Come rimanere rilevanti come ingegnere di machine learning nel 2021
Il mio piano e la mia strategia. Sentiti libero di prendere in prestito
Il settore del machine learning si muove alla velocità dell’innovazione. Gli sviluppi e i progressi quotidiani spingono ulteriormente la frontiera del ML e dell’IA.
In qualità di ingegnere esperto di machine learning, può essere difficile tenere il passo con il ritmo degli sviluppi che si verificano nel settore. Trovo che l’ autocompiacimento, anche per un breve periodo, possa farti tornare indietro di mesi o anni dietro la frontiera del ML .
Questo articolo descrive alcuni dei th e passi sto prendendo nel 2021 per rimanere rilevanti per il settore in termini di esperienza e conoscenza del dominio generale. La maggior parte dei passaggi sono un’estensione di strategie critiche che hanno funzionato molto bene per me nel 2020.
Sentiti libero di utilizzare o apportare modifiche ad alcune delle strategie presentate in questo articolo. E se hai piani e strategie che hanno funzionato per te nei tuoi sforzi per rimanere rilevanti nel settore del ML, condividi nella sezione dei commenti.
Avere una routine di apprendimento coerente
Il successo non è sempre questione di grandezza. Si tratta di coerenza. Un duro lavoro costante porta al successo. La grandezza verrà
-
Una delle principali lezioni che ho imparato nel 2020 è che niente batte la costanza, non il talento e nemmeno la fortuna .
Scrivere oltre 150 articoli su Medium nel 2020 e pubblicare almeno 3 articoli AI / ML / DS a settimana nel corso dell’anno mi ha fatto capire che se rimani coerente, è possibile accumulare un’esperienza preziosa che produce risultati che non possono essere replicati per fortuna.
Negli articoli precedenti ho accennato ad alcuni dei motivi per cui scrivo su Medium e anche ai vantaggi realizzati come Machine Learning Practitioner. Attraverso la creazione di una normale routine di scrittura e apprendimento, sono stato in grado di fornire continuamente contenuti sulla piattaforma Medium.
Questo ci porta alla prima strategia che incorporerò nel 2021 per rimanere rilevante nel settore ML. Il mio piano per restare rilevante è trasferire la nozione di coerenza e regime al mio accumulo di conoscenze relative al ML.
In qualità di professionista del machine learning, ti imbatti in nuovi algoritmi, modelli e tecniche ogni giorno.
La maggior parte delle volte, per sfruttare questi nuovi algoritmi e tecniche, sei costretto a imparare come funzionano e funzionano. Quindi, potresti sostenere che i professionisti del ML stanno continuamente imparando. Tuttavia, nel 2021, lo sto facendo diventare un’abitudine.
Un metodo notevole che sto utilizzando per istruirmi e arricchire le mie conoscenze nell’apprendimento automatico è quello di stabilire un obiettivo misurabile.
L’obiettivo è leggere e comprendere almeno 30 documenti di ricerca sul deep learning nel 2021 .
Per me, questo significa leggere e comprendere il contenuto di un nuovo documento di ricerca ogni due settimane. Il mio approccio consiste nel dedicare almeno un’ora al giorno a un documento di ricerca. Non sono sicuro che leggere 30 articoli di ricerca sia considerato molto o meno, specialmente per qualcuno più interessato all’ingegneria dei modelli di apprendimento profondo rispetto allo studio o alla ricerca.
Quello di cui sono sicuro è che i documenti che intendo leggere sono incentrati su soluzioni di deep learning per attività di visione artificiale, come il rilevamento di oggetti, la stima della posa, la segmentazione semantica e altro ancora.
Rimanere pertinenti
In che modo la lettura di documenti di ricerca mi aiuterà a rimanere rilevante nel settore del ML?
Nel 2020 la maggior parte di noi si è trovata con più tempo a disposizione, in genere a causa delle misure di blocco imposte nelle principali città del mondo. Con il mio tempo, ho esplorato alcune delle prime principali reti neurali convoluzionali rilasciate da pionieri nel campo del deep learning.
