Как построить карьеру в ИИ, не будучи математическим гением

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Разработчикам сегодня интересно не просто писать стандартные программы, а быть на «передовой» — получать специализацию в наиболее перспективных сферах. ИИ, нейронные сети, машинное обучение, big data и data science, без сомнения, очень интересные направления в программировании, и это все понимают. Но чтобы стать высококлассным дата-сайентистом, новичку придется освоить с нуля большой объем разносторонних знаний. А состоявшемуся специалисту иного профиля, например, фронтенд-разработчику, основательно «перековаться». Практика показывает, что решиться на это не всегда просто. Мешают три главных страха, с которыми сталкивается практически каждый, кто задумал строить карьеру в области ИИ.

Страх первый: я не смогу найти работу с достойной зарплатой

Этот вопрос особенно актуален для состоявшихся специалистов, которые довольны своим стабильным доходом. Им просто интересна область ИИ. Но для того, чтобы поменять карьерный вектор, нужно переучиться. Это потребует и время, и финансы. Возникает вопрос: «А смогу ли я найти работу с не меньшей (желательно, и большей) зарплатой?».

Проблема в том, что никто не сможет заранее ответить на этот вопрос: специалисты в области ИИ, машинного обучения и data science зарабатывают по-разному в зависимости от опыта, стажа, навыков, мастерства, уровня поставленных задач и конкретной компании.

По данным hh.ru, разброс составляет от 75 до 300 тыс. рублей. Для сравнения, средняя зарплата мобайл-разработчика — 114 тыс., программиста Python — 105 тыс., программиста iOS — 100 тыс. Зарплата новичка без опыта работы будет, конечно, немного ниже, чем в целом по отрасли. Но зато и перспективы дальнейшего роста шире.

Страх потерять доход тесно связан с боязнью не найти работу вообще. А это, в свою очередь, относится напрямую к мифу об ограниченности внедрения систем ИИ в экономике. Судя по информационному полю, создается впечатление, что ИИ в России использует только с десяток ведущих ИТ-компаний вроде «Яндекса», Mail.Ru Group, «МегаФона», МТС, «Билайна», Теле2, ABBYY и Сбербанка. Понятно, что требования к кандидатам там запредельны, туда очень сложно устроиться на работу.

ИТ-гиганты являются флагманами внедрения инноваций. На этом строятся их имидж и последовательная PR-поддержка. На самом деле возможности для трудоустройства гораздо шире. Элементы ИИ и data science сегодня используются повсеместно.

  • Банки. Несколько кредитных учреждений в России заявляют о себе как о высокотехнологичных структурах, говоря о внедрении нейронных сетей, сборе данных по социальным сетям и т.д. (Сбербанк, ВТБ, «Тинькофф банк», «Альфа-банк»). Это, опять же, часть их PR-работы с аудиторией. Причем внедрение ИИ позволяет зарабатывать миллиарды долларов. В реальности картина такова, что этим занимается в России каждый второй более-менее крупный банк, а в недалеком будущем будет каждый. Соответственно, в банковской сфере стабильно есть спрос на специалистов по обработке больших данных.

  • Промышленность. В последние годы идет бурное развитие нейронных сетей и машинного обучения в различных областях промышленности — например, в металлургической. В частности, речь идет о сотрудничестве Yandex Data Factory с Магнитогорским металлургическим комбинатом и другими предприятиями. Эта тема широкой публике не очень известна. Соответствующие статьи появляются только в специализированных изданиях. Хайп поднимается вокруг более очевидных «потребительских» вещей, вроде приложения Adobe Sensei. Но это не значит, что автоматизированный Photoshop — самое яркое достижение в области ИИ.
  • Склады. По всему миру склады переходят на практически полную автоматизацию с применением ИИ. Один из примеров — компания Symbotic, производящая автоматизированные склады, для обслуживания которых требуется всего восемь-девять человек в смену. Грузчики на этом складе заменены роботами с компьютерным зрением. Для таких объектов всегда будут требоваться операторы с соответствующей подготовкой. Подобный склад от другого производителя был недавно открыт в Подмосковье. Бизнес довольно осторожно относится к такого рода нововведениям. Компании наблюдают друг за другом и ждут, пока кто-то первый успешно внедрит инновацию. И уже тогда начнется лавинообразный процесс повсеместного применения. Именно это и ждет складское хозяйство в ближайшие пару лет.

  • Онлайн-ритейл. Множество игроков e-commerce имеют «вторую натуру». Например, Wildberries или Lamoda выглядят как фэшн-бизнес, но на самом деле это полноценные ИТ-компании с высокой степенью автоматизации и огромным объемом big data. Они нанимают аналитиков, умеющих предсказать, с какой вероятностью в тот или иной момент определенный человек купит какой-либо товар, и специалистов, быстро извлекающих информацию из баз данных. Поэтому онлайн-ритейл — большой рынок труда для специалистов в области ИИ, где они могут применять самый широкий спектр навыков.

