Sanat öğrencileri 12 haftalık eğitimin ardından Google Brain AI bilim adamları mı oluyor? Kişi dedi ki: çok düşünüyorsun
Kaynak: Heart of the Machine
Bu makale hakkında 3800 Word, önerilen okuma 10+ dakika.
Google Brain'e katılmak ve bir AI araştırma bilimcisi olmak için Bilgisayar Bilimleri Doktora derecesi gerekmez, ancak herkes bunu yapamaz.
Google beyin bilimcisi Sara Hooker'ın deneyimi kısa süre önce The Economist tarafından tipik bir rapor olarak bildirildi, ancak bu olay onu çok endişelendirdi. Bu kadın bilim adamının efsanevi bir deneyimi var: Afrika'da doğdu, doktora derecesi olmadan Carleton Koleji'nde ekonomi okuyor, ancak Google Brain'de araştırma bilimcisi oldu.
Ekonomistin tanıtımının odak noktası haline gelen fast.ai'de 12 haftalık yarı zamanlı bir makine öğrenimi kursu almıştı. Ancak Hooker, makale yayınlandıktan sonra bir makale yazdı ve şöyle dedi: Benim başarım tekrarlanamaz.
Jeff Dean, Hooker'ın blogunu yeniden tweetledi ve şöyle dedi: "Şimdi onunla çalışmaktan gurur duyuyorum."
The Economist'in son sayısında "Yeni planlar kitlelere yapay zekayı öğrenmeyi öğretir" başlıklı bir makale var. Bu makale fast.ai'nin başarım üzerindeki etkisini anlatıyor.
fast.ai, San Francisco Körfez Bölgesi'nde derin öğrenmenin gizemini açığa çıkarmayı ve herkes için erişilebilir kılmayı amaçlayan, kar amacı gütmeyen bir kuruluştur. Makalede başarılı bir vaka olarak bahsedilmişti: "fast.ai'nin ilk mezunu Sara Hooker, kursu tamamladıktan sonra Google tarafından işe alındı ve son derece rekabetçi AI Residency Programına katıldı. Daha önce hiç nişanlanmamıştı. Derin öğrenme yoluyla. "
Bu makalenin içeriği beni aşırı derecede rahatsız etti. Bir yandan fast.ai'yi tanıdığımı inkar edemem. Rachel ve Jeremy de hayran olduğum insanlar. Dünyanın her yerinden binlerce öğrencinin bu alana erişimini sağlıyorlar. Channel, bu sektörde bir ilk. Ancak bu makalenin neden olduğu rahatsızlığı da görmezden gelemem çünkü basitleştirilmiş anlatımı bu alana girmek isteyenleri yanıltacaktır.
Fast.ai'nin ilk kursuna katıldım ve daha sonra Google Brain'in AI staj programına katıldım. Bununla birlikte, başarımı 12 haftalık akşam derslerine (bölüm 1 ve bölüm 2) atfetmek sadece biraz abartılı değil, aynı zamanda makine öğrenimini kendi başına öğrenmek isteyenler için Külkedisi'nin hızlı ve muhteşem dönüşüne dair yanlış izlenim bırakıyor. Ve bu ifade kendi çabalarımı ve büyümemi zayıflattı.
Ne yapmaktan hoşlandığım konusunda çok nettim. Lisans dersim sırasında ne makine öğrenimine ne de bilgisayar bilimine maruz kaldım. Büyürken Afrika, Mozambik, Lesoto, Svaziland ve Güney Afrika'da bulundum. Ailem şimdi Liberya, Monrovia'da yaşıyor.
Amerika Birleşik Devletleri'ne ilk seyahatim, Carleton College adında küçük bir liberal sanat okulunda burs aldığım Minnesota'ya oldu. Uluslararası öğrenci oryantasyon faaliyetlerine katılmaya gitmeden önce kampüsü hiç görmemiştim. Afrika'dan, Minnesota'da kışın ne kadar soğuk olduğunu bile bilmiyorum. Hava kötü olmasına rağmen, kampüste dört yıl liberal sanat dersleri okumaktan ve ekonomi alanında eğitim almaktan keyif aldım. Hayalim Dünya Bankası'nda ekonomist olmaktı. Bu, çocukluğumda tanıştığım teknisyenlerin çoğunun Uluslararası Para Fonu ve Dünya Gıda Programı gibi kuruluşlardan ekonomistler olması gerçeğiyle ilgisiz değildir.
