchodach po identyfikację modeli wysokiej klasy torebek na zdjęciach przesłanych przez użytkowników. Nasz największy projekt dotyczył OCR i wykrywania oszustw w dokumentach tożsamości. Ponadto, pracowaliśmy nad aplikacjami bezpieczeństwa związanymi z wykrywaniem włamań, aplikacjami wizyjnymi dla miejskich działań wojennych, analityką sportową i urządzeniami biomedycznymi. Jestem również tymczasowym dyrektorem generalnym OpenCV.org, która utrzymuje największą bibliotekę wizji komputerowej na świecie (OpenCV). Właśnie uruchomiliśmy kampanię na Kickstarterze na trzy kursy AI. Radzi sobie bardzo dobrze.

Eggers: Nara Logics dostarcza platformę AI dla dużych przedsiębiorstw i rządu federalnego, która skupia się na wsparciu decyzyjnym. Duża część głębokiego uczenia się skupia się na percepcji – rozpoznawaniu obrazów, rozumieniu języka – my skupiamy się na decyzjach podejmowanych na kolejnym etapie na podstawie tego, co jest postrzegane. Nasza platforma pomaga połączyć strumienie percepcji wizji, języka, czujników, itp. w celu wspierania lepszych decyzji, od tego, co pokazać klientowi (personalizacja) do tego, jak nadać priorytety operacjom (wsparcie decyzyjne).

Bryson: Na mój doktorat chciałam zająć się psychologią, ale wylądowałam na MIT. Skupiłam się więc na czymś, co nazywa się Systems AI, czyli na tym, jak ułatwić budowanie AI. Wiele osób skupia się na jednym magicznym algorytmie, który pokona inne algorytmy, ale ja zauważyłem, że mamy już wiele możliwości i że prawdziwym problemem jest połączenie ich w całość – inżynierska strona tego. Więc na tym się skupiłem. A teraz stało się to naprawdę dużą sprawą. Inżynieria systemów jest właściwie dyscypliną, która czyni rzeczy bezpiecznymi, sięgającą daleko wstecz przed AI.

Wciąż próbuję też zrozumieć ludzką współpracę i ewolucję poznania – kiedy go używamy, a kiedy nie – więc skupiam się bardzo na zrozumieniu różnych sytuacji, w których ludzie współpracują i pomagają sobie nawzajem, a kiedy nie. Pracujemy teraz nad artykułem o tym, dlaczego polaryzacja polityczna jest dobrze skorelowana z nierównościami majątkowymi. Jak one na siebie oddziałują? Następnie, oczywiście, jest etyka AI. Spędzam cały swój czas, biegając i pracując nad polityką, więc po prostu rozmawiam z ludźmi i próbuję połączyć kropki. Myślę o tym, że po prostu biorę najlepsze rzeczy, które słyszałem i umieszczam je w jednym miejscu, ale inni ludzie widzą to jako bardzo innowacyjne.

Co jest dla Pana najbardziej satysfakcjonujące w Pana pracy?

Mallick: Jeden z luminarzy w naszej dziedzinie, dr Andrew Ng, porównał AI do elektryczności. Przekształca ona wiele branż, a bycie częścią tej rewolucji jest niezwykle satysfakcjonujące. Niektóre z aplikacji, które zbudowaliśmy, eliminują nudę z typowych zadań, inne zapewniają nam bezpieczeństwo, a jeszcze inne w dziedzinie medycyny poprawiają stan zdrowia, a nawet ratują życie. Dla praktyka tego rzemiosła jest to ogromna satysfakcja widzieć, jak twoja praca zmienia świat na lepsze.

Inną częścią, która nadaje wiele znaczenia mojemu życiu, jest moja praca jako nauczyciela kursów online. W OpenCV.org, jesteśmy na misji szkolenia globalnej siły roboczej w AI. Jest to wschodząca dziedzina i jesteśmy całkowicie świadomi, że AI spowoduje utratę wielu miejsc pracy poprzez automatyzację. Dlatego naszym obowiązkiem jest pomaganie ludziom w podnoszeniu ich umiejętności i uczenie ich tego, czego sami nauczyliśmy się poprzez praktykę naszego rzemiosła.

Eggers: Umożliwienie naszym klientom korzystania z ich danych, aby widzieć do przodu kontra analizować do tyłu.

Bryson: To jest po prostu wewnętrznie interesujące, zrozumienie, jak działa inteligencja. To chyba moja największa wewnętrzna nagroda, choć lubię też być pomocna.

Jakie aspekty Twojej pracy stanowią największe wyzwanie?

Mallick: Wyzwania w AI pojawiają się w wielu różnych formach. Po pierwsze, mamy do czynienia z wyzwaniami technicznymi. Czasami nie mamy wystarczającej ilości danych. Innym razem dane są dostępne, ale są bardzo zaszumione lub nie są oznakowane w sposób, który może być łatwo wykorzystany. W kilku przypadkach ludzie znacznie niedoceniają nieredukowalnej niepewności problemu – przewidywanie wyborów jest jedną z takich dziedzin. Po drugie, mamy do czynienia z wyzwaniami etycznymi, na które nie ma dobrych odpowiedzi. Na przykład, czy użylibyście SI, która pomaga 99 procentom ludzi, ale jest silnie stronnicza w stosunku do jednego procenta? Usuwanie stronniczości z danych jest niezwykle trudne.

