Karriär inom artificiell intelligens: En titt på karriärvägen för AI-proffs

Artificiell intelligens är en central del av den pågående tekniska revolutionen, och den blir hela tiden smartare. AI är drivkraften bakom datorseende, talanalys och behandling av naturligt språk och påverkar industrin och samhället på många olika sätt – och kommer att fortsätta att göra det långt in i framtiden.

Det är därför ingen överraskning att AI-området är fullt av karriärmöjligheter – faktiskt så många att sektorn nu står inför en unik utmaning: Det finns för många jobb och för få kvalificerade kandidater. På den positiva sidan innebär det att den erbjuder praktiskt taget garanterad (och välbetald) anställning för dem som har det som krävs.

Hur kommer man in i artificiell intelligens och hur ser en karriärväg inom artificiell intelligens ut? Vi bad några av fältets främsta experter att dela med sig av insikter från sin resa för att hjälpa till att visa vägen. Bland dem finns Satya Mallick, grundare av Big Vision LLC och tillfällig vd för OpenCV.org, Jana Eggers, vd för Nara Logistics och Joanna Bryson, biträdande professor i datavetenskap vid University of Bath i England.

Hur kom du in på AI-området?

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

Jag snubblade över datorsyn (en gren av AI) när jag studerade vid Indian Institute of Technology, Kharagpur (Indien) omkring 1999-2000. Jag såg en av mina äldre elever göra ett robotikprojekt där han använde kameror för att hjälpa robotarna att ”se”. Jag tyckte att idén var så fascinerande att jag bestämde mig för att ansöka om doktorsexamen inom datorseende och maskininlärning efter min grundutbildning.

Jana Eggers
CEO, Nara Logics

Jag forskade om ledningsförmåga i plast vid Los Alamos National Laboratory i början av 90-talet, och neurala nätverk och genetiska algoritmer var verktyg som jag använde i en del av mitt arbete. När jag lämnade forskningen och gick in i näringslivet hamnade jag på ett nystartat företag som sysslade med expertsystem för logistik. Därefter gick jag till en av de ursprungliga sökmotorerna, Lycos. Så i princip, eftersom jag alltid höll på med avancerad teknik, var någon form av artificiell intelligens vanligtvis det rätta verktyget för det jobb jag arbetade med.

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

Min första examen var i icke-klinisk psykologi från University of Chicago. Och jag var också bra på att programmera, så jag arbetade på avdelningen för datavetenskap där. Jag var intresserad av artificiell intelligens, men första gången någon lärde ut det var året efter min examen. Men de lät mig ändå ge handledning i det. Så jag tillbringade fem år i Chicago för att betala av mina skulder från grundutbildningen. Och det var precis under den period då vi såg att datorerna decentraliserades. Datorer började bli en sak, och vi började komma på att varje dator inte behöver veta allting. Jag hade bestämt mig för att jag aldrig ville bli en professionell programmerare, så jag gick tillbaka till forskarutbildningen i artificiell intelligens. Jag ville gå på MIT, men jag valde Edinburgh eftersom jag ville åka utomlands men inte kunde tala något språk. Jag hade tur i det läget, för det var det enda stället som 1991 skulle ha gett mig en masterexamen i artificiell intelligens. Därifrån fick jag reda på Rod Brooks och beteendebaserad AI – idén att istället för att försöka förstå allt, hade man specialiserade underdelar av en robot som förstod olika problem. Sedan bestämde några av oss att vi skulle försöka komma in på MIT och arbeta med Brooks.

Vad är omfattningen av ditt arbete inom AI?

Mallick: Jag arbetar med datorseende, förmodligen det viktigaste delområdet inom artificiell intelligens. Inom datorseende är vårt mål att få maskiner att förstå världen genom bild- och videoanalys. Jag driver ett konsultföretag för datorseende och maskininlärning som heter Big Vision LLC och en populär blogg som heter LearnOpenCV.com.

