"AI, finansmanı en yüksek ücretli endüstriye doğru ezer" 35 veri bilimcisi sırrı ortaya çıkardı: İyi bir PPT yapın!
Xinzhiyuan Raporu
Kariyer işe alım bilgileri web sitesi Indeed.com geçtiğimiz günlerde Haziran 2015'ten Haziran 2018'e kadar yapay zeka veya makine öğrenimi ile ilgili iş sayısının% 99,8 arttığını bildiren bir rapor yayınladı.
Aynı zamanda, daha fazla iş arayan da yapay zeka ile ilgili pozisyonlar arıyor. Yapay zeka veya makine öğrenimi ile ilgili konumlar için yapılan aramaların veya sorguların sayısı% 182 arttı.
Silikon Vadisi'nden Wall Street'e kadar, yapay zeka ve makine öğrenimi, yüksek vasıflı çalışanlara olan talebi sürekli olarak artırdı. Bununla birlikte, nitelikli yeteneklerin sayısı son derece sınırlıdır ve şirketin hevesi, az sayıdaki nitelikli maaşı daha da yükseltir.
Son üç yılda yapay zeka ve makine öğrenimi meslekleriyle ilgili arama veya sorguların sayısı % 182 arttı . Ancak daha fazla arama, daha nitelikli adaylar anlamına gelmez, hatta şirketlerin yeterli yeterliliğe sahip iş başvurusu bulması zordur.
Hangi şehir en çok AI kariyer fırsatına sahip? New York!
Indeed.com, Haziran 2015 ile Haziran 2018 arasında Amerika Birleşik Devletleri'nde yayınlanan milyonlarca kamuya açık iş ilanını analiz etti. Bunlar arasında, iş tanımlarının veya iş yeri ve maaşla ilgili bilgilerin% 20'sinden fazlası "yapay zeka" veya "makine öğrenimi" içerir.
Veri açısından bakıldığında, yapay zeka alanında çalışmak istiyorsanız, gözlerinizi New York City'ye çevirin.
En yoğun yapay zeka ve makine öğrenimi işlerine sahip büyük şehirlerin sıralaması. Şehre göre hesaplanan New York City, yapay zeka ile ilgili en yüksek gönderi oranına sahip, ancak Silikon Vadisi'ndeki toplam gönderiler hala ülkenin beşte birini oluşturuyor. Kaynak: Indeed.com
Haziran 2015'ten Haziran 2018'e kadar, Amerika Birleşik Devletleri'nin büyük şehirlerindeki iş ilanlarının açıklamaları arasında, New York City'deki iş tanımlarının% 11,6'sı, en yüksek oran olan yapay zeka veya makine öğrenimi ile ilgiliydi. Bunu San Francisco (% 9,6), San Jose (% 9,2), Washington DC (% 7,9) ve Boston (% 6,1) izliyor.
Glassdoor tarafından yayınlanan yakın tarihli bir rapora göre, son dört yılda, Amerika Birleşik Devletleri'ndeki en yüksek maaşlı işler teknoloji sektöründeydi. Apple, Amazon, Google, Facebook ve Uber gibi şirketler uzun zamandır yüksek vasıflı iş arayanlara yüksek maaşlı makine öğrenimi becerileri sağladı.
"Bloomberg Businessweek" raporlarına göre, bu markalı şirketler yıllık maaş ve 300.000 ABD dolarını aşan hisse senedi opsiyonları sağlayabilir. Şimdi, finans sektörü ve sağlık hizmetleri de dahil olmak üzere diğer endüstriler de yetenek bulmakta zorlanıyor ve yıllık altı haneli maaşlar sunuyor.
Yapay zeka ile ilgili maaş sıralaması: 140.000 $ ortalama yıllık maaş ile en yüksek veri direktörü
Haziran 2017'den Haziran 2018'e kadar ilk on pozisyon listesinde, AI ile ilgili 10 ortak pozisyondan 7'sinin, aşağıdaki şekilde gösterildiği gibi yıllık ortalama maaşı 100.000 $ 'ın üzerindedir:
Yapay zeka ve makine öğrenimi ile ilgili yüksek ücretli işlerin sıralaması. Analiz direktörleri, yaklaşık 144.000 dolarlık yıllık maaşla en yüksek ortalama maaşa sahiptir. Kaynak: Indeed.com
Indeed.com'dan bir rapora göre, bu yıl yapay zeka ve makine öğrenimi ile ilgili pozisyonlarda, Ortalama maaşı en yüksek analist 140.000 Dolara Ulaşan, Bunu takiben baş bilim adamı (138.000 $), makine öğrenimi mühendisi ve bilgisayarla görme mühendisi (her ikisi de 134.000 $). Rapor, maaş bilgisi sağlayan on binlerce açık işe alım bilgisini analiz ederek ortalama maaşı belirler.