La mia esplorazione di queste architetture CNN ha comportato la lettura di documenti di ricerca, la comprensione degli algoritmi e delle tecniche presentate e, in alcuni casi, l’implementazione delle architetture CNN utilizzando TensorFlow .
Alcune delle architetture che ho esplorato erano AlexNet, LeNet, GoogLeNet, PoseNet ecc. Il trasferimento dell’apprendimento all’interno del machine learning elimina la complessità legata all’implementazione, alla formazione e allo sviluppo di architetture CNN convenzionali.
Per ottenere una comprensione più approfondita delle architetture di rete di apprendimento profondo, è utile visitare documenti di ricerca originali e fare un tentativo di comprendere il ragionamento alla base delle tecniche.
Arrivare al punto di implementare algoritmi e architettura di rete da zero fornirà a qualsiasi professionista ML una comprensione più profonda del dominio del deep learning.
I professionisti del ML in grado di leggere documenti di ricerca ed estrarre le informazioni necessarie per sviluppare un algoritmo o un’architettura di rete neurale sono molto ricercati nel settore ML.
E questo non cambierà nel 2021.
Ottieni certificazioni
Il settore ML ha tonnellate di professionisti che sono passati con successo da altri domini non correlati a ruoli di machine learning e data science.
Nella maggior parte degli annunci di lavoro per posizioni di primo livello, il requisito per una qualifica relativa al ML da un istituto viene rimosso, a condizione che tu possa mostrare le competenze e le conoscenze pertinenti all’interno di strumenti, linguaggi di programmazione e domini problematici.
Ultimamente, almeno negli ultimi due anni, le certificazioni ML online sono state utilizzate come metodo per filtrare i pool di candidati per i lavori e anche come metodo di riconoscimento delle competenze all’interno di strumenti e applicazioni specifici.
Ho combattuto con l’idea di ottenere una certificazione negli strumenti e nelle biblioteche che utilizzo nel mio ruolo quotidiano. Ho già una laurea magistrale in machine learning, visione artificiale e robotica.
Tuttavia, c’è qualcosa che trovo intrigante ed eccitante nell’intraprendere una sfida e ottenere il riconoscimento per aver completato la sfida.
Quindi nel 2021 otterrò due certificazioni rilevanti per la mia professione di ingegnere di computer vision.
Il primo è il certificato per sviluppatori TensorFlow e il secondo è il certificato per ingegneri di Google Cloud ML .
Attualmente, TensorFlow è la mia libreria ML preferita. Utilizzo vari aspetti della libreria TensorFlow, principalmente per implementare e addestrare modelli di deep learning e incorporare modelli ML in dispositivi edge utilizzando la libreria TFlite .
Utilizzo anche la piattaforma AI di Google per i miei progetti di hobby. Quindi ottenere certificazioni all’interno di strumenti e librerie, che utilizzo quotidianamente sembra piuttosto logico.
Rimanere pertinenti
In che modo l’ottenimento delle certificazioni aiuta i professionisti del ML a rimanere rilevanti nel settore?
Le certificazioni fornite da aziende e organizzazioni che offrono gli strumenti convenzionali, le biblioteche e le risorse computazionali che noi come professionisti del machine learning utilizziamo, fungono da convalida delle tue capacità e competenze da un’autorità diretta e pertinente.
Quale modo migliore per dimostrare la tua esperienza in TensorFlow di un vero certificato che verifica la tua esperienza da TensorFlow. Lo stesso vale per Google e Amazon.
Di seguito sono riportati gli elenchi di certificazioni rilevanti per i professionisti del ML:
Certificato per sviluppatori TensorFlow
Certificato di Google Cloud ML Engineer
Specialità di machine learning certificata AWS
Google Cloud Professional Data Engineer
Google Cloud Associate Cloud Engineer
Certificato professionale per sviluppatori TensorFlow di DeepLearning.AI
Le certificazioni consentono ai professionisti di ML di rimanere rilevanti nel settore in quanto richiedono ai professionisti di ML di esplorare le ultime versioni di strumenti e librerie.
