Вакансии машинное обучение: Вакансия Machine learning специалист в Москве, работа в компании Дип Системс (вакансия в архиве c 20 сентября 2016)

Содержание

Как я не стал специалистом по машинному обучению / Хабр

Истории успеха любят все. И на хабре их достаточно много.

«Как я получил работу с зарплатой 300 000 долларов в Кремниевой долине»
«Как я получил работу в Google»
«Как я заработал 200 000 $ в 16 лет»
«Как я попал в Топ AppStore с простым приложением курса валют»
«Как я …» и еще тысяча и одна подобная история.

Это же здорово, что человек добился успеха и решил об этом рассказать! Читаешь и радуешься за него. Но большинство таких историй объединяет одно: ты не можешь повторить путь автора! Либо ты живешь не в то время, либо не в том месте, либо ты родился мальчиком, либо…

Я думаю, что истории неуспеха в этом плане часто бывают полезней. Тебе просто не нужно делать то, что сделал автор. А это, согласитесь, гораздо проще, чем пытаться повторить чей-то опыт. Просто такими историями люди обычно не хотят делиться. А я расскажу.

Я много лет проработал в системной интеграции и тех.

поддержке. Несколько лет назад я даже поехал работать системным инженером в Германию, чтобы получать больше денег. Но область системной интеграции меня уже давно не вдохновляла, и я хотел сменить сферу на что-то более денежное и интересное. И в конце 2015 года наткнулся на хабре на статью «Из физиков в Data Science (Из двигателей науки в офисный планктон)», в которой Владимир описывает свой путь в Data Science. Я понял: это то, что мне нужно. Я неплохо знал SQL и мне было интересно работать с данными. Особенно меня впечатляли вот такие графики:

Даже минимальная зарплата в этой сфере была выше, чем любая моя зарплата за всю предыдущую жизнь. Я твердо решил стать инженером по машинному обучению. Последовав примеру Владимира, я записался на coursera.org на специализацию из девяти курсов: «Data Science».

Я делал по одному курсу в месяц. Я был очень прилежным. На каждом курсе я выполнял все задания, пока не получал высший результат. Параллельно с этим я брался за задания на kaggle, и у меня даже получалось!!! Понятно, что призовые места мне не светили, но в 100 несколько раз я попадал.

После пяти успешно выполненных курсов на coursera.org и еще одного “Big Data with Apache Spark” на stepik.ru я почувствовал в себе силы. Я понял, что начинаю врубаться в тему. Я понимал, в каких случаях какие методы анализа следует использовать. Я достаточно неплохо разобрался с Python и его библиотеками.

Моим следующим шагом был анализ рынка вакансий. Необходимо было выяснить, что еще нужно знать, чтобы получить работу. Какие предметные области стоит изучить, которые интересны работодателям. Параллельно с оставшимися 4 курсами я хотел взять еще что-то узкоспециализированное. То, что хочет видеть конкретный работодатель. Это повысило бы мои шансы получить работу для новичка с хорошими знаниями, но без опыта.

Я зашел на сайт по поиску работы, чтобы провести свой анализ. Но вакансий в радиусе 10 километров не было. И в радиусе 25 километров. И даже в радиусе 50 км!!! Как так? Быть не может!!! Я зашел на другой сайт, потом на третий… Потом я открыл карту с вакансиями и увидел примерно ЭТО:

Оказалось, что я проживаю в самом центре аномальной зоны отчуждения питона в Германии. Ни одной грёбаной приемлемой вакансии специалиста по машинному обучению или хотя бы разработчика на Python в радиусе 100 километров!!! Это фиаско, братан!!!

Эта картинка на 100% отражает мое состояние в тот момент. Это был удар ниже пояса, который я сам себе нанёс. И это было реально больно…

Да, можно было поехать в Мюнхен, Кёльн или Берлин – там были вакансии. Но на этом пути встало одно серьёзное препятствие.

Первоначальный наш план при переезде в Германию был такой: ехать туда, куда берут. Нам было абсолютно без разницы, в какой город Германии нас забросит. Следующий шаг – освоиться, оформить все документы и подтянуть язык. Ну а потом рвануть в большой город, чтобы зарабатывать больше. Нашей предварительной перспективной целью был Штутгарт. Большой технологичный город на юге Германии. И не такой дорогой, как Мюнхен. Там тепло и растет виноград. Много промышленных предприятий, поэтому много вакансий с хорошей зарплатой. Высокий уровень жизни. Как раз то, что нам нужно.

Нас забросила судьба в небольшой городок в самом центре Германии с населением около 100000. Мы обжились, освоились, оформили все документы. Город оказался очень уютным, чистым, зеленым и безопасным. Дети пошли в садик и школу. Всё было близко. Кругом очень дружелюбные люди.