Есть еще множество примеров различных ниш — это и торговые офлайн-сети, которым нужны алгоритмы поиска отзывов в интернете, и медицина, где ИИ уже анализирует снимки, и маркетинговые компании, где нужно обрабатывать массивы видеоданных. Во всех этих сферах реализуются задачи различной сложности. Новичку, только закончившему обучение, нужно начинать с более простых вещей: например, заниматься обработкой баз данных. Банки подходят идеально — они накапливают огромное количество информации, складывающейся из заявок, анкет, сведений о клиентах. Эти данные нуждаются в очистке, разработке приемлемых форм хранения и передачи. А затем в дата-майнинге — поиске признаков, на основе которых можно построить какую-то полезную модель. Неопытному специалисту такая работа может дать мощный старт. Чтобы набить руку, нужно от шести до 12 месяцев. После этого можно пробовать свои силы в более сложных задачах, например, применять алгоритмы ИИ на средних и больших данных.

Страх второй: я не смогу осилить высшую математику

Компетенции ИИ-программистов складываются из трех блоков: высшая математика, программирование и предметная сфера. Последнее зависит от профиля организации. Учиться специально в этой области, как правило, не обязательно. Достаточный для занимаемой должности уровень знаний (например, в маркетинге или финансах) кандидат получает в ходе испытательного срока.

С программированием все понятно — новички учатся охотно и с удовольствием. Для работающих профессионалов материал не представляет сложности: базовые знания уже есть, нужно только «добрать» недостающие навыки — языки, библиотеки, софт. А вот с высшей математикой все сложнее. В основном именно она отпугивает людей с дипломами гуманитариев или тех технарей, которые в вузе получили «психологическую травму» от бесконечной сдачи-пересдачи экзаменов по точным наукам.

Этот страх можно назвать беспочвенным. Специалист по ИИ вовсе не обязан быть математическим гением. В область компетенции входит лишь небольшая часть линейной алгебры, определенные сферы матанализа и теории вероятностей, а также статистика. Точно таким же образом происходит подготовка в программировании: отнюдь не тотальный объем знаний, а только его часть — в частности, языки Python, C, C++, язык запросов SQL и Linux.

Страх третий: я не смогу конкурировать с выпускниками физмата

Эта боязнь присуща тем, кто не имеет диплома о высшем образовании либо имеет его совершенно в другой области. Но практика показывает, что в сфере программирования никто не обращает внимания на какие-либо регалии. Людей с дипломами много, а вот компетентных специалистов — нет.

Есть два типа кандидатов, которые обычно заваливают собеседования на должность ИИ программиста.

  • Разработчики, у которых плохо с математикой. Кандидат может делать шикарные интерфейсы, но для работы с нейронными сетями и большими данными ему нужна математика. От этого никуда не деться. Такой специалист может освоить требуемый объем знаний в течение года. Например, на онлайн-курсах.
  • Математики или научные работники, профессиональные статистики, у которых недостаточно навыков в программировании. Они понимают алгоритмы ИИ, знают матанализ, теорию вероятностей и линейную алгебру, но не в состоянии выполнить тестовое задание средней сложности. Кандидат может иметь научную степень, но допускает грубейшие ошибки при написании кода. Таким специалистам нужно учиться год-полтора, чтобы закрыть пробелы в знаниях. Лучше это делать на продвинутых курсах, так как в вузах не дают достаточных навыков программирования и часто проводят обучение с использованием устаревших языков.

Таким образом, выпускники физмата и даже кандидаты наук не имеют никакого автоматического преимущества перед обычным разработчиком, будь он хоть трижды гуманитарий.

HR-специалисты самых топовых ИТ-гигантов сбиваются с ног в поисках таких эрудированных кандидатов со знанием английского языка. Если находят такого, то последнее, что они делают, это проверяют его диплом о высшем образовании. Рынок труда наводнен специалистами с однобокой подготовкой, а потому шиковать компаниям не приходится.

Три вещи, которые нужно сделать, чтобы построить успешную карьеру в сфере ИИ

  • Освоить адекватную программу, которая даст самые «свежие» навыки программирования и точную выборку знаний из высшей математики. Это можно сделать на очных или онлайн-курсах. Главное — убедиться, что выпускники таких курсов успешно устраиваются и работают. Можно учиться самостоятельно по заранее составленной программе. Но потребуется огромная сила воли и самодисциплина, а лучше — опытный наставник.
  • Пройти стажировку в срок до года. В компании, где можно отточить навыки и набить руку, работая с базами данных и занимаясь дата-майнингом.

  • Заниматься постоянным анализом отраслей экономики на предмет инноваций в сфере ИИ, а не просто слать резюме в «звездные» компании. Да, работать в Googlе — это круто. ИТ-гиганты занимаются наукой, решают фундаментальные проблемы. Однако нужно понимать, что каждый специалист в таких компаниях отвечает за узкий участок работы. Программист не будет сегодня писать код для автомобиля-беспилотника, а завтра придумывать новую криптовалюту. Он будет выполнять ограниченный набор функций. В этом смысле стартовые позиции в высокотехнологичной корпорации не отличаются от стартовых позиций в каком-нибудь банке или маркетинговом агентстве.

Источник: hightech.fm

Комментарии: