एआई और डेटा साइंस विशेषज्ञों को कैसे जल्दी से ढूंढना और खोना नहीं है

अन्ना पेरोवा के सहयोग से

परिचय

हर दिन, मानव जाति विशाल मात्रा में डेटा का निर्माण, उपयोग और भंडारण करती है। हर लेख, ब्लॉग या इंस्टाग्राम पोस्ट, हर तरह और वास्तव में संचार का हर तथ्य डेटा है, जब संसाधित किया जाता है, मूल्यवान हो जाता है, लाभ कमाता है और जो इसके मालिक हैं और इसके बारे में चेतावनी देते हैं कि प्रासंगिक जानकारी कैसे निकालना है।

डेटा विश्लेषण और मौजूदा अभिलेखागार की उपयोगिता की जागरूकता की बढ़ती क्षमताओं के साथ, डेटा साइंस, मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस (एआई) में विशेषज्ञों की आवश्यकता भी डेटा के साथ काम करने और इसके आधार पर उपयोगी मॉडल बनाने, साथ ही साथ स्वयं-प्रसंस्करण डेटा सिस्टम और उन्हें मजबूर करने में सक्षम है। काम करना।

जो लोग इस क्षेत्र में टीमों की भर्ती कर रहे हैं उन्हें नए भर्ती तरीकों के बारे में सोचने की आवश्यकता क्यों है?

जैसा कि टेकक्रंच ने 2015 में वापस लिखा , मैकिंसे के अनुसार , जो कि, वास्तव में, सच्चाई से बहुत दूर नहीं थे, 2018 तक इस क्षेत्र में 490,000 विशेषज्ञों की आवश्यकता होगी।

यदि आप लिंक्डइन डेटा पर भरोसा करते हैं - 236 मिलियन प्रोफाइल में से, लगभग 11,400-19,400 डेटा साइंटिस्ट प्रोफाइल हैं।

पहले से ही, एअर हायरिंग में अमेज़ॅन का औसत वार्षिक निवेश $ 227.8 मिलियन है , जबकि एआई हायरिंग में Google का प्रमुख प्रतियोगी निवेश $ 130.1 मिलियन है । अग्रणी कंपनियों के कृत्रिम बुद्धिमत्ता के क्षेत्र में विशेषज्ञ $ 100,000 से $ 500,000 प्रति वर्ष प्राप्त करते हैं। इसका प्रमाण द न्यू यॉर्क टाइम्स द्वारा किए गए एक सर्वेक्षण से पता चलता है, जो सिद्धांत रूप में, समय-समय पर dice.com, Monster.com, या लिंक्डइन से जाँच की जाती है।

क्षेत्र नया और चलन में है। युवा विशेषज्ञों की मात्रा और गुणवत्ता पूरी दुनिया में और रूस में भी उनके लिए उच्चतम मांग को पूरा नहीं करती है - यहां स्थिति केवल वेतन के क्रम में और अब तक डेटा विज्ञान और एआई के क्षेत्र में खुली रिक्तियों की संख्या में भिन्न है।

Hh.ru के विश्लेषण के अनुसार, मशीन लर्निंग, डीप लर्निंग, डेटा साइंस के क्षेत्र में खुली रिक्तियों की संख्या: 1000 से अधिक है। आवश्यक अनुभव वाले प्रशिक्षित विशेषज्ञों की संख्या 300 से अधिक नहीं है। एआई, डेटा साइंस के इस क्षेत्र में कम से कम न्यूनतम अनुभव वाले उम्मीदवार के लिए उपयुक्त नहीं हैं। ये स्थिति लगभग 3 हजार हैं। और यह अपने आप में खोज और भर्ती के लिए एक समस्या है:

• एक ओर, वास्तव में कुछ मूल्यवान विशेषज्ञ हैं;
• दूसरी ओर, ऐसे कई उम्मीदवार हैं, जो अभी विचाराधीन क्षेत्र में अपना रास्ता शुरू कर रहे हैं, जिनके प्रशिक्षण में (भर्ती के मामले में) उन्हें निवेश करना होगा।