Но в этой сказке не оказалось не то, что вакансий специалистов по машинному обучению, тут даже Python оказался никому не нужен.

Мы с женой стали обсуждать вариант переезда в Штутгарт или Франкфурт… Я начал искать вакансии, смотреть требования работодателей, а жена принялась присматривтать квартиру, садик и школу. Примерно через неделю поисков жена мне сказала: «А знаешь, я не хочу ни во Франкфурт, ни в Штутгарт, ни в любой другой большой город. Я хочу остаться тут».

И я понял, что полностью с ней согласен. Я тоже устал от большого города. Только пока я жил в Санкт-Петербурге, я этого не понимал. Да, большой город – идеальное место, чтобы строить карьеру и зарабатывать деньги. Но не для комфортной жизни семьи с детьми. И для нашей семьи этот маленький городок оказался как раз тем, что надо. Здесь было всё то, чего нам так не хватало в Питере.

Мы решили остаться, пока наши дети не подрастут.

Ну а как же Python и машинное обучение? И те полгода, что я уже потратил на всё это? Да никак. Вакансий рядом нет! Тратить 3-4 часа в день на дорогу до работы я больше не хотел. Я так уже работал в Питере несколько лет: ездил с Дыбенко в Красное село, когда еще не построили кольцевую. Полтора часа туда и полтора обратно. Жизнь проходит мимо, а ты смотришь на мелькающие дома из окна автомобиля или маршрутки. Да, в дороге можно читать, слушать аудиокниги и все такое. Но это быстро надоедает, и через полгода-год ты просто убиваешь это время, слушая радио, музыку и бесцельно глядя вдаль.

У меня и раньше были провалы. Но таких глупостей, как эта, я уже не делал давно. Осознание того, что работу инженера по машинному обучению мне не найти, выбило меня из колеи. Я бросил все курсы. Я вообще перестал чем-либо заниматься.

По вечерам я пил пиво или вино, ел салями и играл в LoL. Так прошел месяц.

На самом деле, не столь важно, какие сложности преподносит тебе жизнь. Или даже ты преподносишь себе сам. Важно то, как ты их преодолеваешь и какие уроки из этих ситуаций извлекаешь.

«Что нас не убивает, то делает сильнее». Вы же знаете эту мудрую фразу? Так вот, я считаю, что это полная чушь! У меня есть знакомый, который на волне кризиса 2008 потерял работу директора достаточно крупного автосалона в Питере. Что он сделал? Правильно! Как настоящий мужчина, он пошел искать работу. Работу директора. А когда работу директора не нашел за полгода? Он продолжил искать работу директора, но уже в других сферах, т.к. работать менеджером по продажам автомобилей или кем-то кроме директора для него было не комильфо. В итоге он ничего не нашел и за год. А потом забил на поиск работы вообще. Резюме же висит на HH – кому надо, тот сам позвонит.

И сидел он без работы четыре года, а жена его всё это время зарабатывала деньги. Спустя год она получила повышение, и денег у них стало больше. А он всё сидел дома, пил пиво, смотрел телевизор, играл в компьютерные игры. Конечно, не только это. Он готовил, стирал, убирал, ходил по магазинам. Он превратился в отожравшегося борова. Сделало его всё это сильнее? Я так не думаю.

Мне тоже можно было и дальше пить пиво и винить работодателей, что они не открыли вакансий в моей деревне. Или винить себя в том, что я такой дурак и даже не удосужился посмотреть вакансии прежде, чем взяться за Python. Но толку в этом не было. Мне нужен был план Б…

В итоге я собрался с мыслями и занялся тем, с чего стоило начать в самом начале – с анализа спроса. Я проанализировал рынок вакансий в сфере ИТ в моем городе и пришел к выводу, что рядом со мной есть:


  • 5 вакансий java разработчиков
  • 2 вакансии SAP разработчиков
  • 2 вакансии С# разработчиков под MS Navision
  • 2 вакансии каких-то разработчиков под микроконтроллеры и железо.

Выбор оказался невелик:


  1. SAP имеет наибольшее распространение в Германии. Сложная структура, ABAP. Это, конечно, не 1С, но с него потом будет сложно соскочить. А если переезжать в другую страну, то перспективы найти хорошую работу резко падают.
  2. С# под MS Navision штука тоже специфическая.
  3. Микроконтроллеры отпали сами собой, т.к. там нужно было еще электронику учить.

В итоге, с точки зрения перспектив, зарплаты, распространённости и возможности удалённой работы, победила Java. На самом деле, это Java выбрала меня, а не я её.

