Empat spesialis berpengalaman tentang bagaimana mereka berurusan dengan kecerdasan buatan, kesulitan apa yang mereka hadapi dan tugas apa yang mereka selesaikan.
"Awalnya itu selalu menakutkan, tapi aku tidak pernah menyesal"
Grigory Sapunov, CTO, Intento
Co-founder dan direktur teknis di startup, bertanggung jawab untuk pengembangan teknologi, arsitektur solusi dan evaluasi kualitas mereka, penerapan AI dan masalah teknis lainnya, terlibat dalam manajemen, pengembangan dan perekrutan karyawan.Awal perjalanan. Sulit mengatakan apa sebenarnya yang menuntun saya ke profesi: sejak kecil saya tertarik pada pemrograman. Pada saat yang sama, saya tertarik pada psikologi, biologi, matematika, elektronik radio, membaca majalah "Teknisi Muda" dan "Ahli Alam Muda".
Untuk waktu yang lama, segala sesuatu yang berkaitan dengan kecerdasan buatan bagi saya adalah hobi daripada profesi. Pada titik tertentu, saya menyadari bahwa topik ini juga merupakan bagian penting dari tugas pekerjaan saya. Anda dapat membandingkan ini dengan kedatangan saya di Yandex pada 2007.
Kesulitan pertama. Dalam kasus saya, transisi itu bertahap: karir profesional saya dimulai dengan berbagai proyek TI, dan proyek "komersial" pertama adalah mesin pencari untuk Koleksi Abstrak Moskow yang ditulis dalam Perl. Itu tidak selalu mungkin untuk memahami topik-topik baru pertama kali, saya harus membaca ulang beberapa buku yang berbeda untuk memahami sesuatu, serta banyak bereksperimen.
Saya berulang kali terlibat dalam proyek yang benar-benar baru, di mana pada awalnya saya benar-benar tidak memiliki pengetahuan yang diperlukan - saya harus menguasai sepanjang jalan. Awalnya itu selalu menakutkan, tapi aku tidak pernah menyesalinya.
Untuk memahami bagaimana semuanya bekerja, hampir selalu saya memulai pemrograman dari level terendah. Begitu pula dengan algoritma menggambar garis Brezenham, Fong atau Gouro shading - ketika saya mempelajari grafik komputer, dan dengan penciptaan jaringan saraf yang sederhana, penerapan metode vektor dukungan atau algoritma genetika - ketika saya menyelam lebih dalam ke AI. Kemudian saya pergi sendiri untuk waktu yang lama: Saya tidak ingin menggunakan perpustakaan yang sudah jadi dan mencoba untuk menulis sendiri dari awal.
Tugas profesional. Kecerdasan buatan telah menjadi teknologi yang cukup fleksibel. Selama beberapa tahun terakhir, dengan bantuan ML atau Rekayasa Perangkat Lunak, saya dan rekan saya telah melakukan tugas yang sangat berbeda:
- pengenalan gambar: rambu-rambu jalan dari camcorder smartphone atau barang-barang di rak toko;
- menstruktur arus berita: mengelompokkan berita tentang topik umum, membuat anotasi kluster yang dihasilkan dan menyoroti fakta-fakta penting, memberi peringkat arus menurut kepentingan, dll.;
- peramalan dalam pendidikan: siswa mana yang akan meninggalkan kursus online dalam waktu dekat;
- analitik pusat panggilan waktu nyata: mendefinisikan topik percakapan telepon dan emosi orang;
- analisis data genom: untuk menentukan struktur kromatin;
- bekerja dengan teks: menemukan kalimat yang cocok satu sama lain antara teks paralel dalam dua bahasa yang berbeda;
- dan banyak lagi :–)
Sekarang saya mengidentifikasi kekuatan dan kelemahan model dan layanan berdasarkan kecerdasan buatan. Ini membantu untuk memilih mana yang cocok untuk tugas bisnis tertentu.