यह सब एक अत्यधिक गरम श्रम बाजार की ओर जाता है, और जब इस क्षेत्र में काम करते हैं, तो कई कारकों को ध्यान में रखना चाहिए:

• प्रतिभाओं (वेतन और शर्तों) के लिए उच्चतम प्रतियोगिता - उम्मीदवारों की तुलना में अधिक रिक्तियों हैं, लेकिन उम्मीदवारों के लिए आवश्यकताएं अधिक हैं; अनुमानित आंकड़े: डेटा विज्ञान और ऐ में 3+ साल के अनुभव के साथ एक उम्मीदवार के लिए 10-15 नौकरी के ऑफर;
• कंपनियों को वेतन, अनुसूची, अतिरिक्त अवसरों के संदर्भ में अधिक लचीला होने के लिए मजबूर किया जाता है, सामान्य तौर पर, लचीले घंटे, अंशकालिक को प्राथमिकता दी जाती है, सबसे अच्छा दृष्टिकोण और समाधान खोजने के लिए रचनात्मक होने के लिए स्वतंत्रता की आवश्यकता;
• उम्मीदवार परियोजनाओं और कार्यों में रुचि रखता है डेटा साइंटिस्ट - अक्सर एक निश्चित व्यक्तित्व प्रकार होता है: विश्लेषणात्मक मानसिकता, बौद्धिक और व्यावसायिक विकास के लिए प्रेरणा, अनुसंधान के लिए तरस, कार्यों की एक किस्म, जिज्ञासा और जगह में कुछ व्यक्तिवाद और परिणामों को पहचानने में सटीकता है;
• कंपनी को फिर भी एक मजबूत टीम की जरूरत है, जो समय पर परिणाम देने में सक्षम हो, जिसमें किसी से सीखने के लिए है, और जिसके साथ अनुसंधान परियोजनाएं बनाने के लिए;
• संसाधनों और क्षमता, अच्छे उपकरण, GPU की जरूरत है।

इस क्षेत्र में प्रतिभा के लिए उच्च प्रतिस्पर्धा के कारण, कई चयन प्रश्न उठते हैं, जिनमें से मुख्य हैं:

• एआई और डेटा विज्ञान विशेषज्ञों को कहां ढूंढना है?
• कैसे पहचानें? उम्मीदवारों के एक छोटे से सर्कल से सबसे अच्छा या सबसे होनहार (जो जल्दी और लाभप्रद रूप से प्रशिक्षण से गुजरेंगे) कैसे चुनें? हेडहंटर के लिए चयन मानदंड क्या होना चाहिए?
• कैसे न हारें? AI और डेटा साइंस पेशेवरों को कैसे बनाए रखें?

1. कहाँ मिलें?

मानक और प्रसिद्ध स्रोतों के अलावा, मैं AI और डेटा साइंस को काम पर रखने के अपने व्यक्तिगत अनुभव के मामले में सबसे अधिक उत्पादक विशेषज्ञों का ध्यान आकर्षित करना चाहूंगा।

• सुस्त, डेटा साइंस चैनल खोलें। यह संसाधन नियोक्ताओं के लिए नहीं है और मुख्य रूप से डेटा साइंस के क्षेत्र में इंजीनियरों और विशेषज्ञों के बीच संचार के लिए अभिप्रेत है।
  आपको क्या करने की आवश्यकता है: ओपन डेटा साइंस समुदाय में स्लैक पर अपना विज्ञापन पोस्ट करें। अपने सहयोगियों, डीएस विशेषज्ञों या डेटा इंजीनियरों से ऐसा करने के लिए बेहतर है, ऐसा करने के लिए वेतन और विकास के अवसरों के स्तर को छिपाए बिना। आकर्षक कार्यों और परियोजनाओं, प्रौद्योगिकियों का उपयोग करने पर जोर दें।

  
  