А что было дальше – многие уже знают. Об этом я писал в другой статье: «Как стать Java разработчиком за 1,5 года».

Поэтому не повторяйте моих ошибок. Несколько дней вдумчивого анализа могут сэкономить вам уйму времени.

О том, как я изменил свою жизнь в 40 лет и переехал с женой и тремя детьми в Германию я пишу в своем телеграм-канале @LiveAndWorkInGermany. Пишу о том, как это было, что хорошо и что плохо в Германии, о планах на будущее. Коротко и по делу. Интересно? — Присоединяйтесь.

Trud.com Международный поиск работы по всему миру

Trud.com – портал по трудоустройству, поисковая система для работодателей и соискателей со всего мира. 

На нашем сайте специалисты находят работу, а работодатели – сотрудников. 

Trud.com собирает вакансии и резюме с сотен других сайтов. Также в системе:

  • работодатели публикуют вакансии,

  • соискатели составляют резюме. 

Под конкретный запрос система выдает набор вакансий и резюме, соответствующих заданным критериям.

Преимущества Trud.com:

  • Большой выбор вакансий и резюме. Портал – не просто сайт, а поисковая система, объемная база данных. При этом для работы с этой базой не нужны специальные навыки: сайт оснащен всеми необходимыми инструментами, чтобы поиск работы или сотрудников был легким и быстрым.

  • Большие объемы трафика. Над выполнением этой задачи — обеспечения высокой посещаемости сайта — трудится команда специалистов: PPC-менеджеры, SEO-специалист, ликнбилдеры, специалисты по контенту, SMM-менеджер, PR-менеджер. Трафик поисковой системы в сфере трудоустройства больше трафика job-сайта. Пользователю это дает возможность найти на сайте больше полезной информации, прежде всего, вакансий и резюме. Партнеры получают больше переходов на свои сайты. 

  • Полезные сервисы. Trud.com, помимо собственно вакансий и резюме, обеспечивает посетителей сайта статистикой зарплат, обзорами рынка труда, статьями на актуальные темы.Соискатели размещают онлайн-резюме. Каждому пользователю доступен личный кабинет, в котором можно просмотреть статистику просмотров резюме или вакансий, подписаться на рассылки вакансий и новости, сохранить особенно интересную информацию.

Сайт – ядро, главный элемент проекта Trud.com, основной продукт, но он не единственный. Команда Trud.com создала целую эко-систему, в которой работодатели и соискатели – представители самых разных профессиональных сфер и отраслей – находят друг друга. 

Системы машинного обучения и ИИ – Карьера в Apple (RU)

Выберите команду и начните создавать собственную историю.

Инфраструктура систем машинного обучения

Мы создаём надёжный фундамент для самых инновационных решений Apple. Став частью нашей команды, вы сможете общаться с лучшими экспертами и пользоваться лучшими в мире инструментами для анализа, хранения и обработки данных. Вместе мы будем решать сложнейшие задачи из области машинного обучения. И кроме того, вы получите возможность развивать все составляющие наших устройств: аппаратную, программную часть, алгоритмы — именно так работает Apple. Наши направления: разработка серверных систем, анализ и обработка данных, разработка платформ и создание систем для пользователей.

Вакансии в отделе машинного обучения

Глубокое обучение и обучение с подкреплением

Присоединяйтесь к команде исследователей и инженеров, имеющих опыт работы с самыми разными методами машинного обучения: контролируемое и неконтролируемое обучение, порождающие модели, временное обучение, мультимодальные потоки входных данных, обучение с подкреплением и обратная связь, теория принятия решений, теория игр. Эта команда подробно изучает вопросы глубокого обучения и исследует системы искусственного интеллекта, чтобы решать глобальные проблемы современного мира. Направления работы: глубокое обучение, обучение с подкреплением, исследования в этой области.

Вакансии в отделе глубокого обучения и обучения с подкреплением

Технологии синтеза речи и обработки естественного языка

Это коллектив учёных-практиков и исследователей, специализирующихся на разных аспектах обработки естественного языка. Вместе с ними вы будете работать над проблемами понимания речи и текста, вопросами машинного перевода, распознавания именованных сущностей, сегментации, автоматического распознавания речи. Исследования в этом подразделении в основном опираются на объёмные массивы данных. Специалисты используют инновационные методы из области глубокого обучения для решения проблем, с которыми сталкиваются пользователи, говорящие на самых разных языках. Наши направления: разработка систем для работы с естественным языком, моделирование языка, разработка ПО для преобразования текста в речь, разработка языковых структур, обработка и анализ данных, а также исследования в этой области.