Baş bilim adamlarının, makine öğrenimi mühendislerinin, bilgisayarla görme mühendislerinin ve kamuya açık olan veri bilimcilerinin maaşları da oldukça rekabetçidir ve en düşük ortalama maaş da yılda 130.000 doların üzerindedir. İşyeri New York veya Silikon Vadisi'ndeyse, maaş 30.000 dolar daha artacaktır.
Dahası, Indeed.com tarafından yayınlanan rakamlar, yıllık maaşı büyük ölçüde artıracak olan çalışan ikramiyeleri, hisse senedi opsiyonları ve diğer hakları içermiyor. Dahası, halka açık işe alım platformlarında sunulan cömert muamele, bazen doğrudan şirketler tarafından veya kelle avcıları aracılığıyla işe alınan üst düzey pozisyonlara kıyasla daha da önemsiz olabilir.
İş ilanlarının yapay zeka veya makine öğrenimi ile alaka düzeyi açısından, makine öğrenimi mühendisleri için iş ilanlarının% 94,2'si "makine öğrenimi" ve "yapay zeka" dan bahsetti. Dereceli İkincisi, veri bilimcisi Oran% 75,1 ve bilgisayar görme mühendisleri% 64,6 ile üçüncü sırada yer alıyor.
Pazar araştırma firması Gartner'a göre yapay zeka, iş fırsatlarını daha az değil, daha çok yapacak. 2020 yılına kadar yapay zeka, 1,8 milyon iş sayısını azaltırken 2,2 milyon iş yaratacak.
Veri Bilimi Devrimi: Her şey dahil
Yapay zeka ve makine öğrenimi ile ilgili pozisyonlarda bu yıl, veri İkinci sırada bilim adamları için işe alım bilgisi sayısı.
Modern veri bilimi, Google arama sıralamasını ve LinkedIn tavsiyelerini optimize edebilen ve ayrıca Buzzfeed'deki başlıkları etkileyebilen teknoloji alanında giderek daha yaygın bir şekilde kullanılmaktadır. Ve şimdi, veri biliminin perakende, telekomünikasyon, tarımdan tıp, nakliye ve ceza sistemlerine kadar tüm endüstrileri değiştirmesi bekleniyor.
Ancak bazen insanlar "veri bilimi" ve "veri bilimcisi" terimlerini iyi anlamıyor.
DataCamp veri bilimcisi Dr. Hugo Bowne-Anderson, 35 birinci basamak veri bilimcisiyle iletişime geçti ve günlük çalışmalarını anlattı.
Bir veri bilimcisi ne yapar? Artık en azından teknoloji endüstrisindeyiz ve veri biliminin nasıl çalıştığını anlıyoruz. Öncelikle, veri bilimcilerinin güvenilir analiz gerçekleştirmek için sağlam bir veri temeli oluşturması gerekir. Ardından, sürdürülebilir büyüme sağlamak için çevrimiçi deneyleri ve diğer yöntemleri kullanın. Son olarak, işlerini ve müşterilerini daha iyi anlamak ve daha iyi kararlar almak için makine öğrenimi süreçleri oluşturur ve kişiselleştirilmiş veri ürünleri oluştururlar.
Diğer bir deyişle, teknik alanda veri bilimi; altyapı, deneysel test, karar verme için makine öğrenimi ve veri ürünlerini içerir.
Veri bilimi, teknoloji dışındaki sektörlerde de önemli ilerleme kaydetmektedir. Convoy'un veri bilimcisi Ben Skrainka ile şirketin Kuzey Amerika kamyonculuk endüstrisinde devrim yaratmak için veri bilimini nasıl kullandığını konuştum. Flatiron Health'den Sandy Griffith, veri biliminin kanser araştırmalarına yardımcı olmaya başladığını söyledi. Drew Conway ve ben şirketi Alluvium'u "endüstriyel operasyonların ürettiği devasa veri akışlarını fikirlere dönüştürmek için makine öğrenimi ve yapay zeka kullanarak" tartıştık.
Uber'in sürücüsüz arabasının şu anki başkanı Mike Tamir, Starbucks öneri sistemi üzerine yaptığı çalışma da dahil olmak üzere Fortune 500 şirketleri tarafından veri biliminin kullanımını teşvik etmek için Takt ile çalışmayı tartıştı. Şu anda, bir veri bilimi devrimi birden çok dikey endüstride ortaya çıkıyor.
