Afbeelding door auteur

De uitgebreide ontwikkeling van kunstmatige intelligentie (AI) en machine learning (ML) dwong de arbeidsmarkt zich aan te passen. Het tijdperk van AI- en ML-generalisten is voorbij en we zijn het tijdperk van specialisten binnengegaan.

Zelfs voor de meer ervaren gebruiker kan het lastig zijn om er zijn weg in te vinden, laat staan ​​voor beginners.

Daarom heb ik deze kleine gids gemaakt waarin je inzicht krijgt in de verschillende AI- en ML-functies.

Wat zijn AI en ML?

AI is een vakgebied binnen de computerwetenschap dat zich richt op het creëren van computersystemen met een menselijke intelligentie.

ML is een subgebied van AI dat gebruikmaakt van algoritmen om modellen te bouwen en te implementeren die van gegevens kunnen leren en beslissingen kunnen nemen zonder dat er expliciete instructies worden geprogrammeerd.

Banen in AI & ML

De complexiteit van AI en ML en hun uiteenlopende doeleinden zorgen ervoor dat ze in verschillende beroepen op verschillende manieren worden toegepast.

Hier zijn de tien banen waar ik het over ga hebben.

Hoewel ze allemaal AI en ML vereisen, waarbij de vaardigheden en hulpmiddelen soms overlappen, vereist elke baan een specifiek aspect van AI- en ML-expertise.

Hieronder vindt u een overzicht van deze verschillen.

1. AI-ingenieur

Deze functie is gespecialiseerd in het ontwikkelen, implementeren, testen en onderhouden van AI-systemen.

Technische vaardigheden

De kernvaardigheden van een AI-engineer draaien om het bouwen van AI-modellen. Programmeertalen en ML-technieken zijn daarom essentieel.

Hulpmiddelen

De belangrijkste gebruikte hulpmiddelen zijn Python-bibliotheken, hulpmiddelen voor big data en databases.

• TensorFlow, PyTorch – het creëren van neurale netwerken en ML-toepassingen met behulp van dynamische grafieken En statische grafieken berekeningen
• Hadoop, Vonk – verwerken en analyseren grote gegevens
• scikit-leren, Keras – implementeren begeleid En ongeleide ML-algoritmen en het bouwen van modellen, waaronder DL-modellen
• SQL (bijv. PostgreSQL, MySQL, SQL-server, Orakel), NoSQL-databases zoals MongoDB (voor documentgerichte gegevensbijvoorbeeld, JSON-achtige documenten) en Cassandra (kolomfamilie datamodel uitstekend voor tijdreeksgegevens) – opslaan en beheren van gestructureerde en ongestructureerde gegevens

Projecten

De AI-engineers werken aan automatiseringsprojecten en AI-systemen zoals:

• Zelfrijdende voertuigen
• Virtuele assistenten
• Robots voor de gezondheidszorg
• Productielijnrobots
• Slimme thuissystemen

Soorten interviewvragen

De interviewvragen weerspiegelen de vereiste vaardigheden, dus u kunt de volgende onderwerpen verwachten:

2. ML-ingenieur

ML-engineers ontwikkelen, implementeren en onderhouden ML-modellen. Hun focus ligt op inzetten En tuningmodellen in productie.

Technische vaardigheden

De belangrijkste vaardigheden van ML-engineers, naast de gebruikelijke vaardigheden op het gebied van machinaal leren, zijn software-engineering en geavanceerde wiskunde.

Hulpmiddelen

De hulpmiddelen van ML-engineers zijn vergelijkbaar met die van AI-engineers.

Projecten

De kennis van ML-engineers wordt ingezet bij deze projecten:

Soorten interviewvragen

ML is de kern van elke ML-engineerfunctie en daarom ligt de focus van hun interviews hierop.

• ML-concepten – ML-fundamenten, bijvoorbeeld soorten machinaal leren, overfittingEn ondermaats
• ML-algoritmen
• Vragen over coderen
• Gegevensverwerking – basisprincipes van het voorbereiden van gegevens voor modellering
• Modelevaluatie – Modelevaluatietechnieken en -metriekeninclusief nauwkeurigheid, precisie, recall, F1-score en ROC-curve
• Probleemoplossende vragen

3. Datawetenschapper

Datawetenschappers verzamelen en schonen data op en voeren Exploratory Data Analysis (EDA) uit om deze beter te begrijpen. Ze maken statistische modellen, ML-algoritmenen visualisaties om patronen in gegevens te begrijpen en voorspellingen te doen.

In tegenstelling tot ML-engineers zijn datawetenschappers meer betrokken bij de beginfase van het ML-model. Ze richten zich op het ontdekken van datapatronen en het verkrijgen van inzichten daaruit.

Technische vaardigheden

De vaardigheden die datawetenschappers gebruiken, zijn gericht op het bieden van bruikbare inzichten.

Hulpmiddelen

• Tableau, Kracht BI – datavisualisatie
• TensorFlow, scikit-leren, Keras, PyTorch – ontwikkelen, trainen en implementeren van ML- en DL-modellen
• Jupyter-notitieboeken – interactieve codering, datavisualisatie, documentatie
• SQL- en NoSQL-databases – hetzelfde als ML-engineer
• Hadoop, Vonk – hetzelfde als ML-ingenieur
• panda’s, NumPy, SciPy – gegevensmanipulatie en numerieke berekeningen

Projecten

Datawetenschappers werken aan dezelfde projecten als ML-engineers, alleen dan in de fase vóór de implementatie.