Вакансии в отделе синтеза речи и обработки естественного языка

Artificial intelligence development — AI Journey conferences

Artificial intelligence development — AI Journey conferences

AI Journey is a series of events on artificial intelligence and data science held by key international companies, leaders in AI development and application.

AI Journey — серия мероприятий по искусственному интеллекту и анализу данных, проводимая ведущими российскими и международными компаниями, лидерами по разработке и применению технологий искусственного интеллекта.

Дата загрузки:2013-06-05T00:00:00

September-November

18+

AI Journey Contest 2021

International online competition on AI and data science that brings together developers and experts around the world.

AI Journey Contest 2021 will include tasks of varying complexity

Total prize fund of the competition is over RUB 8 million (RUB)

November 10-12

12+

AI Journey Conference 2021

The International Conference on Artificial Intelligence and Data Analysis AI&nbspJourney&nbsp2021 will be held online.

Representatives of international organisations, business, the scientific community and technical specialists will meet at one site. Participants will enjoy exciting speeches by recognized world experts in the industry, representatives of leading companies in the development and implementation of AI technologies in various areas of business and life.

10 NOVEMBER

Society, Government, Business | ESG

11 NOVEMBER

Science and AI Technologies

Take part in AI Journey 2021

November 12

12+

AI Journey Junior

AI Journey Junior is an online conference on artificial intelligence for middle and high school students interested in artificial intelligence technologies.

The conference program is aimed at popularizing AI technologies among the younger generation. Leading Russian and foreign experts in the field of artificial intelligence and data analysis are scheduled to participate in AI Journey Junior.
An exciting program awaits: lectures, quests, open lessons and master classes on artificial intelligence.

Best AI solutions created by AIIJC contest participants will be presented in a special demo zone.

Take part in AI Journey 2021

September-November

AI Journey Contest 2021

For adults

November 10-12

AI Journey Conference 2021

November 12

AI Journey Junior

Keynote speakers

Tom Gruber

Co-founder and CTO of Siri; Head of Advanced Development Group, Apple; Impact Advisor, Humanistic. AI

Tomas Mikolov

Senior Researcher, CIIRC CTU

Michael Bronstein

Professor, Imperial College London; Head of Graph Machine Learning, Twitter

Juergen Schmidhuber

Lab Director, IDSIA; Chief scientific advisor, AIRI (Artificial Intelligence Research Institute)

Josef Sivic

Distinguished researcher, CIIRC CTU; Head of the Intelligent Machine Perception project; Director, ELLIS Unit Prague

Catherine Mohr

President, Intuitive Foundation

Michael Wooldridge

Head of Department of Computer Science, Professor of Computer Science, Senior Research Fellow, University of Oxford

Hanan Salam

Co-Founder, Women in AI

Greg Lavender

Senior Vice President, Chief Technology Officer and General Manager of the Software & Advanced Technology Group at Intel Corporation, Intel

Bjørn Berge

Deputy Secretary General of the Council of Europe

Seth Dobrin

Global Chief AI Officer, IBM

Ralf Haupter

President, Microsoft EMEA

Somdeb Majumdar

Director, Intel AI Lab (US)

Anshumali Shrivastava

Associate Professor, Computer Science, Rice University; Founder, ThirdAI Corp.

Ben Goertzel

Founder and CEO, SingularityNET

Xiuquan Li

Deputy Director, Research Center for New Generation Artificial Intelligence Development, Ministry of Science and Technology China

Marc Hamilton

VP for Solutions Architecture & Engineering, NVIDIA

Dr. Bertalan Meskó

PhD, the Medical Futurist, Director, The Medical Futurist Institute, WEBICINA KFT

Stephen Brobst

Chief Technology Officer, Teradata

Marcus Kennedy

General Manager, Gaming Division, Client Computing Group, Intel

Julian Togelius

Associate Professor, Department of Computer Science and Engineering, Tandon School of Engineering, New York University

Shukri Dabaghi

Senior Vice President for SAS responsible for Asia Pacific, Japan, Australia, Russia, Middle East & Africa

Jason Dai

Intel Fellow and Chief Architect, Big Data AI

Daniel Zhou

President, Huawei Eurasia

Ron Raffensperger

CTO Digital Transformation, Financial Services Industry, Global Financial Services Business Unit of Enterprise BG, Huawei

Yi Zeng

Professor at Institute of Automation, Chinese Academy of Sciences

Mark Kroese

General Manager, Sustainability Solutions, Microsoft Environmental Sustainability

Mo Haghighi

Hybrid Cloud Build Leader — EMEA, IBM

Ambarish Mitra

Chief Product Officer and Co-founder, Greyparrot

Patrice Amann

Regional leader Financial Services Industry EMEA, Microsoft

Konstantin Novoselov

Russian and British physicist. Nobel Prize laureate, Fellow of the Royal Society of London, International Member of the National Academy of Sciences, Co-chairman of the Sber Scientific Prize Committee