Sadece sürücüsüz arabalardan ve yapay genel zekadan bahsetmiyorum. Konuştuğum pek çok kişi, ana akım medyanın yapay zeka takıntısına şüpheyle yaklaşmakla kalmıyor, aynı zamanda makine öğrenimi ve derin öğrenme hakkındaki mevcut vızıltılara karşı da aynı tutuma sahip. Elbette, makine öğrenimi ve derin öğrenme, önemli uygulamalar üreten güçlü teknolojilerdir, ancak tüm sıcak konular gibi, bu konu hakkında sağlıklı şüpheciliği sürdürmeliyiz.
Hemen hemen herkes, çalışan veri bilimcilerinin günlük işler için hammadde üretmek için veri toplama ve veri temizlemeyi kullandığını, sonuçları çizelgeler ve raporlar, veri görselleştirme ve istatistiksel sonuçlar aracılığıyla kilit paydaşlara ilettiğini ve karar vericileri ikna etmeye çalıştığını anlıyor. Sonuçları.
Önce iletişim: İyi bir PPT, teknolojiyi bilmekten daha önemli olabilir
Bilim adamlarının ihtiyaç duyduğu beceriler sürekli olarak gelişmektedir (derin öğrenme deneyimi en önemli şey değildir). Seattle bölgesinde bir veri bilimcisi olan Jonathan Nolis ile yaptığımız konuşmada bir soru sorduk, "Bir veri bilimcisi için hangi beceri daha önemlidir: en karmaşık derin öğrenme modellerini kullanma yeteneği mi yoksa daha iyi PPT slaytları üretme yeteneği mi?" İkincisinin daha önemli olduğunu, çünkü iletişim sonucunun hala veri bilimi olduğunu söyledi. İşin önemli bir parçası.
Yinelenen bir başka tema, bugün gerekli becerilerin nispeten kısa bir süre içinde değişebileceğidir. Açık kaynak ekosistemi ve veri bilimi araçlarının ticarileştirilmesiyle, veri bilimi araçları hızlı bir gelişme sağladı ve veri bilimindeki birçok sıkı çalışma, veri temizleme ve veri hazırlama gibi giderek daha otomatik hale geldi. Yaygın bir benzetme, veri bilimcilerinin değerli zamanının% 80'inin verileri bulmaya, temizlemeye ve organize etmeye harcandığı ve yalnızca% 20'sinin gerçekten analiz yapmaya harcanmasıdır.
Ancak bu durumun devam etmesi pek olası değil. Günümüzde, çok sayıda makine öğrenimi ve derin öğrenmenin otomasyonu artıyor.Bu hızlı değişimin bir sonucu, iletişim ortaklarımın çoğunun veri bilimcilerinin temel becerisinin derin öğrenme altyapısı oluşturma ve kullanma yeteneği olmadığını söylemesidir.
Günümüzün veri bilimcileri, anında öğrenme ve iletişim kurma, iş sorularını yanıtlama ve karmaşık sonuçları teknik olmayan paydaşlara açıklama becerisine sahiptir. O halde, hevesli veri bilimcileri, teknolojinin kendisine değil, çözülmesi gereken sorunlara daha az dikkat etmelidir. Yeni teknolojiler gelir ve gider, ancak her durumda, yine de eleştirel düşünme ve alana özgü birçok beceriye ihtiyacımız var.
Veri bilimi uzmanlığı büyük bir eğilimdir ve etik sorunlar en büyük zorluktur
Uzmanlık giderek daha önemli hale geliyor. Veri bilimcilerinin net bir kariyer yolu olmamasına ve genç veri bilimcilerinin desteğinin çok düşük olmasına rağmen, bir tür uzmanlaşma görmeye başladık. Emily Robinson, Tip A ve Tip B veri bilimcileri arasındaki farkı şöyle açıkladı: "Tip A analitiktir, biraz geleneksel bir istatistikçiye benzer; Tip B, makine öğrenimi modelleri oluşturmaktır."
Jonathan Nolis, veri bilimini üç bölüme ayırır: (1) "şirketin sahip olduğu verileri elde etmek ve doğru kişilere sunmak için" esas olarak gösterge panoları, raporlar ve e-postalar biçiminde olan iş zekası; (2) karar verme "Verileri elde etmek ve şirketlerin karar vermelerine yardımcı olmak için kullanmak" anlamına gelen bilim; (3) Makine öğrenimi, yani "veri bilimi modellerinin nasıl benimsenmesi ve üretimde tutulması" anlamına gelir. Birçok veri bilimcisi genelci olmasına rağmen, hepsi üzerinde çalışır Üç tür iş, ancak makine öğrenimi mühendisleri gibi çok farklı kariyer yolları gördük.
