Рейтинг профессий в искусственном интеллекте и машинном обучении

Если вы планируете запуск проекта, связанного с искусственным интеллектом, первым шагом будет формирование хорошей команды. Вполне вероятно, что это является наиболее сложной частью процесса, поскольку трудно найти талантов, специализирующихся в области ИИ. По данным NYTimes, во всём мире насчитывается менее 10 000 квалифицированных специалистов в этой области, и из университетов ежегодно выходит всего лишь около сотни новых кандидатов, обладающих необходимыми навыками. Ещё более усложняющим фактором является множество описаний должностных обязанностей, а также титулы, роли, навыки и технологии, используемые в отрасли. Что означают все эти термины? И как они вписываются в вашу стратегию найма талантливых специалистов по ИИ? Сотрудники англоязычного вебсайта Forbes попытались дать ответы на эти вопросы.

Инженер машинного обучения

В центре любого проекта, связанного с машинным обучением, всегда находятся инженеры машинного обучения. Имея опыт и навыки в области анализа данных, прикладных исследований и программирования больших объёмов, они управляют ходом проекта машинного обучения и отвечают за инфраструктуру и конвейеры данных, необходимые для переноса написанного кода в продакшн. Как объясняет вице-президент eBay по инженерной части Джапджит Тулси, инженеры машинного обучения должны уметь «балансировать на линии между знанием математики и применением математики в программировании».

Специалисты по анализу данных (Data Scientists)

Поддержка инженеров машинного обучения возложена на плечи специалистов по научному анализу данных, которые обычно не создают новое программное обеспечение, а решают дискретные проблемы, используя существующие данные для проверки моделей. Они имеют докторские степени в области обработки данных или статистики, или же опыт в области компьютерных наук, математики и физики. По словам Грега Бенсона, профессора компьютерных наук и главного научного сотрудника в занимающейся разработкой ИИ компании SnapLogic, «люди, связанные с научным анализом данных, фокусируются на алгоритмах и аналитике; они не работают с программным обеспечением». В процессе разработки алгоритмов и методов анализа, учёные также выполняют важнейшие задачи по сбору, очистке и подготовке данных, что может являться наиболее трудоемкой частью их работы. Абхи Джа, директор по расширенной аналитике компании McKesson, признает, что «трудной работой является очистка данных, а выбор модели ‑ это просто».

Учёные-исследователи / специалисты по прикладным исследованиям

Учёные-исследователи часто работают с многообещающими примерами данных, которые не были охвачены учёными-специалистами по анализу данных или экспериментируют с новыми подходами, часть из которых происходит из академических или отраслевых исследовательских учреждений. Они в большей степени ориентированы на проведение научных исследований и мало интересуются промышленным применением их выводов. Связыванием этих двух областей в одно целое занимаются специалисты по прикладным исследованиям. Они имеют опыт как в области анализа данных, так и в компьютерных науках, поэтому являются бесценными членами любой команды, занимающейся ИИ. Как объясняет Джапджит Тулси: «Они могут одновременно участвовать в научной работе и писать код. Цена хорошего специалиста по прикладным исследованиям сопоставима с его весом в золоте».

Инженер по распределённым системам

Инженер по распределённым системам ‑ это вспомогательная должность, предназначенная для решения проблем, связанных с большими массивами данных и масштабированием распределённых систем. Фред Садагхиани, технический директор компании Sift Science, работающей в сфере машинного обучения, считает сложившуюся ситуацию критической. «Вам понадобятся люди, которые понимают, как организовать распределённую систему», ‑ говорит он. «Они невероятно важны как помощь в эксплуатации и производстве этих систем».

Построение команды для проекта, связанного с машинным обучением, является нелёгкой задачей. Хотя всё больше и больше компаний обращаются к решениям на основе Искусственного интеллекта, число опытных научных сотрудников и инженеров значительно отстаёт от спроса. Точный состав команды для любого ИИ-проекта варьируется в зависимости от характера и сроков осуществления этого проекта, однако исключительно важное значение имеет опыт в связанных областях, начиная от фундаментальных исследований и анализа данных до больших объёмов программирования и производства. «Есть старая поговорка», ‑ говорит Тулси. ‑ «Она гласит, что невозможно хлопать одной рукой. В этом случае вам нужно хлопать всеми тремя руками одновременно».