• कागल प्रतियोगिता।
  आपको क्या करने की आवश्यकता है: कागज़ प्रतियोगिताओं में शीर्ष - 50-100 का चयन करें। पहले 20 आम तौर पर आनंद के लिए समस्याओं का समाधान करते हैं, बड़ी कंपनियों में काम करने का आनंद लेते हैं और नौकरियों की खोज नहीं करते हैं। पहले 20 के बाद, आप DataScience और AI में उच्च क्षमता वाले संभावित उम्मीदवारों का चयन कर सकते हैं, उनसे संपर्क कर सकते हैं, एक बैठक और एक परियोजना की पेशकश कर सकते हैं। मना करने के मामले में, आपकी कंपनी के रेफरल प्रोग्राम का उपयोग करके सिफारिशों का अनुरोध करना संभव है (आप पीएम से कागल का उपयोग करके शिकार के बारे में विस्तार से सवाल पूछ सकते हैं, या, यदि आप रुचि रखते हैं, तो हम अलग सामग्री तैयार करेंगे)।

  
  
• एच सूचकांक। Hirsch index, बल्कि उम्मीदवारों के मूल्यांकन / खोज के लिए एक तरीका है, जो AI, ML / DL, कंप्यूटर विज़न, डेटा साइंस विशेषज्ञों की खोज करते समय उपयोग करना बेहतर होता है। यह मानदंड यह मूल्यांकन करना संभव बनाता है कि वैज्ञानिकों और प्रोफेसरों में से कौन सा बेहतर उद्धृत किया गया है और जो बदतर है और उन लोगों को ढूंढता है जो वांछित पेशेवर क्षेत्र में विशेषज्ञ हैं और युवा विशेषज्ञों के लिए एक गुरु बन सकते हैं। आपको क्या करने की आवश्यकता है: हिर्श सूचकांक पर खुले डेटा का उपयोग करके डेटा विज्ञान और एआई विशेषज्ञों की तलाश करें। उन विषयों में रुचि लें जो आपकी आवश्यकताओं के अनुरूप हों। विभिन्न स्तरों के वैज्ञानिकों के लिए औसत सूचकांक:
  
  1. युवा वैज्ञानिक, स्नातक छात्र - 0-2;
  2. विज्ञान के उम्मीदवार - 3-6;
  3. डॉक्टर ऑफ साइंस - 7-10;
  4. निबंध परिषद के सदस्य - 10-15;
  5. विश्व प्रसिद्ध वैज्ञानिक, शोध परिषद के अध्यक्ष - 16 और इसके बाद के संस्करण।

प्रशस्ति पत्र सूचकांक द्वारा उम्मीदवारों की खोज के लिए उपयोगी साइट: eLIBRARY.ru।
इस साइट पर रूसी वैज्ञानिकों द्वारा प्रकाशन हैं। 24 मिलियन से अधिक लेख पोस्ट किए गए हैं, डेटाबेस लगातार अपडेट किया जाता है।
मुख्य खामियों में से एक साइट पर पंजीकरण करना है, फिर एक प्रोफेसर को बड़ी संख्या में प्रकाशन के साथ प्रशस्ति पत्र के साथ, उसे संपर्क करने और सह-लेखकों और छात्रों से सिफारिशें मांगने का एक तरीका खोजें। एक विकल्प के रूप में, प्रकाशनों को खोलें और सुलभ सामाजिक नेटवर्क के माध्यम से सह-लेखकों से संपर्क करें।
वैज्ञानिकों को काम पर रखते समय, यह विचार करना महत्वपूर्ण है कि उनके पास व्यावहारिक कौशल और व्यवसाय की समझ की कमी हो सकती है, लेकिन उनका वैज्ञानिक कैरियर विज्ञान-गहन परियोजनाओं के विकास के लिए उपयोगी हो सकता है, जिसमें एआई के क्षेत्र भी शामिल हैं।

• अपनी खुद की डेटा साइंस प्रतियोगिता आयोजित करें: हैकथॉन, एक प्रोग्रामिंग प्रतियोगिता। इस तरह के आयोजन एआई कम्युनिटी, ओपन डेटा साइंस आदि द्वारा किए जाते हैं। आप इसे स्वयं व्यवस्थित करने का प्रयास कर सकते हैं, लेकिन गुणवत्ता को नुकसान होने की संभावना है।
  एक अच्छी प्रतियोगिता का एक उदाहरण: सेर्बैंक प्रतियोगिता ।

  
  
• नि: शुल्क एमएल / डीप लर्निंग प्रशिक्षण पाठ्यक्रम शुरू करें - प्रारूप महत्वपूर्ण नहीं है। मुख्य बात विषय और कार्यों पर निर्णय लेना है, "होमवर्क" को हल करने के परिणामों के अनुसार सबसे उपयुक्त विशेषज्ञों की निगरानी करना। एक अच्छे फ़नल के लिए, सबसे होनहारों में से 50 से अधिक को आमंत्रित करें। नतीजतन, लगभग 10-15 रह जाएंगे, और आप 5 से अधिक नहीं लेंगे, लेकिन यह विधि बहुत समय और प्रयास बचाएगा।
• आंतरिक सिफारिशों की प्रणाली। आंतरिक कर्मचारियों के लिए एक सभ्य रेफरल बोनस असाइन करें। उनकी सिफारिशों को प्रोत्साहित करें।
• अपने AI नेटवर्किंग का विकास करें। रूस और दुनिया में एआई और डेटा साइंस समुदाय अभी भी बहुत छोटा है और सम्मेलनों में सक्रिय रूप से संचार करता है, गुरु और वक्ताओं से सिफारिशें प्राप्त करना आसान है, अक्सर ऐसा करना मुफ्त में भी संभव है (ओपनआइटलक्स, स्कोलॉकर रोबोटिक्स, एनआईपीएस, आईसीएलआर आदि)

2. वास्तव में अच्छे डेटा विज्ञान और AI विशेषज्ञों का चयन कैसे करें

HR के लिए एक बार में सभी अवधारणाओं को समझना आसान नहीं है, इसलिए सबसे महत्वपूर्ण बात यह है कि मुख्य शीर्षकों को अच्छी तरह से समझना चाहिए ताकि कम से कम किसी तरह से खुद को उन्मुख किया जा सके। और निर्देशों के अनुसार कार्य करें (अध्याय "अंतिम सूची, या कर्मियों के चयन के सिद्धांत") - अर्थात्। बहुत स्पष्ट रूप से काम और वित्तीय और गैर-वित्तीय प्रेरणा का परीक्षण करने की जटिलता को संतुलित करता है।

इसलिए, शुरुआत के लिए, यह तय करना महत्वपूर्ण है कि अब डेटा वैज्ञानिक के रूप में क्या समझा जाता है

डेटा वैज्ञानिक महत्वपूर्ण व्यावसायिक समस्याओं को हल करने के लिए सांख्यिकीय डेटा, मशीन सीखने और विश्लेषणात्मक दृष्टिकोण का उपयोग करते हैं। उनका प्राथमिक कार्य संगठनों को अपने बड़े डेटा वॉल्यूम को मूल्यवान और कार्रवाई योग्य मॉडल में बदलने में मदद करना है।

उनके पास गणित, कार्यक्रम का अच्छा ज्ञान होना चाहिए, एल्गोरिदम को स्वचालित करने के लिए मशीन लर्निंग एल्गोरिदम विकसित करना चाहिए। उनसे यह भी अपेक्षा की जाती है कि वे डेटा की व्याख्या करने की उच्च क्षमता रखते हैं, उनकी कल्पना करने की क्षमता महत्वपूर्ण है, समस्या को सुलझाने के कौशल महत्वपूर्ण हैं, भले ही समस्याएं अंत तक तैयार न हों।

यह महत्वपूर्ण है कि वे विभिन्न प्रकार के डेटा और तत्परता के विभिन्न स्तरों के डेटा के साथ काम कर सकें।

एक अच्छी गणितीय पृष्ठभूमि (रैखिक बीजगणित, विश्लेषणात्मक ज्यामिति, संभाव्यता सिद्धांत और गणितीय सांख्यिकी का ज्ञान) एक आवश्यक है। और यह इंजीनियरिंग ज्ञान की तुलना में डेटा विश्लेषण के लिए और भी महत्वपूर्ण है। प्रशिक्षण एमएल मॉडल को वास्तव में कौन से मॉडल का उपयोग करना है, कैसे व्याख्या करना है और परिणामों में सुधार कैसे करना है, इसकी समझ की आवश्यकता है।