I mitt konsultföretag tar vi oss an en mängd olika datorseendeproblem som sträcker sig från att upptäcka parasiter i hästavföring till att identifiera modellen för avancerade modeväskor i bilder som användare laddat upp. Vårt största projekt gällde OCR och upptäckt av bedrägerier i ID-dokument. Dessutom har vi arbetat med säkerhetstillämpningar som omfattar intrångsdetektering, visionstillämpningar för krigföring i städer, sportanalyser och biomedicinsk utrustning. Jag är också tillfällig VD för OpenCV.org som upprätthåller det största biblioteket för datorseende i världen (OpenCV). Vi har just lanserat en Kickstarter-kampanj för tre AI-kurser. Den går mycket bra.

Eggers: Nara Logics tillhandahåller en AI-plattform för stora företag och den federala regeringen som fokuserar på beslutsstöd. Mycket av djupinlärningen fokuserar på perception – att känna igen bilder, förstå språk – vi fokuserar på nästa steg av beslut utifrån det som uppfattas. Vår plattform hjälper till att sammanföra perceptionsströmmarna från syn, språk, sensorer etc. för att stödja bättre beslut, från vad som ska visas för en kund (personalisering) till hur verksamheten ska prioriteras (beslutsstöd).

Bryson: Jag ville doktorera i psykologi, men hamnade på MIT. Så jag fokuserade på något som kallas system-AI, som i princip handlar om hur man kan göra det lättare att bygga AI. Det finns många som fokuserar på en magisk algoritm som slår alla andra algoritmer, men jag märkte att vi redan hade en hel del möjligheter och att det verkliga problemet var att sätta ihop dem – den tekniska sidan av det. Så det var det som jag fokuserade på. Och nu har det blivit en riktigt stor grej. Systemteknik är faktiskt en disciplin som gör saker och ting säkra, och den har funnits långt före AI.

Jag försöker också fortfarande förstå mänskligt samarbete och utvecklingen av kognition – när vi använder den och när vi inte gör det – så jag fokuserar mycket på att förstå de olika sätt på vilka människor samarbetar och hjälper varandra, och när de inte gör det. Vi arbetar just nu med en artikel om varför politisk polarisering är väl korrelerad med ojämlikhet i förmögenhet. Hur samverkar de tillsammans? Sedan har vi förstås AI-etik. Jag spenderar all min tid med att springa runt och göra politiskt arbete, så jag pratar bara med människor och försöker koppla ihop punkterna. Jag ser det som att jag bara tar det bästa jag har hört och samlar allt på ett ställe, men andra människor ser det som mycket innovativt.

Vad tycker du är mest givande med ditt arbete?

Mallick: En av de främsta inom vårt område, dr Andrew Ng, har jämfört artificiell intelligens med elektricitet. Den förändrar flera branscher, och det är enormt givande att vara en del av denna revolution. Vissa av de tillämpningar som vi har byggt tar bort slitsamma arbetsuppgifter, andra skyddar oss, och ytterligare andra inom det medicinska området förbättrar hälsan och räddar till och med liv. Som utövare av detta hantverk är det djupt tillfredsställande att se sitt arbete göra skillnad.

Den andra delen som ger mycket mening åt mitt liv är mitt arbete som lärare i online-kurser. På OpenCV.org har vi ett uppdrag att utbilda den globala arbetskraften i AI. Detta är ett framväxande område, och vi är helt medvetna om att AI kommer att leda till att många arbetstillfällen försvinner genom automatisering. Så det är vårt ansvar att hjälpa människor att uppgradera sina färdigheter och lära dem vad vi lär oss genom att utöva vårt hantverk.

Eggers:

Bryson: Jag vill att våra kunder ska kunna använda sina data för att se framåt i stället för att analysera bakåt: Det är bara intressant i sig självt, att förstå hur intelligens fungerar. Jag antar att det är min största inre belöning, även om jag också gillar att vara hjälpsam.

Vilka aspekter av ditt arbete är de mest utmanande?

Mallick: Utmaningar inom artificiell intelligens kommer i många olika former. För det första har vi tekniska utmaningar. Ibland har vi inte tillräckligt med data. Vid andra tillfällen finns det data, men de är extremt bullriga eller inte märkta på ett sätt som är lätt att använda. I några få fall underskattar människor kraftigt den irreducerbara osäkerheten i ett problem – att förutsäga val är ett sådant problemområde. För det andra har vi etiska utmaningar utan bra svar. Skulle du till exempel använda en artificiell intelligens som hjälper 99 procent av människorna, men som är starkt partisk mot en procent? Att ta bort bias från dina data är extremt utmanande.