Soorten interviewvragen

4. Data-ingenieur

Ze ontwikkelen en onderhouden dataverwerkingssystemen en bouwen datapijplijnen om de beschikbaarheid van data te garanderen. Machine learning is niet hun kerntaak. Ze werken echter samen met ML-engineers en datawetenschappers om de beschikbaarheid van data voor ML-modellen te garanderen, dus ze moeten de ML-fundamenten begrijpen. Soms integreren ze ook ML-algoritmen in datapijplijnen, bijvoorbeeld voor dataclassificatie of anomaliedetectie.

Technische vaardigheden

• Programmeertalen (Python, Schaal, Java, Bash) – gegevensmanipulatie, big data-verwerking, scripting, automatisering, bouwen gegevenspijpleidingenhet beheren van systeemprocessen en bestanden
• Gegevensopslag – geïntegreerde gegevensopslag
• ETL-processen (Extract, Transform, Load) – ETL-pijplijnen bouwen
• Big data-technologieën – gedistribueerde opslag, gegevensstreaminggeavanceerde analyses
• Databasebeheer – gegevensopslag, beveiliging en beschikbaarheid
• ML – voor ML-gestuurde datapijplijnen

Hulpmiddelen

Projecten

Data engineers werken aan projecten waarbij data beschikbaar wordt gemaakt voor andere rollen.

• ETL-pijplijnen bouwen
• Bouwsystemen voor datastreaming
• Hulp bij het implementeren van ML-modellen

Soorten interviewvragen

Data engineers moeten aantoonbare kennis hebben van data-architectuur en -infrastructuur.

5. AI-onderzoeker

Deze wetenschappers doen onderzoek waarbij de nadruk ligt op de ontwikkeling van nieuwe algoritmen en AI-principes.

Technische vaardigheden

• Programmeertalen (Python, R) – data-analyse, prototypen & AI-modellen implementeren
• Onderzoeksmethodologie – experimenteel ontwerphypotheseformulering en -testen, resultaatanalyse
• Geavanceerde ML – algoritmen ontwikkelen en perfectioneren
• NLP – het verbeteren van de mogelijkheden van NLP-systemen
• DL – verbetering van de mogelijkheden van DL-systemen

Hulpmiddelen

• TensorFlow, PyTorch – het ontwikkelen, trainen en implementeren van ML- en DL-modellen
• Jupyter-notitieboeken – interactieve codering, datavisualisatie en het documenteren van onderzoeksworkflows
• Latex – wetenschappelijk schrijven

Projecten

Ze werken aan het creëren en verbeteren van algoritmen die gebruikt worden in:

Soorten interviewvragen

De AI-onderzoekers moeten praktische kennis tonen En Zeer sterke theoretische AI ​​& ML-kennis.

• Theoretische grondslagen van AI & ML
• Praktische toepassing van AI
• ML-algoritmen – theorie en toepassing van verschillende ML-algoritmen
• Methodologische grondslagen

6. Business Intelligence-analist

BI-analisten analyseren data, onthullen bruikbare inzichten en presenteren deze aan belanghebbenden via datavisualisaties, rapporten en dashboards. AI in business intelligence wordt het meest gebruikt om dataverwerking te automatiseren, trends en patronen in data te identificeren en voorspellende analyses uit te voeren.

Technische vaardigheden

• Programmeertalen (Python) – gegevens opvragen, verwerken, analyseren, rapporteren, visualiseren
• Data-analyse – het bieden van bruikbare inzichten voor besluitvorming
• Bedrijfsanalyse – kansen identificeren en bedrijfsprocessen optimaliseren
• Datavisualisatie – inzichten visueel presenteren
• Machine learning – voorspellende analyses, detectie van anomalieën, verbeterde data-inzichten

Hulpmiddelen

Projecten

De projecten waaraan zij werken zijn gericht op analyse en rapportage:

• Analyse van verloop
• Verkoopanalyse
• Kostenanalyse
• Klantensegmentatie
• Procesverbetering, bijvoorbeeld voorraadbeheer

Soorten interviewvragen

Tijdens sollicitatiegesprekken met BI-analisten ligt de nadruk op vaardigheden op het gebied van coderen en data-analyse.

• Coderingsvragen
• Basisprincipes van data en databases
• Basisprincipes van data-analyse
• Probleemoplossende vragen

Conclusie

AI & ML zijn uitgebreide en voortdurend evoluerende velden. Naarmate ze evolueren, doen de banen die AI & ML-vaardigheden vereisen dat ook. Bijna elke dag zijn er nieuwe functiebeschrijvingen en specialisaties, wat de groeiende behoefte van bedrijven weerspiegelt om de mogelijkheden van AI en ML te benutten.

Ik heb zes banen besproken waarvan ik denk dat je ze het meest interessant zult vinden. Dit zijn echter niet de enige AI- en ML-banen. Er zijn er nog veel meer en ze blijven komen, dus probeer op de hoogte te blijven.

Nate Rosidi is een datawetenschapper en in productstrategie. Hij is ook een adjunct-professor die analytics doceert en is de oprichter van StrataScratch, een platform dat datawetenschappers helpt zich voor te bereiden op hun interviews met echte interviewvragen van topbedrijven. Nate schrijft over de laatste trends op de arbeidsmarkt, geeft interviewadvies, deelt data science-projecten en behandelt alles over SQL.