Alcuni professionisti di ML si sono laureati anni fa all’università; la loro conoscenza sull’implementazione di sistemi intelligenti utilizzando Prolog o qualche altro meccanismo potrebbe non essere rilevante e applicabile ai sistemi intelligenti odierni.
L’ottenimento di una certificazione è un modo sicuro per confermare che le tue attuali conoscenze e competenze sono in linea con il tempo presente e le aspettative del settore.
Alcune certificazioni non durano nemmeno per sempre. La certificazione TensorFlow scade dopo tre anni e ciò significa che i professionisti ML devono sostenere nuovamente esami e test per ottenere nuovamente i certificati.
Rilascia un prodotto digitale
Nel 2020 ho capito l’importanza di creare un’incarnazione della tua competenza ed esperienza all’interno di un settore.
Le forme di realizzazione che mostrano competenza sono articoli, ebook, libri fisici, podcast, corsi video e certificati. Da quando sono diventato un professionista del machine learning, ho esplorato solo una delle forme di incarnazione della competenza, ovvero scrivere articoli su Medium.
Il mio viaggio fino ad ora, l’esperienza e le conoscenze sono tradotte in articoli di Medium da cui altre persone all’interno della comunità ML / Data Science possono imparare.
Uno dei miei risultati più significativi del 2020 è stato il mio ruolo di revisore tecnico per il libro: The Computer Vision Workshop .
Lavorare con autori ed editori su questo libro mi ha permesso di comprendere l’importanza di creare un’incarnazione granulare e dettagliata di competenza e conoscenza del dominio.
Nel 2021 lavorerò alla pubblicazione di un ebook incentrato sull’implementazione di reti neurali convoluzionali di deep learning utilizzando TensorFlow 2.0.
Immagine per post
Foto di freestocks.org da Pexels
Questo ebook sarà un’altra forma digitale dell’accumulo della mia competenza, conoscenza ed esperienza fino ad ora.
Lavorare su questo ebook mi richiederà di rivisitare i fondamenti delle architetture e degli algoritmi di cui desidero scrivere. In sostanza, tornerò alle basi del deep learning.
Rimanere pertinenti
In che modo scrivere un e-book aiuta i professionisti del machine learning a rimanere rilevanti nel settore del machine learning?
L’apprendimento automatico è un campo ampio che racchiude alcuni dei principali approcci e tecniche che risolvono i tipici problemi quotidiani e contribuiscono a un campo più ampio, ovvero l’intelligenza artificiale.
Scrivere un ebook sul deep learning ti consente di rivisitare le basi e i fondamenti di domini, algoritmi e tecniche. Solo scrivendo articoli tecnici su Medium, sono dovuto tornare a documenti di ricerca che hanno introdotto metodi e idee critiche.
La composizione di un contenuto di lunga durata come un e-book richiederà un notevole impegno di ricerca, principalmente se intendo insegnare ed educare persone con poca o nessuna conoscenza dell’apprendimento automatico.
Condurre tale ricerca può migliorare la conoscenza della maggior parte dei professionisti del machine learning all’interno di domini particolari. E molto probabilmente ti renderà un esperto in materia. Gli ebook ben scritti e informativi tendono a stabilire l’autorità di dominio per l’autore.
Ma non devi scrivere un ebook per realizzare nessuno dei vantaggi che ho menzionato in questa sezione. Perché non iniziare scrivendo articoli brevi di media e poi passare ad articoli di forma più lunga.
Progetti
Se c’è un aspetto del mio percorso di apprendimento e carriera che si è dimostrato un investimento proficuo in termini di tempo e costi, sarà la creazione e il completamento di progetti personali.
Fin dalla mia laurea in Ingegneria del software, ho sempre avuto un progetto a cui stavo lavorando nel tempo libero. Ogni progetto ha risolto un punto dolente nella mia vita.
