Автор (слева) с другими молодыми выпускниками Университета Святого Лаврентия. Фотография предоставлена ​​Центром карьеры Университета Святого Лаврентия.

После двух автомобилей, трех самолетов и 800 миль я наконец вернулся в свою альма-матер, университет Святого Лаврентия. Возвращение в кампус было ностальгическим; Сент-Лоуренс и все его преподаватели и сотрудники оказали огромное влияние на самые формирующие годы моей жизни.

Впервые после выпуска я буду выступать в кампусе в качестве спикера, а не студента. В начале недели я прочитал две гостевые лекции о роли финансовых учреждений в технологическом секторе и принял участие в карьерной панели для студентов бакалавриата.

На всех докладах и панелях самым частым вопросом, который мне задавали, был: Будучи не инженером-программистом/специалистом по данным, как вы получили работу в области искусственного интеллекта? Все сводится к любопытству и вашему желанию учиться (основные принципы культуры Infinia ML). Моя работа как менеджера по продукту в Infinia ML заключается в том, чтобы помогать клиентам интегрировать и внедрять решения машинного обучения в существующие рабочие процессы и программные приложения. Однако я не пишу код каждый день; Я выступаю в качестве переводчика между бизнес-лидерами, специалистами по данным и инженерами-программистами, помогая добиваться ощутимых бизнес-результатов с помощью людей и технологий. Быть директором по транспорту означает, что моя повседневная работа очень разнообразна. Однажды я мог бы изучать основы исследований в области машинного обучения; На следующий день я рисую схемы рабочих процессов для клиентов, которые хотят развернуть алгоритмы Infinia ML. Независимо от того, работаю ли я с техническими специалистами или владельцами бизнеса, ключ к общению между командами заключается в том, чтобы говорить на их языке и формулировать проблемы и решения так, чтобы каждая команда могла их понять.

По своей природе машинное обучение является высокотехнологичной темой. Проекты машинного обучения требуют усилий нескольких аналитически ориентированных команд, занимающихся наукой о данных, инженерией и DevOps (и это лишь некоторые из них). Трудно найти экспертов в этих областях; Звезды ИИ могут требовать большие зарплаты, подобные тем, которые получают профессиональные спортсмены. Хотя специалисты по данным и инженеры-программисты обычно затмевают всех (и не без оснований), у менее технических людей есть много возможностей оставить свой след в мире машинного обучения.

#1: Установление связей между контекстами

Как вы думаете, сколько стоит алгоритм машинного обучения? 10 000 долларов? 100 000 долларов? 1 миллион долларов?

Я утверждаю, что 0,01 доллара. Точнее, 0,01 доллара.

Взрывной рост машинного обучения подпитывается сообществом открытого исходного кода. Положительным моментом является то, что эксперты делают свои знания свободно доступными. Недостатком является то, что алгоритмы, как правило, коммерциализированы. Таким образом, задача состоит не (обязательно) в том, чтобы разработать лучший в мире алгоритм; это поиск лучшего в мире способа его использования.

В Infinia ML мы обнаружили, что наши самые успешные проекты связывают технические таланты с отраслевыми экспертами. Практики отрасли привносят свои знания в предметной области, необходимые для обеспечения долгосрочной ценности; Специалисты по обработке и анализу данных и инженеры-программисты используют достижения в области технологий, чтобы воплотить идеи в реальность. Будущее машинного обучения лежит на плечах тех, кто находит возможности улучшить жизнь и создать ценность с помощью технологий. Принятие изменений и установление новых связей между технологиями, отраслями и людьми — ключ к успеху.

# 2: Навыки общения и презентации

Перевод концепций высокотехнологичных алгоритмов на «кухонный английский» — само по себе талант. Вам не нужно выводить алгоритмы или писать код, но вам нужно знать, какие вопросы задавать, а также плюсы и минусы решений, принимаемых специалистами по данным и инженерами-программистами.

По мере того, как машинное обучение поглощает технологический ландшафт, «технические переводчики» будут становиться все более важными. Нам понадобятся люди, чтобы преодолеть разрыв между высшим руководством, менеджерами и техническими командами. Машинное обучение — это не волшебство; как и любые другие инвестиции, бизнес-лидеры должны оценивать альтернативные издержки и соответствующим образом оптимизировать их. Это трудно сделать без общего понимания между бизнес- и технологическими командами.

№ 3: Эмпатия и лидерство

Лидерство в эпоху искусственного интеллекта можно резюмировать дядей Беном из «Человека-паука»: «С большой силой приходит большая ответственность». По мере того, как алгоритмы обретают большую автономию и принимают решения от имени правительств и корпораций, нам потребуются люди, которые будут привлекать к ответственности тех, кто управляет и внедряет алгоритмы, за их действия. Нам понадобятся лидеры, которые ценят этику, безопасность данных и благополучие тех, кого затрагивают решения, принимаемые искусственным интеллектом. Самое главное, нам понадобятся руководители и сотрудники, которые не боятся высказываться в случае предвзятости или несправедливости.

Например, давайте рассмотрим алгоритм, который одобряет или отклоняет заявки на ипотеку. Для обучения этого типа алгоритма банки используют исторические данные о кредитах и ​​профилях заявителей, чтобы делать прогнозы кредитоспособности будущих заявителей. Если заявителям исторически отказывали в кредитах по предвзятым причинам, то данные будут отражать это неравенство. Если специалисты по данным не будут осторожны, модель, которая учится на этих данных, также будет отражать предвзятость. Руководители должны активно снижать этот тип риска на протяжении всего цикла разработки машинного обучения, чтобы избежать негативных последствий для общества и общего риска.

— -

Покидая университетский городок, я размышлял о своем опыте студента факультета гуманитарных наук. Хотя я не научился писать код или составлять финансовые отчеты, я научился «учиться» и адаптироваться к технологическим изменениям. Было удивительно видеть поколение студентов, которые с энтузиазмом смотрят в будущее и увлечены честным лидерством. Какой бы ни была их специализация, они будут формировать будущее машинного обучения и не только.