Stanislav Smirnov

Russian and Swiss mathematician, Fields Medal winner. Academic supervisor at the Department of Mathematics and CS of SPbU, Prof. at the University of Geneva and Skoltech, Director of the NCCR SwissMAP. Co-founder of the Sirius Educational Center

Konstantin Anokhin

Russian neurobiologist, Academician of the Russian Academy of Sciences. Director of the Institute for Advanced Brain Research at MSU, Head of the Laboratory for Neurobiology of Memory at P.K. Anokhin Research Institute of Normal Physiology

Gonzalo Ferrer

Associate Professor, Skoltech

Mikhail Burtsev

PhD. Head of lab, MIPT; Scientific Director, AIRI (Artificial Intelligence Research Institute)

Evgeny Burnaev

Associate Professor, Head of ADASE group, Skoltech; Principal Researcher, AIRI (Artificial Intelligence Research Institute)

Ivan Oseledets

Full professor, Skoltech

Dmitry Vetrov

Head of the Centre of Deep Learning and Bayesian Methods, Faculty of Computer Science, HSE University; Principal Researcher, AIRI (Artificial Intelligence Research Institute)

Denis Logunov

Deputy Director for Research, Gamaleya Research Institute of Epidemiology and Microbiology; Corresponding Member of the Russian Academy of Sciences, N. F. Gamaleya Federal Research Center for Epidemiology & Microbiology

Andrei Raigorodskii

Director of MIPT-School of Applied Mathematics and Computer Science, Doctor of Physical and Mathematical Sciences, Professor

Subscribe

and follow the news of the events on AI and data analysis AI Journey!

You are successfully subscribed to the newsletter

Automated Decision   Support & Scoring    Natural Language Processing    Computer Vision     Automated Decision   Support & Scoring    Natural Language Processing     Computer Vision     speech analytics

The message has been successfully sent

The request has been successfully sent

AIJ 2021

Please fill out the form below to receive a notification when registration starts.

Thank you!

We will notify you when the registration starts!

Ваш e-mail подтвержден!

Работа Machine Learning в Минске

Команда разработчиков ISsoft в поиске талантливых Machine Learning Engineers. Наши специалисты занимаются проектированием, разработкой и поддержкой систем машинного обучения и deep learning для клиентов из Западной Европы и США. Мы ищем инженеров, которые смогут поддерживать высокий уровень продукта на проекте и не боятся трудных задач.

В команде AI & ML ISsoft открыты вакансии для Machine Learning Engineers, Data Scientists и Data Analysts. Специалисты команд работают на проектах в направлениях:

  • NLP and Text Processing​;
  • Forecasting;
  • Image/Video processing and Computer Vision.

Задачи специалиста по машинному обучению

Обязанности разработчиков отличаются в зависимости от области Machine learning. Вот несколько примеров задач, которые помогают решать клиентам наши ML developers:

  • Автоматическое обнаружение уязвимостей в исходном коде и предоставление средств их устранения с помощью машинного обучения.
  • Оптимизация процесса маркетинга для e-commerce проекта на основе расчета положительных и отрицательных свойств продуктов с торговой площадки Amazon.
  • Оптимизация качества оказания медицинских услуг и снижения медицинских расходов за счет прогнозирования оттока пользователей приложения на основе их активности.

Ключевые требования для Machine Learning Engineer

Специалисты, откликнувшиеся на вакансии Machine Learning Engineer в ISsoft, должны иметь:

  • Экспертные знания в моделировании данных и понимание различных структур данных.
  • Опыт использования классических моделей машинного обучения (SVM, PCA, Decision Trees, Random Forest, Boosting regressors и другие).
  • Опыт обучения моделей Machine Learning (инициализация, оптимизация, регуляризация и настройка гиперпараметров).
  • Опыт разработки и обучения моделей deep learning с использованием фреймворков (PyTorch, TensorFlow, Keras и др).
  • Опыт объектно-ориентированного программирования на Python, знание SQL.
  • Опыт работы с облаками: AWS, Azure, GCP.
  • Уровень английского языка Upper Intermediate и выше.

Что мы предлагаем сотрудникам нашей компании?

