В Apteo все наше существование основано на наших прогностических моделях, которые действительно точно предсказывают вещи. Это страшное существование, по крайней мере, в начале. Я уже писал об этом раньше, но в отличие от более традиционных стартапов, основанных на технических продуктах, не связанных с ИИ, вы не можете просто сказать, что собираетесь создать что-то с помощью ИИ, и знать, что это можно сделать.

Слишком много неизвестных, самое большое из которых, по крайней мере для нас, зависит от наличия данных, обладающих предсказательной силой в отношении того, что нам небезразлично. Весь наш рабочий процесс основан на сочетании исследований, анализа, экспериментов и производства того, что работает.

И, как многие из вас знают, когда вы находитесь в стартапе, никто (по крайней мере, с технической стороны) не может позволить себе роскошь сосредоточиться на какой-то одной области. Каждый, кто занимается технической стороной нашей компании, является специалистом по данным, инженером по машинному обучению, инженером-программистом, аналитиком бизнес-аналитики, гуру devops и сценаристом.

Если честно, мне это как-то нравится. Каждый должен делать все, что создает среду, в которой каждый вынужден постоянно и последовательно учиться. И компании, которые постоянно учатся, постоянно растут и внедряют инновации. Чем больше у нас людей, которые постоянно учатся, тем быстрее мы сможем выйти на прибыльность и тем лучше мы будем выпускать хорошие продукты ИИ.

Однако, справедливости ради, это также чрезвычайно сделать. Как я уже писал ранее, большинство людей приходят на работу со знаниями либо в науке о данных, либо в инженерии.

Чистые специалисты по данным отлично умеют использовать быстрые сценарии или блокноты Jupyter для анализа наборов данных, которые помещаются в память, быстро повторять их, анализировать и моделировать распределения данных и быстро получать ценную информацию.

Инженеры-программисты отлично умеют писать поддерживаемый, организованный, чистый код, который можно использовать снова и снова.

Редко можно найти человека, который может делать и то, и другое.

Подход, который я использую для решения этой проблемы, заключается в том, чтобы помочь нашим сотрудникам и подрядчикам развиваться в той области, где они наименее компетентны, а также использовать их в тех областях, где они наиболее компетентны.

Здесь мы пытаемся использовать обучающий подход: во-первых, потому что нам нравится преподавать, во-вторых, потому что нам нужно развивать людей, и в-третьих, потому что технические специалисты любят учиться, и я думаю, что бросать им вызов дает им мотивацию оставаться с нами.

Я буду первым, кто скажет, что у нас есть способы улучшить наш процесс. Научить специалиста по данным понимать наследование классов и заставить инженера понять функции активации — непростая задача. Но мы обнаружили, что если люди готовы работать над пониманием и обучением, они в конечном итоге учатся.

И поскольку у нас есть люди, постоянно работающие над реальными проблемами, которые требуют от них реализации кода и более традиционной науки о данных, они находятся в среде, где им нужно быстро внедрять новые концепции, которые они усваивают.

Так что, может быть, однажды, когда мы станем немного крупнее и у нас будет больше возможностей для найма специалистов, мы сможем начать отличать наших инженеров по машинному обучению от наших аналитиков бизнес-аналитики от наших ученых-исследователей. Но, если быть честным, я бы предпочел иметь быстро обучающихся, голодных и мотивированных, прежде чем у меня будут специалисты, так что посмотрим, сколько времени пройдет, прежде чем мы станем специализироваться.

Наконец, если вы заинтересованы в сотрудничестве с нами, мы делаем кое-что интересное с финтехом и искусственным интеллектом. Напишите мне на [email protected].