Mezun olduktan birkaç yıl sonra ekonomi alanında doktora yapmak için başvurmaya karar verdim çünkü San Francisco Körfez Bölgesi'nde ekonomi alanında doktora ile antitröst konularını incelemek istedim. Fiyat manipülasyonu olup olmadığını veya şirketin tüketicileri aldatmak için gücü kötüye kullanıp kullanmadığını değerlendirmek için gerçek dünyadaki vakalara ve veri setlerine ekonomik modelleme ve istatistikler uyguluyoruz.
San Francisco'ya taşındıktan birkaç ay sonra ben ve diğer birkaç ekonomist (Jonathan Wang, Cecilia Cheng, Asim Manizada, Tom Shannahan ve Eytan Schindelhaim) kar amacı gütmeyen kuruluşlar için gönüllü olarak hafta sonları buluşmaya başladık. Yaptıklarımızın önemini bilmiyoruz, ancak veri becerilerimizi kâr amacı gütmeyen kuruluşlara ücretsiz olarak sağlamanın faydalı bir ödüllendirme yolu olabileceğini düşünüyoruz. San Francisco Körfez Bölgesi'ndeki bazı kâr amacı gütmeyen kuruluşlara e-postalar gönderdik ve beklenmedik yanıtlar aldık.
Birçok kuruluşun kendi verilerine sahip olduğunu, ancak bu verileri gelişimlerini hızlandırmak için nasıl kullanacaklarını bilmediklerini gördük. O yıl, kar amacı gütmeyen bir organizasyona Delta Analytics adı altında kayıt yaptırdık ve birçok mühendis, veri analisti ve araştırmacı bize gönüllü olarak katıldı. Delta hala tam zamanlı bir çalışanı olmadan tamamen gönüllü operasyonlara güveniyor, herkes kar amacı gütmeyen kuruluşlara ücretsiz olarak hizmet veriyor. Google Brain staj programına katılmak için başvurduğumda, 30'dan fazla kar amacı gütmeyen kuruluş için projeler tamamlamıştık.
Delta, hayatımda bir dönüm noktası çünkü ortak ajanslar tarafından sağlanan veriler genellikle dağınık ve yapılandırılmamış. Ancak kullanmamız gereken doğrusal modeller (homoskedastisite, otokorelasyon yok, normal dağılım gibi) nadiren sağlarlar. İktisatçıların en sevdiği araç olan doğrusal fonksiyonların başarısızlığını kişisel olarak deneyimledim. Karmaşık modelleme formları hakkında daha fazla şey öğrenmeye karar verdim.
Udemy adlı bir start-up şirketine veri analisti olarak katıldım. Bu şirketin 150 çalışanı var ve herkesin bir şey öğrenmesine yardımcı olmaya kararlı. Patronum teknik becerilerimi geliştirmeme yardımcı olan zorlu ve geniş kapsamlı projeleri bana emanet etti. Çalışmaya başladığım ilk yıl yaptığım önemli projelerden biri veri toplamak, Udemy'nin ilk spam algılama algoritmasını geliştirmek ve dağıtmaktı.
İstenmeyen posta tespit projesi beni bir teknik mühendisin yolunda büyümeye devam etme konusunda kararlı hale getirdi. Hızlı bir şekilde yinelemek ve üretime dağıtmak da dahil olmak üzere eldeki model üzerinde uçtan uca kontrole sahip olmak istiyorum. Bu iş, programlama konusunda uzmanlık gerektirir. Kariyerimin başlarında, STATA (MATLAB'a benzer bir istatistiksel program), R ve SQL öğrendim. Şimdi Python ile oynamak istiyorum. Hackbright'taki gece dershanesine gidiyorum, işe gitmeden önce çoğu zaman sabah 4'te programlama pratiği yapmak için kalkıyorum. Şimdiye kadar bu alışkanlığı hala sürdürüyorum, ancak bu zamanı, çalışmak istediğim diğer alanlara zaman ayırmak için araştırma alanımla doğrudan ilgili olmayan makaleleri okumak için kullanıyorum.
Altı ay sonra, programlama becerim gelişmesine rağmen, bir mühendise başvuracak kadar yetenekli değilim. O sırada Udemy veri bilimi ekibi ve Analytics ekibim ayrılmıştı. Udemy bana yatırım yapıyor. Bir mühendislik pozisyonuna geçmemi ve doktora dışı ilk veri bilimcisi olmamı onayladılar. Öneri algoritmalarıyla başladım ve modelleri milyonlarca insan arasında büyük ölçekte nasıl dağıtacağımı öğrendim. Mühendislik alanına geçiş teknolojik büyümemi hızlandırdı ve bir mühendis olarak ilerleme yoluma devam etmemi sağladı.