  • Работу на интересных проектах Machine Learning с нетривиальными задачами. У нас много проектов из разных сфер, что позволяет подобрать максимально интересную сотрудникам область для работы. Мы будем поручать вам задачи, над которыми придется много трудиться, но эти обязанности будут способствовать вашему развитию и активному применению ваших скиллов.
  • Профессиональное развитие. В ISsoft есть Тренинг-центр с опытными тренерами, которые обучают всех сотрудников. Кроме того, компания регулярно устраивает обмен знаниями, проводя внутренние митапы и хакатоны. Сотрудники представляют компанию на технических конференциях и других профессиональных мероприятиях. Также ISsoft проводит ежегодную конференцию ISsoft Insights.
  • Хороший социальный пакет. Мы заботимся о наших сотрудниках, поэтому предлагаем им не только комфортные условия работы, но и отличный социальный пакет. В него входит медицинская страховка, горячие обеды в офисе каждый день, бесплатные курсы английского и другие бонусы. Также сотрудники дважды в год отдыхают на корпоративе, регулярно общаются с коллегами на тимбилдингах, Happy hours и других рекреационных мероприятиях.

Обладаете всеми навыками и хотите работать в команде ISsoft на позиции специалиста по машинному обучению? Заполняйте короткую онлайн-форму, присылайте сопроводительное письмо и прикрепляйте резюме. Наш HR-менеджер оперативно свяжется с вами и пригласит на чашечку кофе на собеседование в один из наших офисов.

Как внедрить машинное обучение и повысить количество откликов на вакансии на 5 миллионов: кейс HeadHunter

Мы приняли решение перейти на машинное обучение, чтобы повысить качество поиска и рекомендаций для соискателей — и одновременно увеличить количество подходящих откликов для работодателей.

В нашей базе более 600 тысяч вакансий и 37 миллионов резюме. Пользователи hh.ru совершают более 100 миллионов действий в сутки: как они ищут, что просматривают, где откликаются, а что оставляют без внимания? Нам стало ясно, что вручную мы не сможем оперативно отслеживать все модели пользовательского поведения и дорабатывать поиск в соответствии с ними.

Наблюдая за пользователями, мы поняли, что при поиске многие даже не указывают название профессии. Более того, они не включают фильтры и не пользуются специальным «языком запросов».

63% соискателей просто нажимают кнопку «Найти» без ввода текста, еще 19% отправляют запросы, состоящие из одного слова. И только 14% используют дополнительный функционал поиска с фильтрами. Из-за этого кандидаты просто не видят многие подходящие им предложения.

Фото: Unsplash

Работодатели ищут резюме чуть лучше, но незначительно: 35% пишут в строке поиска только одно слово, нередко общее название специальности (например, «менеджер»), 20% рекрутеров отправляют запросы из двух слов, а 23% и вовсе ничего не пишут. Фильтры тоже оказались не очень популярны: например, резюме по профессиональной области отбирают лишь 25% работодателей.

Единственный выход из этой ситуации – научить систему «догадываться», что ищут соискатели и работодатели.

Таким образом мы смогли бы стимулировать увеличение количества откликов на вакансии. Ведь наша задача – обеспечивать клиентам-работодателям постоянный поток кандидатов, которых можно пригласить на собеседование, и максимально оптимизировать время и трудозатраты на найм.

Рекомендации превыше всего

Первый шаг на пути к «умному» поиску – это научить систему ранжировать вакансии так, чтобы рекомендовать наиболее подходящие конкретному кандидату. 

До внедрения машинного интеллекта модель рекомендательной системы опиралась на схожесть текстового содержания с названиями резюме и вакансий, то есть просто анализировала наборы слов в них. Такой алгоритм имеет большие ограничения, так как видит общность не всегда там, где нужно.

К примеру, запрос «менеджер по продажам» похож на «специалист по продажам» и «менеджер по закупкам», в каждом случае отличается лишь одно значимое слово. При этом поиск не нашел бы ничего общего со «специалистами по работе с клиентами», хотя их функционал нередко включает в себя продажи. Как видите, подобные текстовые совпадения не всегда уместны, а при ранжировании нужно учитывать и другие признаки.

Сейчас в нашей рекомендательной системе к каждой вакансии мы применяем несколько моделей, причем каждую последующую – только если предыдущая предсказала высокую вероятность отклика. 

Первая модель совсем простая и легкая в вычислениях, последующие – сложнее, «умнее» и требуют больше серверных ресурсов. Таким образом, систему можно представить себе как воронку с четырьмя блоками: тремя фильтрующими и одним ранжирующим, каждый из которых отсеивает неподходящие соискателю вакансии, основываясь на определенных параметрах:

  • эвристический фильтр максимально сокращает выборку, основываясь на базовых параметрах: региона и профессиональной области;
  • фильтрующие модели (линейная и на XGBoost) отсекают существенную часть нерелевантных вакансий, основываясь на признаках, связанных с профессиональной областью и специализацией. Например, проверяется, насколько желаемая должность в резюме совпадает с названием вакансии, отличаются ли зарплатные ожидания соискателя и предложения компании и так далее;
  • и в заключение ранжирующая модель на XGBoost более точно распределяет их положение в выборке с точки зрения наибольшей вероятности отклика.