Rencana masa depan. Apa yang akan saya lakukan selanjutnya? Saya akan menerapkan keterampilan yang saya peroleh di bidang kedokteran dan biologi, mempelajari "psikologi" sistem kompleks alami dan buatan, mencoba membuat ilmuwan AI, atau setidaknya asisten, untuk meningkatkan efisiensi saya. Saya juga berencana untuk belajar beberapa bahasa pemrograman baru: Rust, Swift, Kotlin, Julia atau Elixir. Saya juga akan mencoba melakukan lebih banyak proyek perangkat keras dengan kecerdasan buatan berdasarkan Jetson Nano, Google Edge TPU atau dengan FPGA.
Dmitry Korobchenko, Insinyur dan Manajer R&D Pembelajaran Jauh, NVIDIA
Kepala kelompok R&D, terlibat dalam pemrosesan gambar: penggunaan jaringan saraf untuk pemrosesan gambar, grafik komputer, animasi dan simulasi fisik.Awal perjalanan. Ketika belajar di universitas, saya menyukai visi komputer dan karena itu memutuskan untuk bergabung dengan Laboratorium Grafik Komputer dan Multimedia di Fakultas Matematika Komputasi dan Sibernetika dari Universitas Negeri Moskow.
Bekerja di Samsung setelah universitas, saya kembali ke visi komputer: salah satu proyek pertama saya adalah analisis gambar medis menggunakan jaringan saraf convolutional. Dan ketika pada tahun 2012 jaringan saraf secara aktif menyebar ke area lain, jangkauan proyek saya meluas secara signifikan.
Tugas profesional. Sebagai Insinyur R&D Pembelajaran Jauh, saya terlibat dalam penelitian dan pengembangan: mulai dari membuat algoritma baru dan melakukan berbagai eksperimen hingga penerapan produk akhir dengan optimasi berikutnya. Selain itu, selama beberapa tahun terakhir saya telah memberikan kelas master dan menjadi guru dalam pembelajaran mesin dan kursus jaringan saraf di berbagai sekolah pendidikan tambahan.
Sekarang sebagian besar tugas saya terkait dengan tipe data yang kompleks - gambar, suara, model poligon, data tensor, dll. Termasuk saya terus terlibat dalam visi komputer: klasifikasi gambar, deteksi objek, segmentasi semantik; membuat kerangka kerja jaringan saraf.
Rencana masa depan. Rencana langsung saya adalah memperkuat kelompok R&D yang berspesialisasi dalam jaringan saraf di kantor NVIDIA Moscow, serta untuk terus berkembang di bidang pendidikan di bidang kecerdasan buatan: membuat konten untuk ceramah, kursus, dan saluran YouTube pribadi.
"Pada awal tahun 2000-an, istilah Data Scientist tidak ada, tetapi sebenarnya saya melakukan hal itu."
Anna Kostikova, Direktur Ilmu Data dan Bioinformatika di Novartis
Dia memimpin tim yang tugasnya termasuk menciptakan obat pribadi dalam pengembangan obat baru. Inti dari kerja kelompok adalah bahwa obat dikembangkan dan dipilih berdasarkan analisis informasi digital tentang DNA, protein, dan data klinis pasien. Untuk melakukan ini, Anna dan timnya menggunakan pembelajaran mesin, bioinformatika, dan statistik.
Awal perjalanan. Pada awal tahun 2000-an, istilah Data Scientist tidak ada, tetapi sebenarnya saya melakukan hal itu. Sebagai contoh, di universitas saya menemukan pekerjaan sampingan di mana saya harus mengumpulkan data untuk database, membuat struktur dan memungkinkan untuk bekerja dengan database. Semua ini saya lakukan di MS Access di komputer dengan 512 MB RAM dan 1 GB ruang hard disk :–)
Pada tahun ketiga, saya mendapat magang di perusahaan nirlaba, di mana mereka terlibat dalam analisis gambar ruang angkasa. Saat itulah saya pertama kali mencoba menggunakan jaringan saraf, klasifikasi tanpa pelatihan dan dengannya, logika fuzzy, dll. Kemudian komputer dengan 4 gigabytes RAM sebanding dengan keajaiban, dan kami tidak mematikannya untuk akhir pekan - sehingga mereka "menghitung" saat kami beristirahat.