Etik, bu alanın karşı karşıya olduğu en büyük zorluklardan biridir. Bu mesleğin uygulayıcıları için çok fazla belirsizlik sağladığını düşünebilirsiniz. Hilary Mason'a veri bilimi topluluğunun karşı karşıya olduğu başka büyük zorluklar olup olmadığını sorduğumda, " Belirsiz etik, uygulama standartlarının eksikliği, tutarlı terminoloji eksikliği Bu zorluklar bizim için yeterince önemli değil mi? "
Bu üç nokta çok önemlidir, özellikle hemen hemen tüm veri bilimcilerinin en çok endişe duyduğu konular olan ilk iki nokta. Bu çağda dünya ile aramızdaki pek çok etkileşim, veri bilimcilerin geliştirdiği algoritmalar tarafından belirleniyor, etik nasıl bir rol oynuyor? GitHub kıdemli makine öğrenimi veri bilimcisi Omoju Miller'ın röportajımızda söylediği gibi:
"Etik açıklamalara ihtiyacımız var, eğitim almalıyız, Hipokrat Yemini'ne benzer bir şeye ihtiyacımız var. Uygun izinlere ihtiyacımız var, böylece ahlaki olmayan bir şey yaparsan, belki bir miktar alacaksın. Cezalandırma, diskalifiye etme veya tazminat için başvurma. Tüm sektörümüzün istediği şeyin bu olmadığını söyleyebiliriz ve daha sonra, eğitim almadıkları ve bilmedikleri için yanlış yapanları düzeltmenin bir yolunu bulmalıyız. "
Yinelenen bir tema, veri biliminin ciddi, zararlı ve etik olmayan sonuçlar üretebilmesidir, örneğin "Amerika Birleşik Devletleri'nde gelecekteki suçluları tahmin etmek için kullanılan" COMPAS tekrar suçlama risk puanlama sistemi ve ProPublica'ya göre, sistem "siyahlara karşı önyargılıdır." .
Bir fikir birliğine yaklaşıyoruz, Yani etik standartların veri biliminin kendisinin yanı sıra yasa koyucular, taban hareketleri ve diğer paydaşlardan gelmesi gerekir. Bu hareketin bir kısmı kara kutu modelinden ziyade modelin yorumlanabilirliğinin yeniden vurgulanmasını içerir. Başka bir deyişle, bu tahmini neden yaptıklarını açıklayabilecek modeller oluşturmamız gerekiyor. Derin öğrenme modelleri birçok yönden harikadır, ancak yorumlanamazlar. Makine öğrenimi modellerinin ne yaptığını açıklamayı amaçlayan bir proje olan Lime gibi birçok araştırmacı, geliştirici ve veri bilimcisi bu alanda ilerleme kaydediyor.
Tüm endüstrinin ve toplumun veri bilimi devrimi yeni başladı. Veri bilimcisi unvanının "21. yüzyılın en seksi işi" olmaya devam edip etmeyeceği, daha özel hale gelip gelmeyeceği veya çoğu profesyonelin sahip olması gereken bir beceri haline gelip gelmeyeceği hala belirsiz. Hilary Mason'ın dediği gibi: "10 yıl sonra hala veri bilimine sahip olacak mıyız? Veri biliminin olmadığı bir çağımız olduğunu hatırlıyorum. O zamanki veri bilimcisi unvanının" webmaster "olduğunu söylerseniz, yapmazdım Şaşırdım. "
Referans bağlantısı:
https://www.bloomberg.com/news/articles/2018-08-23/new-york-is-the-capital-of-a-booming-artreative-intelligence-industry
https://venturebeat.com/2018/08/23/indeed-ai-job-listings-are-up-over-99-since-2015/
Xinzhiyuan AI WORLD 2018 Geri Sayım yirmi üç gün
Biletler satışta!
Xinzhiyuan, AI WORLD 2018 konferansını 20 Eylül'de Pekin'deki Ulusal Kongre Merkezi'nde gerçekleştirecek ve makine öğrenimi vaftiz babası, CMU profesörü Tom Mitchell, Mikes Tekmark, Zhou Zhihua, Tao Dacheng, Chen Yiran ve diğer AI liderlerini makine zekasına dikkat etmeye davet edecek. Ve insan kaderi.
Konferans resmi web sitesi:
-
Aktivite hattı bileti satın alma bağlantısı:
-
Aktivite satırı bilet alımı için QR kodu
