Machine Learning: как построить карьеру в IT

Согласно LinkedIn 2018 Emerging Jobs Report, в прошедшем году востребованность Machine Learning Engineers на рынке труда США возросла в 12 раз. Украина следует за мировыми трендами, а также активно развивает стартап-экосистему, поэтому те, кто занимается машинным обучением, востребованы на местном рынке. Кроме того, часто украинские специалисты работают с иностранными компаниями. CEO компании Verbit Том Ливне рассказывает, кто может найти работу в областях, связанных с машинным обучением, и как это сделать.

Работа специалистов по машинному обучению хорошо оплачивается и позволяет постоянно развиваться в профессии. Технологии machine learning действительно создают будущее и меняют мир. Поэтому все больше людей задумываются о том, чтобы построить карьеру в этой сфере.

Что такое машинное обучение? Раздел искусственного интеллекта, который занимается поиском алгоритмов решения задач программными методами. Причем именно тех задач, для которых такие алгоритмы неизвестны.

Специалисты по машинному обучению (в зависимости от направления их работы) создают алгоритмы принятия решений для компьютеров, находят закономерности в массивах данных, анализируют и визуализируют полученную информацию.

Почему ML-навыки востребованы? Интерес к ML-индустрии растет. По прогнозам International Data Corporation, к 2021 году расходы на AI- и ML-индустрию составят $57,6 млрд, тогда как в 2017 году равнялись $12 млрд.

Вся сфера machine learning развивается, специалисты, связанные с этой областью, могут быть нужны в разных компаниях, при этом важнім является не наличие диплома или сертификата, а реальные знания и умения, которые человек может применить на практике.

Компании и государственные структуры собирают огромное количество данных, но только сейчас технологии позволяют работать с этой информацией и получать выгоду для развития практически любой области. Кроме того, компьютеры сейчас работают очень быстро, а библиотеки достаточно просты, чтобы даже небольшая команда ML-специалистов могла провести результативное исследование.

Что нужно знать о концепции? Не торопитесь освежать знания или получать новые. Рекомендуем сначала разобраться, что должен понимать и уметь специалист по машинному обучению.

Понимание основ и навыки программирования (Python, R): что такое структуры данных и каковы их типы (деревья, стеки, графики, многомерные массивы); что такое алгоритмы поиска и сортировки, динамическое программирование, компьютерная архитектура; что такое оперирование базовыми понятиями вычислимости и сложности. Теоретические знания нужно уметь применять на практике.

Знание теории вероятности и статистики: как вычисляются и что отражают медиана, средняя и дисперсия; в чем суть теоремы Байеса; что такое доверительный интервал; виды распределений.

У специалистов высокого уровня должны быть компетенции в сфере обработки естественного языка и computer vision, а также опыт работы с bigdata-инструментами (Apache Spark, Hive, Hadoop, MapReduce, HDFS) и различными библиотеками Python и R.

Спектр специальностей, которые занимаются машинным обучением, не ограничивается ML-инженерами. В этот список также входят:

Data Scientists – специалисты в интерпретации данных, имеющие навыки программирования и математического моделирования. Они могут конструировать алгоритмы машинного обучения и новые модели данных, а также работать с ними.

Data Analysts, которые просеивают данные и стараются установить, о чем говорит информация, какие существуют числовые закономерности и какие решения можно принять на основе этих выводов. Также они визуализируют данные.

Data Engineers, чья основная задача – подготовка баз данных (включая сведение разрозненных источников данных в одну базу и унификация форматов).

С чего нужно начать? Прежде всего вам нужна теоретическая база, подкрепленная реальными примерами.

Лучший онлайн-курс по машинному обучению для новичков создал Эндрю Ын, эксперт в области ИИ, профессор Стэнфорда, кофаундер Coursera и кофаундер Google Brain. После этого советуем обратить внимание на специализацию по Deep Learning (глубинному обучению) того же автора. Книги тоже будут полезны. Например, «Глубокое обучение на Python» Франсуа Шолле и Think Stats: Probability and Statistics for Programmers. Обратите внимание: чтобы понимать содержание большинства книг и курсов, вам понадобится хороший английский (не ниже Intermediate).

Но, чтобы развить компетенции в области машинного обучения и найти работу, недостаточно проходить онлайн-курсы, посещать профессиональные конференции и читать статьи (хотя без этого не обойтись). Главное – практика. Поучаствуйте в соревновании на платформе Kaggle или попробуйте создать свой проект на основе данных в открытом доступе. Даже если никакого дальнейшего развития этот проект не получит, у вас будет кейс, о котором можно рассказать на собеседовании.

Чтобы не создавать проект в одиночку и поработать в команде, старайтесь влиться в комьюнити. Приходите на митапы и лекции, участвуйте в хакатонах (кстати, вот и кейс!), присоединяйтесь к сообществам на Facebook.

Как подготовиться к собеседованию? Собеседования в крупных технологических компаниях часто строятся по одной схеме, а маленькие стартапы также постепенно перенимают эту модель. Поэтому еще до job interview соискатель может примерно представить, к чему готовиться.

Наем обычно проходит в 3–4 этапа и включает собеседование с HR-специалистом, непосредственным руководителем и/или топ-менеджерами компании, а также выполнение тестового задания. В киевском офисе Verbit.ai, который сейчас в поиске ML-инженеров, с кандидатом общаются на 4 этапах. Сначала претендент на вакансию встречается с HR-рекрутером, потом проходит профессиональное интервью, затем общается с непосредственным руководителем, а на следующем этапе – с CTO или вице-президентом по технологиям.

Каковы этапы подготовки? Если это не tech-гигант, а стартап, вам нужно разобраться в том, какой продукт выпускает компания, а также прочесть доступную информацию о ней.

Сформулируйте несколько вопросов: как организована работа ML-команды, занимается ли она маркировкой данных самостоятельно, какая среда разработки используется.

Освежите свои знания в области, на которой специализируется компания. Будьте готовы решить небольшие задачи, связанные с обработкой и оценкой данных, например, определить класс проблем ML или построить модель. Наверняка вам зададут теоретические вопросы – о деревьях решений, хеш-таблицах или библиотеках. Подробный список вопросов и ответов есть в блоге Springboard.

Если у вас видеоинтервью, заранее убедитесь, что наушники, микрофон и камера работают и проводите звонок при стабильном интернете. Технические неполадки отвлекут и вас, и представителей компании.

Не стесняйтесь проявить себя. Помните, что на собеседовании вы продаете навыки компании и это тот случай, когда излишняя скромность может вам навредить. Но подробно рассказывайте о релевантном опыте – составьте список своих достижений и фейлов заранее, чтобы не растеряться, отвечая на вопрос об успешных кейсах или неудачах.

Стать специалистом по машинному обучению может и человек, который раньше не имел опыта в IT. Но тогда на подготовку уйдет гораздо больше времени. Получение новой специальности будет проблематично совмещать с работой.

Прежде чем приступать, взвесьте все плюсы и минусы для себя и составьте алгоритм действий. Будьте терпеливы – не ждите быстрых результатов. Верьте в свой успех и прикладывайте усилия для достижения целей. Со временем все получится.