Kesulitan pertama. Untuk pertama kalinya, bekerja dengan "gelar" Data Scientist resmi datang kepada saya pada tahun 2014. Kemudian saya mendapat pekerjaan di Booking.com dan menemukan bagaimana rasanya bekerja di area ini pada skala industri: dengan sampel data miliaran baris.
Dalam bidang apa pun, dua tahun pertama adalah yang paling sulit: semua terminologi baru bagi Anda, tidak jelas apa yang penting dan apa yang tidak.
Mempelajari hal-hal baru selalu merupakan fungsi sigmoid: Anda harus mengatasi dataran tinggi pertama ketika tampaknya Anda tidak akan pernah mengerti. Misalnya, di sekolah pascasarjana di Swiss, saya perlu belajar cara menganalisis data genom dan menulis skrip Perl untuk analisis skala besar. Pada saat itu saya tidak tahu semua ini, tetapi entah bagaimana saya keluar. Yang utama jangan takut dan coba.
Tugas profesional. Dalam praktik saya, ada banyak tugas berbeda: dari menganalisis citra satelit untuk WWF hingga mengoptimalkan proses pembuatan bir di Heineken, dari memprediksi perilaku pengguna di Internet untuk Booking.com hingga memprediksi pengoperasian obat-obatan di Novartis.
Saat ini saya bekerja sebagai Direktur Analisis Data dan Bioinformatika di Novartis. Saya juga punya perusahaan diagnosa kanker saya sendiri. Saya benar-benar ingin memanfaatkan Ilmu Data dan pembelajaran mesin untuk layanan kesehatan dan kedokteran - mulai dari pengembangan obat hingga diagnosis. Saya percaya bahwa untuk 20-50 tahun ke depan, bagian terbesar dari upaya analis di seluruh dunia akan ditujukan untuk memecahkan masalah biomedis, mengubah kualitas hidup umat manusia, dan tidak hanya mengoptimalkan di Internet dan dalam produksi.
"Lalu aku yakin bahwa aku sudah tahu segalanya, meskipun aku masih tidak tahu apa-apa"
Nikita Semenov, pemimpin tim NLP, pusat kecerdasan buatan MTS
Dia memimpin tim NLP dan berurusan dengan segala sesuatu yang berkaitan dengan pemrosesan dan pemahaman bahasa alami.
Awal perjalanan. Bahkan pada tahun-tahun pertama institut, saya mulai belajar belajar mesin secara opsional: Saya mempelajari spesialisasi "Keamanan Komputer", tetapi lambat laun saya menyadari bahwa saya tidak ingin menghubungkan hidup saya dengannya. Atasan saya lulus dari Politeknik Milan dengan program Ilmu Komputer, dan bersamanya kami mulai mengembangkan kursus pembelajaran mesin opsional. Istilah serupa tidak ada saat itu, dan di seluruh dunia mereka hanya berbicara tentang unsur-unsur pembelajaran statis, yang kami pelajari. Sayangnya, di Rusia masih belum ada program seperti itu di Ilmu Komputer.
Sangat sulit untuk menemukan pekerjaan setelah sekolah tinggi tepatnya dengan profil pembelajaran mesin - bola baru saja muncul. Jadi saya pergi ke startup kecil yang terlibat dalam mengotomatisasi tawaran di situs periklanan kontekstual seperti Google AdWords. Tugas pertama saya adalah mengembangkan mekanisme berdasarkan statistik dan kemampuan prediksi tujuan sehingga kami selalu tidak mengambil tawaran pertama, tetapi yang kedua atau ketiga - garis ini juga ditampilkan di bagian atas SERP, tetapi harganya jauh lebih murah. Kemudian saya yakin bahwa saya sudah tahu segalanya, meskipun saya masih tidak tahu apa-apa.
Kesulitan pertama. Ketrampilan lunak merupakan kesulitan besar bagi saya: penting untuk menjelaskan apa yang saya lakukan, apa artinya semua, bagaimana dan apa yang harus ditafsirkan, dan apa dampaknya, kepada orang-orang yang tidak memahami apa pun di bidang saya. Pada saat itu, proses saling belajar belum menjadi arus utama, sehingga sangat sulit untuk berinteraksi dengan tim. Saya terus berlatih: Saya mencoba menyampaikan pikiran saya dan menjelaskan kepada tim bahkan metrik yang paling sederhana. Saya pikir jika saya baru saja memulai karir saya sekarang, saya tidak akan mampu memompa begitu banyak dalam komunikasi - hampir tidak ada yang mengajukan pertanyaan seperti itu.
Tidak ada masalah dengan keterampilan keras: maka tugas saya didasarkan pada pelatihan statistik dan matematika, yang saya fasih masuk. Meskipun demikian, saya membaca buku: di Data Sience, Anda harus terus-menerus berkembang untuk memahami alat dan tren. Secara umum, semua pengalaman kerja saya adalah satu tantangan besar. Setiap tempat membutuhkan alat dan pengetahuan baru, oleh karena itu selalu diperlukan untuk berkembang secara mandiri.
Setelah bekerja di sebuah startup, ada perusahaan tempat saya menjadi Data Scientist dan R&D pertama: Saya membantu menyiapkan alat analisis pertama, terlibat dalam visi komputer dan pembuatan model prediksi berdasarkan data dari satelit ruang angkasa.
Tugas profesional. Di MTS, saya datang ke posisi insinyur visi komputer Senior, dan kemudian berkembang menjadi pemimpin tim dari dua tim. Sangat penting bagi saya untuk memompa soft skill, karena pemimpin tim adalah pelatih permainan. Jika kita berbicara tentang tugas, maka di sini saya melakukan semua yang berhubungan dengan pemrosesan dan pemahaman bahasa alami. Sekarang ini adalah semacam tren yang menetapkan tren baru yang bertujuan menyederhanakan kehidupan seseorang di masa depan.
Seiring waktu, saya menyadari bahwa area subjek tidak terlalu mempengaruhi bidang pengetahuan Anda. Dalam kasus saya, area subjek selalu memengaruhi cara memproses dan menerapkan data ke solusi apa pun. Dan pendekatannya selalu tetap sama. Dan ketika di bidang subjek, para ahli datang dengan solusi inovatif, misalnya, dalam pengetahuan komputer, seiring waktu itu mengalir ke bidang lain. Dalam hal ini, garis antar daerah secara bertahap dihapus, dan pendekatan serta basis menjadi serupa.
Masalah utama dari bola kita adalah ia berkembang sangat tidak merata. Biarkan saya memberi Anda sebuah contoh: dalam Ilmu Data semuanya bisa tenang untuk waktu yang lama, dan kemudian seseorang dengan tajam menemukan solusi, dan setelah waktu singkat hal-hal terobosan ini menjadi standar bagi semua orang. Dalam hal pekerjaan, ini baik dan buruk pada saat yang sama: di satu sisi, Anda terus memompa keterampilan dan "berlari" 10 kali lebih cepat daripada yang lain, di sisi lain, profil kerja Anda terus berubah.
Rencana masa depan. Sejauh ini saya tidak memiliki pemahaman di bidang apa yang ingin saya kembangkan lebih lanjut. Saya ingin menyelam lebih dalam ke apa yang saya lakukan sekarang.
Dari editor Netology
Profesional AI yang paling berpengalaman masuk ke profesi ini dalam satu dari dua cara:
- pindah dari bidang aktivitas lain, profesi;
- bekerja pada spesialisasi lain di bidang TI, dan pada beberapa titik terjun ke tugas yang berkaitan dengan kecerdasan buatan dan analisis data.
Dalam kasus apa pun, bahkan spesialis berpengalaman terus-menerus mempelajari hal-hal baru, mempelajari sumber daya dan artikel yang bermanfaat, dan mengambil kursus pelatihan lanjutan.
Terlepas dari kenyataan bahwa universitas-universitas Rusia belum menerapkan program-program pendidikan yang sesuai, sekarang lebih mudah untuk menjadi Ilmuwan Data daripada para pahlawan artikel kami.
Jika Anda tertarik pada bidang kecerdasan buatan, pembelajaran mesin, dan analitik - kami mengundang Anda untuk mempelajari program-program kursus kami "
Pembelajaran Dalam " dan "
Pembelajaran Mesin ".