Udemy büyürken hala Delta projesine katılıyorum. Çok sevdiğim iki proje var: Birincisi (Steven Troxler, Kago Kagichiri, Moses Mutuku ile birlikte) Kenya Nairobi'de Eneza Education ile birlikte. Bu, 4 milyondan fazla ilkokul ve ortaokul öğrencisinin cep telefonu metin mesajları yoluyla pratik testlerine girmesine izin vermek için akıllı olmayan telefonları kullanan bir teknoloji eğitim şirketidir.
Eneza'nın verileri, Kenya'daki cep telefonu kullanımı ve topluluk öğrenme uygulamaları hakkında harika bilgiler sağlıyor. İşimiz, öğrencilerin etkinliklere katılmasını engelleyen zor testleri belirlemek ve bireysel ihtiyaç ve yetenekler için özelleştirilmiş yöntemler geliştirmektir. İkincisi bir proje (Sean McPherson, Stepan Zapf, Steven Troxler, Cassandra Jacobs, Christopher Kaushaar ile birlikte) ve Rainforest Connection.
Bu proje, yasadışı ormansızlaşmayı belirlemek için yağmur ormanlarından akan sesi kullanmayı amaçlamaktadır. Sesi spektrogramlara dönüştürmek için bir tesis yapıyoruz ve sınıflandırma için evrişimli sinir ağları kullanıyoruz. Kurtarılan cep telefonları tarafından test edilen sesleri daha iyi üçgenlemek için bazı modeller de inceledik.
2017'nin başlarında, makine öğreniminin temel ilkelerini tanıtmak için bir kurs açmaya karar verdim. Motivasyonum Delta'yı, beceri boşluğunu dolduran kar amacı gütmeyen bir organizasyondan, dünya çapında teknik yetenekler geliştiren bir organizasyona dönüştürmek. Yerel toplulukların verilerini kullanma becerilerini artırarak, daha sürdürülebilir uzun vadeli müdahaleleri teşvik ediyoruz. Udemy'den ayrıldım ve teori ve kodlama modüllerini içeren kurslar geliştirmek için bir grup Delta gönüllüsüyle (Hannah Song, Amanda Su, Jack Pfeiffer, Rosina Norton, Emily Rourke, Kevin Pan, Melissa Fabros) çalışmaya başladım.
Hannah Song ve ben Nairobi, Kenya'ya taşındık ve pilot öğretime başladık. Son 10 yılda Kenya'da verilen tüm kredileri çıkarmak için Kiva API'yi aradık ve ardından yerel bir veri seti oluşturduk. Melissa Fabros, Lina Huang ve Sydney Wong şu anda Fas, Gadir'de bu kursu öğretiyorlar ve öğretim ekibi onunla birlikte büyüdü. Üyeler arasında Brian Spiering, Mario Carrillo, Thuongvu Ho ve Parikshit Sharm yer alıyor.
Kısacası, fast.ai kursuna geçmeden önceki dört yıllık mücadelem yukarıdakidir. Google AI ikamet programına katılma nedenini bilmiyorum, ancak bunun sadece fast.ai kursunu aldığım için olmadığını düşünüyorum.
Bu, Rachel ve Jeremy'nin yaptıklarının değersiz olduğu anlamına gelmez. fast.ai çok özeldir: erişilebilirlik, yetkilendirme ve demokratikleşmenin bir parçasıdır. Fast.ai vizyonu ve topluluğu ile derin bir bağım var. Ayrıca Rachel ve Jeremy, kariyerimin her dönüm noktasında bana yardımcı oldular.
Ancak benim endişem, The Economist'teki hikayenin sadece kendi anlatımın yerini almakla kalmayıp, aynı zamanda bu alanda çalışmaya başlayan her şey için gerçekçi olmayan beklentiler oluşturmasıdır. Bu makale bu yolun ne kadar zor olduğunu vurgulamamaktadır.Eğer hedefe kısa vadede ulaşılmazsa öğrenciler kendilerini sorgulayabilir.