प्रोग्रामिंग भाषाओं का ज्ञान : पायथन या आर (लेकिन आपके द्वारा उपयोग की जाने वाली तकनीक को नेविगेट करें); सी / सी ++; जावा
स्किल्स : स्काला, अपाचे स्पार्क, हडोप, मशीन लर्निंग, डीप लर्निंग और स्टैटिस्टिक्स।
अतिरिक्त रूप से : टेन्सरफ़्लो, पाइरॉच, केरेस, कैफ़े, पंडास आदि, जुपिटर, और RStudio।, अत्यधिक लोड सिस्टम के साथ अनुभव, कुडा।

डेटा वैज्ञानिकों और डेटा इंजीनियर के बीच अंतर न केवल डेटा का विश्लेषण करने की क्षमता है, बल्कि उन्हें मौजूदा सिस्टम में एकीकृत भी करता है। इस संबंध में, प्रोग्रामिंग भाषाओं का एक गहरा ज्ञान, साथ ही अत्यधिक भारित, बहु-थ्रेडेड सिस्टम आदि के निर्माण या भाग लेने का अनुभव विशेष रूप से महत्वपूर्ण है।

प्रमुख अवधारणाएँ जो एक भर्तीकर्ता के साथ परिचित होंगी, वे हैं: मशीन लर्निंग, डीप लर्निंग, डेटा साइंस, डेटा माइनिंग, बिग डेटा, कंप्यूटर विज़न, इमेज प्रोसेसिंग, कार रिकग्निशन, फेस रिकग्निशन, रिकमेंडेशन सिस्टम, नेचुरल लैंग्वेज प्रोसेसिंग, कागल कॉन्टेस्ट।

टेलीफोन एचआर साक्षात्कार के आधार पर उम्मीदवारों को छानना:

1. यह समझना महत्वपूर्ण है कि गणित में उम्मीदवार का ज्ञान कितना गहरा है (रैखिक बीजगणित, संभाव्यता सिद्धांत)
2. यह किस ढांचे का उपयोग करता है? एक विविध अनुभव का स्वागत है।
3. सबसे जटिल परियोजना परियोजनाओं को क्या बनाना था? व्यक्तिगत भूमिका और परिणाम क्या था?
4. उसने किन प्रतियोगिताओं में भाग लिया?
5. क्या वैज्ञानिक पत्रिकाओं और यहाँ habr.com पर लेख हैं?

भर्ती और चयन एल्गोरिथ्म:

1. तकनीकी साक्षात्कार में 3 भाग होते हैं:
   
   • 20 मिनट के लिए ऑनलाइन परीक्षण। एक ऑनलाइन परीक्षा पोस्ट करने के लिए एक उदाहरण साइट। ;
   • परीक्षण - 1 घंटे। कार्यालय में तकनीकी साक्षात्कार। परीक्षण कार्य 20 मिनट -1 घंटे। आप 10-15 कार्यों (प्रायिकता सिद्धांत, गणितीय सांख्यिकी, कंप्यूटर दृष्टि, मशीन सीखने में कार्य) का परीक्षण बना सकते हैं। परीक्षण अकेले कमरे में उम्मीदवार द्वारा किया जाता है। उसे सभी समस्याओं को हल करने की आवश्यकता नहीं है, लेकिन कम से कम 50% हल करना महत्वपूर्ण है। परीक्षण में, एक उद्देश्य मूल्यांकन और उम्मीदवारों की तुलना करने की क्षमता के लिए अंक निर्धारित करना उपयोगी है;
   • तकनीकी साक्षात्कार का मौखिक हिस्सा 1 घंटे है (संभावना के सिद्धांत, गणितीय सांख्यिकी और कंप्यूटर विज़न, मशीन सीखने में समस्याओं को हल करने के तरीके का विश्लेषण) में समस्याओं के परिणामों की चर्चा।

यह समझा जाना चाहिए कि काम करने की स्थिति और अन्य "उपहार" उम्मीदवार के लिए जाने जाते हैं और ईमानदारी से पहले से आवाज उठाई जाती है, अन्यथा, प्रेरणा केवल सभी के लिए नहीं होगी।

