Что ищут в работе
специалисты по машинному обучению?
Сфера искусственного интеллекта и машинного обучения растет с колоссальной скоростью. Что имеет большое значение, как для IT-специалистов, так и для компаний, которые находятся в поиске инженеров.
Работа, которую делают инженеры машинного обучения, не только интересна, но и невероятно сложна, поэтому неудивительно, что компании тратят большое количество времени на ее выполнение. Сама сфера очень технична и требует продуманной смеси системного дизайна, математики, статистики, инженерных и доменных знаний. Роль искусственного интеллекта может сильно различаться в зависимости от компании и ее потребностей - они могут разрабатывать новые модели, применять существующие модели для новых доменов или применять модели в уже заранее успешных проектах.
Вот несколько аспектов того, что ищут машинные инженеры при работе на новых рабочих местах и как это может помочь вам определиться с кандидатом на позицию.
Трудно найти сферу деятельности, которая не смогла бы выиграть от успехов в машинном обучении. Такие продукты как распознавание речи, обнаружение интернет-мошенничества, анализ генома и искусственный интеллект, - это все, над чем работают инженеры по компьютерному обучению. Matic Horvat, руководитель Data Science в Cytora, рассказывает о том, насколько это важно для его компании: «Компания, с которой я работаю сейчас, пересматривает способ количественного определения и оценки риска в страховой отрасли. Я должен сделать максимально все, чтобы достичь желаемого результата, что нахожу очень полезным для себя ».
Специалисты по компьютерному обучению ждут выраженного лидерства в технической команде
Машинное обучение уже отошло от того, чем занимаются крупные компании-разработчики программного обеспечения, работая лишь над тем, что любая компания может использовать результаты работы для решения практических проблем в своей отрасли. Однако не все компании нацелены на удовлетворение потребностей других компаний.
Инженеры по машиностроению хотят работать в компании, которая не только понимает концепцию, но и ценит ее.
Бен Ленгерих, стажер по компьютерному обучению, говорит: «Руководители команд должны понимать механизм обучение (знать, что возможно, а что нет) и обладать знаниями для определения проблем, которые могут возникнуть. Кроме того, у компании должна быть сильная команда инженеров для работы над машинным обучением ».
Совет для поиска инженера по машинному обучению
Единственный совет, который мы слышим постоянно, заключался в том, что компании должны как можно чаще проводить свои исследования, чтобы определить, какую роль должен выполнять будущий сотрудник. Многие компании считают, что им нужен один тип разработчиков, но затем, проведя несколько собеседований, они понимают, что им нужен совсем другой специалист.
Peadar Coyle, инженер по компьютерному обучению из Лондона, говорит: «Я считаю, что для рекрутеров и компаний очень важно знать, какого специалиста они хотят видеть в своей команде. Действительно ли они хотят, чтобы инженер по информационным технологиям работал над построением масштабируемых систем с использованием таких технологий, как Spark, или ученый по машинному обучению работал над проблемами исследований на долгосрочной перспективе. Слишком много людей с одинаковым названием (например, Data Scientist), но с очень разными навыками ».
Работа, которую делают инженеры машинного обучения, не только интересна, но и невероятно сложна, поэтому неудивительно, что компании тратят большое количество времени на ее выполнение. Сама сфера очень технична и требует продуманной смеси системного дизайна, математики, статистики, инженерных и доменных знаний. Роль искусственного интеллекта может сильно различаться в зависимости от компании и ее потребностей - они могут разрабатывать новые модели, применять существующие модели для новых доменов или применять модели в уже заранее успешных проектах.
Вот несколько аспектов того, что ищут машинные инженеры при работе на новых рабочих местах и как это может помочь вам определиться с кандидатом на позицию.
Трудно найти сферу деятельности, которая не смогла бы выиграть от успехов в машинном обучении. Такие продукты как распознавание речи, обнаружение интернет-мошенничества, анализ генома и искусственный интеллект, - это все, над чем работают инженеры по компьютерному обучению. Matic Horvat, руководитель Data Science в Cytora, рассказывает о том, насколько это важно для его компании: «Компания, с которой я работаю сейчас, пересматривает способ количественного определения и оценки риска в страховой отрасли. Я должен сделать максимально все, чтобы достичь желаемого результата, что нахожу очень полезным для себя ».
Специалисты по компьютерному обучению ждут выраженного лидерства в технической команде
Машинное обучение уже отошло от того, чем занимаются крупные компании-разработчики программного обеспечения, работая лишь над тем, что любая компания может использовать результаты работы для решения практических проблем в своей отрасли. Однако не все компании нацелены на удовлетворение потребностей других компаний.
Инженеры по машиностроению хотят работать в компании, которая не только понимает концепцию, но и ценит ее.
Бен Ленгерих, стажер по компьютерному обучению, говорит: «Руководители команд должны понимать механизм обучение (знать, что возможно, а что нет) и обладать знаниями для определения проблем, которые могут возникнуть. Кроме того, у компании должна быть сильная команда инженеров для работы над машинным обучением ».
Совет для поиска инженера по машинному обучению
Единственный совет, который мы слышим постоянно, заключался в том, что компании должны как можно чаще проводить свои исследования, чтобы определить, какую роль должен выполнять будущий сотрудник. Многие компании считают, что им нужен один тип разработчиков, но затем, проведя несколько собеседований, они понимают, что им нужен совсем другой специалист.
Peadar Coyle, инженер по компьютерному обучению из Лондона, говорит: «Я считаю, что для рекрутеров и компаний очень важно знать, какого специалиста они хотят видеть в своей команде. Действительно ли они хотят, чтобы инженер по информационным технологиям работал над построением масштабируемых систем с использованием таких технологий, как Spark, или ученый по машинному обучению работал над проблемами исследований на долгосрочной перспективе. Слишком много людей с одинаковым названием (например, Data Scientist), но с очень разными навыками ».