Burada kabul edilemez bir gerçek var, o da tek başına sıkı çalışmanın neredeyse imkansız olduğudur. Bu yolda bana inanan ve beni rahatlık alanımın dışına iten, bana kaslarımı esnetmeme izin veren geniş kapsamlı, önemli bir proje veren birçok insan var. Çok sayıda teknik uzmanın bulunduğu San Francisco'daki deneyimimden çok faydalandım, böylece rehberlik edinebilir ve kendimi ilginç teknolojiye kaptırabilirim.
Bir de şans unsuru var. Google Brain staj programı birkaç yıl önce yoktu. Proje tarihindeki ikinci grup üyeyim. Projenin asıl amacı fast.ai'nin motivasyonu kadar devrim niteliğindedir; proje birden fazla alandan insanlar için araştırma alanları açmayı hedefliyor. Diğer en iyi araştırma laboratuvarları (Uber, Facebook, Microsoft, OpenAI) tarafından açıklanan proje sayısına bakıldığında, projenin başarısı ortadadır.
Alanımızın daha fazla çeşitliliğe ihtiyacı var. Başarı için araçlara erişimi olan ve kabul edilen benim gibi daha fazla insan olmalı. Bununla birlikte, insanların başarıya hazırlanmasının bir kısmı, başarının ne kadar zor olduğunu ve ileriye dönük yolda kaç başarısızlıkla karşılaşacaklarını anlamaktan geçer. The Economist, 12 haftalık yarı zamanlı kurs bittikten sonra her şeyin yoluna gireceğine inanıyor, bu da yanıltıcı.
Google Brain bir kariyerin sonu değil: Bu işi seviyorum ve meslektaşlarımı çok seviyorum ama yine de bu noktayı dikkatlice vurgulamalıyım. Bu dünyada hala önemli sorunları çözen birçok insan var - ama Google'da çalışmıyorlar. Kendi kendine çalışma yolculuğunuza başlamayı düşünüyorsanız, önceden kendinize bir soru sormalısınız: Google'a katılmazsanız, makine öğrenimi konusunda hala tutkulu musunuz? Cevabınız kesin değilse, lütfen dikkatli olun.
Son olarak, araştırma sonsuzdur. Sevdiğim bir alanda çalışıyorum ve meslektaşlarım bana ilham vermeye devam ediyor. Google Brain bana derin sinir ağı yorumlanabilirliği ve model sıkıştırması üzerine önemli araştırmalar yapma fırsatı verdi. Ayrıca Gana, Accra'daki Moustapha Cisse liderliğindeki Google Brain Lab'ın bir parçası olarak katılma fırsatım oldu.
İlginçtir ki, ne kadar çok bilirseniz, o kadar cahil hissedersiniz. Birçok alt alanla temasım hala sınırlı. Hala sürekli sorular soruyorum ve kavram net olmadığında zamanında takip ediyorum. Neyi anlamadığımı anlıyormuş gibi yapmıyorum. Bununla birlikte, alışılmadık geçmişim bana bazı avantajlar getirdi: Meslektaşlarımın pek sahip olmadığı içgörülerim var ve farklı alanlardaki deneyimlerim genellikle bazı yeni çözümler bulmama izin veriyor.
2017'den beri makine öğreniminin temellerini öğretiyorum ve motivasyonum Rachel ve Jeremy ile aynı. Yalnız değiliz Derin Öğrenme Indaba, AIMS Yüksek Lisans Programı, Veri Bilimi Afrika, Derin Öğrenme Yaz Okulu ve Distill.pub gibi yeni başlayanlara yönelik kurslar var. Umarım kurs boyunca, makine öğrenimiyle ilgilenen herkes bu alandaki temel kavramları anlayabilir.
Bazı insanlar için makine öğrenimi geçici bir ilgi alanı haline gelebilir; diğerleri için bu, araştırmacılar, mühendisler, veri bilimcileri ve analistler olmaları için başlangıç noktası olabilir. Her iki sonuç da çok anlamlı. Makine öğrenimi topluluğunun, teknolojinin toplum üzerindeki etkisini derinlemesine tartışmak için yüz düşünce okuluna ihtiyacı var.
Yeni yöntem ve uygulamalara katkıda bulunmak isteyenleri teşvik etmemiz gerekiyor. Hiç şüphe yok ki yolculuğumuz hala devam ediyor, ancak yavaş da olsa her zaman tatmin edici oldu.
Orijinal adres: https://medium.com/@sarahooker/slow-learning-d9463f6a800b
- Bitiş -Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