Eggers: Avmystifiera AI för kunderna. De är både fascinerade och frustrerade av hypen och mystiken kring AI. Vårt fokus är att snabbt få våra kunder från proof of concept till produktion.

Bryson: Det är konstiga saker, som samordning. För allt är intressant och allt är utmanande och du vet aldrig när du kommer att ha en konversation som kommer att bidra till att göra en stor skillnad.

Vad är de mest avgörande första stegen för den som vill satsa på en AI-karriär?

Mallick: För att göra en teknisk karriär inom artificiell intelligens måste man först ha goda programmeringskunskaper. Programmeringsspråket Python har blivit standardvalet för AI-forskare och -ingenjörer. Även om det beroende på domänen kan det krävas kunskaper i C++. Om du redan är en bra programmerare är nästa steg att hitta en onlinekurs som kan lära dig grunderna och gradvis föra dig till mästerskap. Det finns flera bra alternativ som kurser från OpenCV.org, Coursera, Udacity och DeepLearning.ai.

Eggers: Förstå att tekniken är den enklaste delen av AI. Data och resultat är båda mer kritiska. Och de drivs båda av organisationen.

Bryson: Jag vill gärna ha en eftergymnasial utbildning, även om det bara är en magisterutbildning, för att få insikter från en annan disciplin. När jag gick i grundutbildningen var det troligare att folk när de tog examen gick in i de yrken som de hade haft på sommarjobb än i sina huvudämnen. Så när du letar efter ett jobb är det verkligen viktigt att du åtminstone tillför en del av de färdigheter som behövs och att du ger dem något. Men leta efter något som kommer att ta dig åtminstone en del av vägen dit du vill komma. Få händerna smutsiga genom att arbeta med programmering eller dataanalys eller något annat. Om du går på ett universitet finns det en miljard små jobb som du kan få bara för att få lite erfarenhet. Det är till stor hjälp.

Hur värdefull är eftergymnasial utbildning? Hur är det med examen?

Mallick: Det finns två stora fördelar med en högskoleutbildning. För det första ger den struktur åt inlärningsprocessen. Utan denna struktur på plats är det lätt att gå vilse i förvirring eller tappa motivationen. För det andra signalerar en avslutad collegeexamen en kompetensnivå på arbetsmarknaden. Med detta sagt bryr sig allt fler människor mer om den portfölj av arbete som du har utfört och mindre om ditt CV. När en student regelbundet släpper sin kod på GitHub ser vi med egna ögon vad de lär sig och hur duktiga de är. Om en del av deras arbete är unikt och kreativt skulle jag personligen inte bry mig om deras högskoleexamen.

Eggers: Som doktorand som hoppat av är mitt perspektiv att en doktorsexamen ger dig respekt – och det finns andra sätt att förtjäna den respekten. Så det beror verkligen på dig och vad du värdesätter. Du kan lyckas på båda sätten.

Bryson: Det är inte alla doktorsexamina som är värda att göra. Särskilt i Amerika just nu finns det många människor som kommer att sälja dig en examen som inte nödvändigtvis kommer att hjälpa dig. Att ta en examen nu handlar delvis om att få en utbildning och delvis om att ingå i en grupp människor som verkligen försöker förstå saker och ting, som jag gjorde på Edinburgh och MIT. Man brukade säga att en magisterexamen är det bästa man kan ha om man ska gå ut i industrin, men man vill ha en doktorsexamen om man ska arbeta i statliga laboratorier eller i de bästa industriella laboratorierna – eller om man själv vill bli akademiker.

Är vissa högskoleexamina bättre än andra?

Mallick: Absolut. En examen från Stanford i AI är värd mycket mer än många andra universitet eftersom du får arbeta med toppforskare som ligger i framkant av AI-forskningen. Valet av huvudämne gör också stor skillnad.

Eggers: AI behöver alla inblandade examina. Grundläggande teknisk förståelse är dock avgörande för att delta.