Eggers: Demistyfikacja AI dla klientów. Są oni zarówno zaintrygowani, jak i sfrustrowani szumem i mistyką wokół AI. Skupiamy się na szybkim przeprowadzeniu naszych klientów z proof of concept do produkcji.

Bryson: To dziwne rzeczy, na przykład koordynacja. Ponieważ wszystko jest interesujące i wszystko jest wyzwaniem i nigdy nie wiesz, kiedy będziesz miał rozmowę, która pomoże zrobić wielką różnicę.

Jakie są najbardziej kluczowe pierwsze kroki dla tych, którzy chcą kontynuować karierę w AI?

Mallick: Aby zrobić karierę techniczną w AI, najpierw trzeba mieć dobre umiejętności programistyczne. Język programowania Python stał się domyślnym wyborem dla badaczy i inżynierów AI. Chociaż w zależności od dziedziny, znajomość C++ może być wymagana. Jeśli jesteś już dobrym programistą, następnym krokiem jest znalezienie kursu online, który nauczy Cię podstaw i stopniowo doprowadzi Cię do mistrzostwa. Istnieje kilka dobrych wyborów, takich jak kursy OpenCV.org, Coursera, Udacity i DeepLearning.ai.

Eggers: Zrozumienie, że technika jest najłatwiejszą częścią AI. Bardziej krytyczne są dane i wyniki. A oba te elementy są napędzane przez organizację.

Bryson: Dokształcanie się po studiach, nawet jeśli to tylko studia magisterskie, aby uzyskać wgląd z innej dyscypliny. Kiedy byłam na studiach, ludzie po ich ukończeniu częściej wybierali karierę, którą realizowali w ramach pracy wakacyjnej, niż na swoich kierunkach. Więc kiedy szukasz pracy, to jest naprawdę ważne, że przynieść w przynajmniej niektóre z potrzeb umiejętności i że dajesz im coś. Ale szukaj tego, co zabierze cię przynajmniej część drogi do miejsca, w którym chcesz iść. Pobrudzić sobie ręce, wykonując dowolną ilość pracy w programowaniu lub analityce danych lub cokolwiek innego. Jeśli jesteś na uniwersytecie, jest miliard małych miejsc pracy, które możesz dostać, abyś miał jakieś doświadczenie. To bardzo pomaga.

Jak cenne jest wykształcenie policealne? Co z dyplomami ukończenia studiów?

Mallick: Istnieją dwie ogromne korzyści z wykształcenia wyższego. Po pierwsze, nadaje ono strukturę procesowi uczenia się. Bez tej struktury łatwo jest pogubić się w chaosie lub stracić motywację. Po drugie, ukończenie studiów wyższych sygnalizuje poziom kompetencji na rynku pracy. Jednak coraz częściej ludzie zwracają większą uwagę na portfolio wykonanych prac, a mniej na CV. Kiedy student regularnie publikuje swój kod na GitHubie, widzimy z pierwszej ręki, czego się uczy i jak dobry jest. Jeśli niektóre z ich prac są unikalne i kreatywne, osobiście nie dbałbym o ich stopień naukowy.

Eggers: Jako PhD drop-out, moja perspektywa jest taka, że dyplom ukończenia studiów przyznaje ci szacunek – i są inne sposoby zarabiania tego szacunku. Więc to naprawdę zależy od ciebie i tego, co cenisz. Możesz odnieść sukces w obie strony.

Bryson: Nie każdy doktorat jest warty zrobienia. Szczególnie teraz w Ameryce jest wielu ludzi, którzy sprzedadzą ci stopień naukowy, który niekoniecznie ci pomoże. Uzyskanie stopnia naukowego jest teraz częściowo związane z uzyskaniem wykształcenia, a częściowo z byciem w kohorcie ludzi, którzy naprawdę próbują zrozumieć rzeczy, tak jak ja byłem w Edynburgu i MIT. Zwykło się mówić, że stopień magistra jest najlepszą rzeczą do posiadania, jeśli zamierzasz wyjść do przemysłu, ale chcesz doktorat, jeśli zamierzasz pracować w laboratoriach rządowych lub górnej szuflady laboratoriów przemysłowych – lub jeśli chcesz być akademickim siebie.

Czy niektóre stopnie naukowe są lepsze od innych?

Mallick: Absolutnie. Dyplom ukończenia Stanforda w zakresie AI jest wart dużo więcej niż wiele innych uczelni, ponieważ można pracować z najlepszymi naukowcami, którzy są w czołówce badań nad AI. Wybór kierunku studiów również robi ogromną różnicę.