Иллюстрация: HeadHunter

Чтобы обучить ранжирующую модель, мы используем метод градиентного бустинга, адаптированный под наши задачи.

Он строит набор решающих деревьев, результат применения которых позволяет сравнить между собой вероятности отклика и приглашения для нескольких вакансий. Каждое следующее дерево строится так, чтобы корректировать ошибки предыдущих, то есть идет их последовательная минимизация. Благодаря этому методу мы можем учитывать даже очень сложные зависимости отклика и приглашения кандидата от вакансии, резюме, запроса, поведения на сайте.

Как мы учили систему учиться

Сначала были выгружены данные о вакансиях и резюме соискателей. Из них были сформированы «пары», а также отслеживалось, был ли отклик и затем – приглашение.

Из этого сопоставления мы извлекли важные признаки: разность зарплат, графиков работы, смысловых конструкций, в целом их больше 500. Затем на их основе наши дата-сайентисты c помощью машинного обучения формируют модели, которые сами определяют, кому и какую вакансию показать, чтобы вероятность отклика соискателя и последующего приглашения от работодателя на них была максимальной.

Внедряя машинное обучение, не стоит ждать волшебства и мгновенных результатов. Это довольно тернистый путь с большим количеством экспериментов и итераций.

Разработчикам и дата-сайентистам нужно время, чтобы собрать все необходимые данные, написать признаки, настроить гиперпараметры, сделать метрики для измерения качества и всю окружающую инфраструктуру. Каждое изменение проверяется в три этапа: с помощью локальных метрик, A/B-тестов, и затем всю совокупность измерений – на общих метриках поиска. 

Локальные метрики показывают, насколько лучше новая модель стала работать на тестовом наборе данных. На A/B-тестах мы уже «включаем» изменения для «экспериментальной» части пользователей и проверяем на практике, стала ли система работать для них лучше, чем для той контрольной группы, где поиск остался прежним.

Сейчас «умный» поиск, кроме формальных признаков, содержания и формы резюме, анализирует действия как конкретного пользователя, так и похожих на него: на что откликаются, а на что нет, что добавляют в избранное, за какими откликами следуют приглашения.

Поведенческие признаки являются «сильными» для алгоритмов. Модель учитывает поведение, тем самым определяя степень привлекательности и ранжируя вакансии на ее основе.

Так, система отслеживает, на какие вакансии после просмотра откликаются чаще, чем на другие, или откликаются кандидаты с похожими резюме. В будущем система будет показывать их в выборке выше других вакансий.

Схематически работу нашего машинного обучения можно изобразить вот так:

Иллюстрация: HeadHunter

Многие считают нейросети лучшим и универсальным алгоритмом, а deep learning – альтернативой для выделения признаков вручную.

На практике подобрать архитектуру и другие гиперпараметры для нейросетей сложнее, чем для других алгоритмов.

Обучение требует большого объема данных и аппаратных мощностей, применение в production – сложных зависимостей, а разработка признаков, которые подаются нейросети на вход, никуда не исчезает.

Однако нейросети позволяют извлекать из данных такие закономерности, которые нельзя получить при помощи других алгоритмов. Поэтому мы используем сигнал от нейросети как метапризнак, и подаем его на вход обычным моделям.

Разительные перемены

За год использования «умного» поиска количество приглашений на собеседования увеличилось на 47%.

Система стала приносить в среднем на 5 миллионов откликов в месяц больше по сравнению с показателями 2017 года, к тому же эти отклики стали более подходящими, так что они конвертируются в 1,1 миллиона дополнительных приглашений на собеседования.

Помимо того, что внедрение машинного обучения стало нашим конкурентным преимуществом на рынке, мы достигли цели, которую поставили перед собой в самом начале: научиться искать релевантные вакансии для соискателей, чтобы как можно больше людей смогли найти работу, а компании – подходящих сотрудников.

Дальше – больше

Мы продолжаем улучшать «умный» поиск и рекомендации и все еще находимся в начале большого и очень интересного пути.

Поисковую систему нельзя сделать раз и навсегда так, чтобы она оставалась неизменной и отлично работала с данными, которые постоянно меняются.

В ближайшее время мы планируем доработать поведенческие признаки в поиске по вакансиям, улучшить качество рекомендаций для «незалогиненных» пользователей, продолжить развивать модели, предоставив им больше данных для обучения.