1. Timlider के साथ HR और व्यक्तित्व का साक्षात्कार
   डेटासिस्ट के लिए आवश्यक व्यक्तित्व गुण हैं:
   
   • उच्च सीखने की क्षमता। उसे होशियार होना चाहिए, जल्दी से नए कौशल प्राप्त करने, तैयार रहने और लगातार अपने क्षेत्र में और अधिमानतः कंपनी के विषय क्षेत्र में विकसित करना चाहिए।
   • जिज्ञासा, नई तकनीकों में रुचि, उनके उपयोग में व्यावहारिक अनुभव, संबंधित क्षेत्रों में रुचि।
   • दृढ़ता और दृढ़ता - लंबे समय तक एक समस्या पर काम करने की क्षमता
   • रचनात्मकता - नए अवसरों में रुचि, प्रेरणा और नए समाधानों के साथ आने की क्षमता।

किसी कंपनी में AI और डेटा विज्ञान विशेषज्ञ कैसे बनाए रखें:

यहां, मानक अवधारण उपकरण की अपनी विशेषताएं हैं।

• एक गुरु के साथ काम करने की क्षमता, रूस या अन्य देशों में एआई मार्केट के एक विशेषज्ञ, पीएचडी लिखने की क्षमता, संयुक्त अनुसंधान करते हैं;
• मजबूत पेशेवरों की एक टीम, जिनसे यह सीखना संभव है और जिनके साथ AI परियोजनाएं बनाना दिलचस्प है (शीर्ष -10 विश्वविद्यालय, रूस में AI बाजार के नेताओं के बड़े पैमाने पर कंपनियों के कर्मचारी);
• एक लेख लिखने की क्षमता। अंतरराष्ट्रीय सम्मेलनों (एनआईपीएस, आईसीएलआर आदि) के लिए अनुसंधान, और प्रकाशन करना;
• अंतरराष्ट्रीय सहित एक वैज्ञानिक डिग्री प्राप्त करने में सहायता;
• प्राथमिक स्रोतों तक पहुंच।

और सार्वभौमिक मूल्य:

• दिलचस्प कार्य, प्रकाशन बनाने की क्षमता;
• उच्च वेतन, बाजार के स्तर के अनुसार इसकी नियमित वृद्धि;
• सम्मान करें। विशेषज्ञता में विश्वास, कंपनी और वैज्ञानिक समुदाय में उपलब्धियों की मान्यता (बोनस, परिणाम प्राप्त करने के लिए बोनस);
• अच्छे उपकरण, डेटा तक पहुंच;
• परिवर्तनों पर जानकारी - कर्मचारियों को कंपनी की भविष्य की योजनाओं के बारे में पता होना चाहिए। यहां तक ​​कि एक बड़ी कंपनी में, यह ध्यान रखना महत्वपूर्ण है कि उन्हें अंधेरे में न रखें;
• कर्मचारियों की देखभाल - ईमानदार जवाब प्राप्त करने की संभावना के साथ नियमित चुनाव। कर्मचारियों के जीवन में सुधार कैसे करें, उन्हें अधिक कुशल बनाने में मदद करें (कार्यालय में फल, संगीत वाद्ययंत्र, विश्राम के लिए एक कमरा, न केवल आपके जन्मदिन पर बधाई, बल्कि अन्य छुट्टियों पर भी)।

अंत में, यह ध्यान देने योग्य है कि यह जानना महत्वपूर्ण है कि इन रिक्तियों के बीच अंतर बाकी है - इन उम्मीदवारों के लिए पिछली भर्ती विधियां इतनी प्रभावी रूप से काम नहीं करती हैं। विशेषज्ञों की अत्यधिक कमी, शर्तों में अधिक लचीला होने की इच्छा और मजबूत पेशेवरों को फ़िल्टर करने और चयन करने की आवश्यकता के बीच संतुलन बनाना महत्वपूर्ण है जो व्यवसाय में बदलाव के लिए सकारात्मक योगदान दे सकते हैं।