Eggers: AI potrzebuje wszystkich zaangażowanych stopni naukowych. Jednak podstawowe zrozumienie technologii jest niezbędne do uczestnictwa.

Bryson: Mamy wspaniałych studentów przychodzących zrobić nasz stopień magistra , i często ci, którzy zwijali się być najlepsi byli tymi przychodzącymi z bazy psychologii. Więc psychologia to świetny stopień. Matematyka i fizyka pomogą ci dostać się do uczenia maszynowego, ale niekoniecznie dają ci całą perspektywę na to, co się dzieje. Myślenie o dynamice zmian jest naprawdę ważne dla zrozumienia społeczeństwa. Jestem wartościowy, ponieważ faktycznie buduję AI i rozumiem, jak to działa, ale rozumiem również, jak działa społeczeństwo.

Jakie zasoby – pisane lub inne – powinny ludzie stukać, aby uzyskać więcej informacji na temat kariery w AI?

Mallick: Niestety, dobre odpowiedzi są rozproszone na wielu różnych stronach w Internecie. Istnieją trzy duże obszary zastosowań AI: wizja komputerowa, analiza mowy i przetwarzanie języka naturalnego. Każdy z nich wymaga innej ścieżki nauki. Sugerowałbym więc, aby ludzie wygooglowali te terminy i zobaczyli, co ich interesuje. Oto lista niektórych blogów, które ludzie mogą uznać za interesujące (tendencyjnie w kierunku wizji komputerowej, ponieważ jest to mój obszar specjalizacji): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.

Eggers: To zależy od tego, jak się uczysz i na czym chcesz się skupić. Przykłady: Krytyczne jest uczenie się, jak rozwijać produkty technologiczne – moją go to book for this is Marty Cagan’s Inspired. Polecam również konferencję O’Reilly’s AI ze względu na ogrom materiałów obejmujących technologię, badania, biznes, etykę itp. Możesz uzyskać dostęp do materiałów konferencyjnych za pośrednictwem ich platformy edukacyjnej. Jeśli chcesz być bardziej po stronie R&D AI, masz zasoby takie jak arxiv, aby nadążyć za najnowszymi badaniami.

Bryson: Jeśli mają konkretne pytania, zwykle wskazuję im konkretne posty na blogu lub dokumenty. Prowadzenie badań jest teraz tak łatwe, że każdy ma dostęp do Google Scholar. Nawet jeśli trafisz na płatną zaporę, prawdopodobnie dowiesz się, że ktoś umieścił PDF online.

Gdy ktoś dostanie pracę w AI, jakie są perspektywy awansu na wczesnym etapie i w dół linii?

Mallick: AI to statek rakietowy, który startuje. Nawet stanowiska na poziomie podstawowym są szalenie lukratywne, płacąc dwa razy lub więcej w porównaniu do zwykłych stanowisk programistycznych. Powodem jest ogromne zapotrzebowanie na talenty AI i brak wystarczającej liczby osób z odpowiednim doświadczeniem. W dłuższej perspektywie, te poziomy wynagrodzeń mogą nie być trwałe, ale ludzie, którzy dostaną się na ten statek rakietowy w ciągu najbliższych pięciu lat lub tak będzie miał niesamowite kariery finansowo, jak również pod względem jakości pracy.

Eggers: Nie postrzegam AI jako różniącej się od każdej innej wiodącej technologii. Masz możliwość przeskakiwania z firmy do firmy (co może być dobre i złe), ponieważ firmy zawsze szukają ludzi z doświadczeniem. Masz wyzwanie, że twoja własna firma może być wolniejsza, aby przejść do przodu, niż chcesz. Zasadniczo istnieje cienka linia między wiodącą krawędzią a krwawiącą krawędzią.

Jak zmieni się pole AI w perspektywie krótko- i długoterminowej?

Mallick: Przy naszym obecnym poziomie zrozumienia AI, możemy rozwiązać wiele problemów w kilku branżach. W krótkim okresie gra toczy się o dane. Organizacje, które pozyskają najwięcej danych, zawsze będą miały ogromną przewagę nad tymi, które ich nie pozyskają. Do rozwiązania tych problemów nie potrzeba zespołu elitarnych naukowców – potrzebujemy jedynie dużej ilości wysokiej jakości danych i dobrych inżynierów. W dłuższej perspektywie potrzebujemy jednak elitarnych naukowców, aby dokonywać przełomów technicznych. Obecnie najbardziej skuteczne algorytmy sztucznej inteligencji nie uczą się same z siebie. Są one uczone przez ludzi poprzez żmudny proces zbierania i oznaczania danych. Następny przełom w AI nastąpi, gdy maszyny będą uczyć się same, obserwując świat, tak jak robią to dziś ludzie.

Eggers: Firmy coraz poważniej podchodzą teraz do AI dostarczającego wyniki versus „testy”. Długoterminową zmianą w tej dziedzinie będzie poszerzenie przysłony AI – większa głębia pola do biznesu.

.