Bryson: Vi har fantastiska studenter som kommer för att avlägga vår masterexamen , och ofta var de som slutade med att vara bäst de som kom från en psykologibas. Så psykologi är en utmärkt examen. Matematik och fysik hjälper dig att komma in i maskininlärning, men de ger dig inte nödvändigtvis hela perspektivet på vad som händer. Att tänka på förändringens dynamik är verkligen viktigt för att förstå samhället. Jag är värdefull eftersom jag faktiskt bygger AI och förstår hur den fungerar, men jag förstår också hur samhället fungerar.

Vilka resurser – skriftliga eller andra – bör människor utnyttja för att få mer insikt om en karriär inom AI?

Mallick: Tyvärr är bra svar spridda på många olika sidor på Internet. Det finns tre stora tillämpningsområden inom AI: datorseende, talanalys och behandling av naturliga språk. Var och en av dem kräver en annan inlärningsväg. Så jag föreslår att folk googlar dessa termer och ser vad som intresserar dem. Här är en lista över några bloggar som folk kan tycka är intressanta (med inriktning på datorseende, eftersom det är mitt expertområde): LearnOpenCV.com; TowardsDataScience.com; MachineLearningMastery.com; PyImageSearch.com.

Eggers: Det beror på hur du lär dig och vad du vill fokusera på. Exempel: Det är viktigt att lära sig hur man utvecklar tekniska produkter – min favoritbok för detta är Marty Cagans Inspired. Jag rekommenderar också O’Reillys AI-konferens på grund av det omfattande materialet om teknik, forskning, affärsverksamhet, etik osv. Du kan få tillgång till konferensmaterialet via deras lärplattform. Om du vill vara mer på R&D-sidan av AI har du resurser som arxiv för att hålla dig uppdaterad om den senaste forskningen.

Bryson: Om de har specifika frågor brukar jag peka ut dem på särskilda blogginlägg eller artiklar. Det är så lätt att forska nu när alla har tillgång till Google Scholar. Även om du stöter på en betalvägg kommer du sannolikt att upptäcka att någon har lagt ut PDF-filen på nätet.

När någon får ett jobb inom artificiell intelligens, vad finns det då för möjligheter att avancera tidigt och i framtiden?

Mallick: AI är en raket som lyfter. Till och med jobb på nybörjarnivå är vansinnigt lukrativa och betalar två gånger eller mer jämfört med vanliga programmeringsjobb. Anledningen är en enorm efterfrågan på AI-talang och inte tillräckligt många människor med rätt expertis. På lång sikt är dessa lönenivåer kanske inte hållbara, men de som tar sig ombord på denna raket under de närmaste fem åren eller så kommer att få fantastiska karriärer, både ekonomiskt och när det gäller arbetets kvalitet.

Eggers: Jag ser inte AI som annorlunda än någon annan avancerad teknik. Du har en möjlighet att hoppa runt från företag till företag (vilket kan vara både bra och dåligt) eftersom företagen alltid letar efter personer med erfarenhet. Du har utmaningen att ditt eget företag kanske går långsammare framåt än du vill. I grund och botten finns det en fin linje mellan ledande teknik och blödande teknik.

Hur kommer AI-området att förändras på kort och lång sikt?

Mallick: Med vår nuvarande nivå av förståelse för AI kan vi lösa många problem inom flera branscher. På kort sikt handlar allt om data. De organisationer som samlar in mest data kommer alltid att ha en enorm fördel jämfört med dem som inte gör det. Man behöver inte ett team av elitforskare för att lösa dessa problem – vi behöver bara en stor mängd data av hög kvalitet och bra ingenjörer. På lång sikt behöver vi dock elitforskare för tekniska genombrott. För närvarande lär sig de mest framgångsrika AI-algoritmerna inte av sig själva. De lärs av människor genom den mödosamma processen att samla in och märka data. Nästa genombrott inom artificiell intelligens kommer att ske när maskinerna lär sig själva genom att observera världen, ungefär som människor gör i dag.

Eggers: Företag börjar nu bli mer seriösa när det gäller AI som levererar resultat i stället för ”tester”. Den långsiktiga förändringen på området kommer att vara att AI:s öppning vidgas – ett större djupgående i affärsverksamheten.