Che si tratti di costruire una piattaforma in grado di presentare il miglior club in cui andare il venerdì sera sulla base della mia playlist di Spotify o di costruire una replica di Airbnb per i dormitori universitari.
L’intraprendere progetti personali mi ha spinto ad altezze che i tipici studi accademici non possono. Uno dei miei principali progetti personali del 2020 è un’applicazione per smartwatch che ho creato per monitorare i movimenti delle mani. Per saperne di più qui .
Nel 2021 lavorerò a progetti più personali, che riguardano ancora i punti deboli delle mie attività quotidiane .
Uno dei progetti che intraprenderò è la creazione di un personal trainer di fitness virtuale in grado di rispondere a domande relative alla salute e al fitness.
Principalmente, sto intraprendendo questo progetto come metodo per colmare le lacune di competenze all’interno del mio set di competenze sulla modellazione del linguaggio e sulle tecniche di PNL. Probabilmente sono in ritardo per l’hype dei chatbot, ma sono sempre incuriosito dalle capacità di modelli di linguaggio su larga scala come BERT e GPT-3.
Il pensiero di comprendere il funzionamento interno di questi modelli linguistici e il metodo con cui possono essere addestrati e sfruttati per applicazioni nella vita reale mi entusiasma come appassionato di intelligenza artificiale e professionista di ML.
Rimanere pertinenti
In che modo lavorare a un progetto personale aiuta i professionisti del machine learning a rimanere pertinenti?
L’apprendimento automatico è un meccanismo tecnologico abilitato tramite una varietà di strumenti e manifestato in diverse forme di applicazione.
Ciò significa che esistono diversi metodi non vincolati con cui è possibile sviluppare applicazioni ML. Questi metodi coinvolgono diversi paradigmi di programmazione, linguaggi, strumenti e librerie.
La realizzazione di progetti personali è un metodo collaudato per espandere il proprio set di competenze fino a comprendere alcuni dei vari linguaggi e strumenti che consentono lo sviluppo di applicazioni ML.
Ad esempio, in qualità di ingegnere professionista della visione artificiale, utilizzo TensorFlow, Python e i linguaggi di programmazione Swift per completare le mie attività quotidiane di ML.
Ma per stare al passo con il settore e mantenere la pertinenza, esploro l’implementazione di modelli di deep learning utilizzando PyTorch e imparo altri linguaggi di programmazione come Java / Kotlin.
Per molti, i progetti personali riempiono il vuoto di esperienza e competenza tra gli studi e un ruolo di machine learning.
Un professionista di ML rilevante è uno che è dotato di un set di competenze versatile e robusto. I modelli ML possono esistere su dispositivi di grandi dimensioni, microcontrollori e cloud. Pertanto, i professionisti di ML devono avere l’esperienza e le competenze necessarie per implementare e fornire funzionalità di ML su varie piattaforme.
Conclusione
I piani e le strategie documentati in questo articolo potrebbero funzionare molto bene per me, ma non c’è alcuna garanzia che funzioneranno anche per te.
Supponiamo che tu sia un professionista di ML che sta leggendo questo articolo, ti esorto a prendere alcuni punti e azioni chiave da questo articolo e creare una serie di strategie che si applicano a te in termini di obiettivi, disponibilità e capacità.
Di seguito è riportato un riepilogo delle azioni che intraprenderò nel 2021 per rimanere rilevante nel settore del ML.
Leggi e comprendi almeno 30 articoli di ricerca sul deep learning nel 2021.
Ottieni il certificato per sviluppatori TensorFlow e il certificato per ingegneri di Google Cloud ML .
Completa un progetto personale che prevede l’utilizzo di modelli linguistici e tecniche di PNL.
Rilascia un e-book incentrato sull’implementazione di reti neurali convoluzionali di deep learning utilizzando TensorFlow 2.0.
Usa la sezione dei commenti per condividere i tuoi piani e le strategie che utilizzerai per rimanere rilevante nel settore del ML nel 2021 e oltre, sono sicuro che io e gli altri possiamo imparare da te.
- Richmond Alake da https://richmondalake.medium.com/