Материалы по теме:

Мы оптимизируем бизнес-процессы с помощью ML уже почти 2 года. Каких результатов удалось достичь?

Машинное обучение в юридической сфере: почему будущее еще не наступило

Разработка решений data science: плюсы, минусы и основные трудности

Как повысить продажи в три раза с помощью Big Data и машинного обучения?

Машинное обучение: как оно применяется в жизни

Что такое data science и как это работает?

Фото на обложке: Unsplash

Безопасность | Стеклянная дверь

Пожалуйста, подождите, пока мы проверим, что вы реальный человек. Ваш контент появится в ближайшее время. Если вы продолжаете видеть это сообщение, отправьте электронное письмо чтобы сообщить нам, что у вас возникли проблемы.

Veuillez терпеливейший кулон Que Nous vérifions Que Vous êtes une personne réelle. Votre contenu s’affichera bientôt. Si vous continuez à voir ce сообщение, связаться с нами по адресу Pour nous faire part du problème.

Bitte warten Sie, während wir überprüfen, dass Sie wirklich ein Mensch sind.Ихр Inhalt wird в Kürze angezeigt. Wenn Sie weiterhin diese Meldung erhalten, Информировать Sie uns darüber bitte по электронной почте и .

Эвен Гедульд А.У.Б. terwijl мы verifiëren u een человек согнуты. Uw содержание wordt бинненкорт вергегевен. Als u dit bericht blijft zien, stuur dan een электронная почта naar om ons te informeren по поводу ваших проблем.

Espera mientras verificamos Que eres una persona real. Tu contenido se sostrará кратко. Si continúas recibiendo este mensaje, информация о проблемах enviando электронная коррекция .

Espera mientras verificamos Que eres una persona real. Tu contenido aparecerá en краткий Si continúas viendo este mensaje, envía un correo electronico a пункт informarnos Que Tienes Problemas.

Aguarde enquanto confirmamos que você é uma pessoa de verdade. Сеу контеудо será exibido em breve. Caso continue recebendo esta mensagem, envie um e-mail para Para Nos Informar Sobre O Problema.

Attendi mentre verificiamo che sei una persona reale.Il tuo contenuto verra кратко визуализировать. Se continui a visualizzare questo message, invia удалить все сообщения по электронной почте indirizzo для информирования о проблеме.

Включите Cookies и перезагрузите страницу.

Этот процесс автоматический. Вскоре ваш браузер перенаправит вас на запрошенный вами контент.

Подождите до 5 секунд…

Перенаправление…

Код: CF-102/6f5634d4df3d5f92

Безопасность | Стеклянная дверь

Пожалуйста, подождите, пока мы проверим, что вы реальный человек.Ваш контент появится в ближайшее время. Если вы продолжаете видеть это сообщение, отправьте электронное письмо чтобы сообщить нам, что у вас возникли проблемы.

Veuillez терпеливейший кулон Que Nous vérifions Que Vous êtes une personne réelle. Votre contenu s’affichera bientôt. Si vous continuez à voir ce сообщение, связаться с нами по адресу Pour nous faire part du problème.

Bitte warten Sie, während wir überprüfen, dass Sie wirklich ein Mensch sind. Ихр Inhalt wird в Kürze angezeigt.Wenn Sie weiterhin diese Meldung erhalten, Информировать Sie uns darüber bitte по электронной почте и .

Эвен Гедульд А.У.Б. terwijl мы verifiëren u een человек согнуты. Uw содержание wordt бинненкорт вергегевен. Als u dit bericht blijft zien, stuur dan een электронная почта naar om ons te informeren по поводу ваших проблем.

Espera mientras verificamos Que eres una persona real. Tu contenido se sostrará кратко. Si continúas recibiendo este mensaje, информация о проблемах enviando электронная коррекция .

Espera mientras verificamos Que eres una persona real. Tu contenido aparecerá en краткий Si continúas viendo este mensaje, envía un correo electronico a пункт informarnos Que Tienes Problemas.

Aguarde enquanto confirmamos que você é uma pessoa de verdade. Сеу контеудо será exibido em breve. Caso continue recebendo esta mensagem, envie um e-mail para Para Nos Informar Sobre O Problema.

Attendi mentre verificiamo che sei una persona reale.Il tuo contenuto verra кратко визуализировать. Se continui a visualizzare questo message, invia удалить все сообщения по электронной почте indirizzo для информирования о проблеме.

Включите Cookies и перезагрузите страницу.

Этот процесс автоматический. Вскоре ваш браузер перенаправит вас на запрошенный вами контент.

Подождите до 5 секунд…

Перенаправление…

Код: CF-102/6f5634ee2bd2fe24

8 Карьера в области машинного обучения [+ Перспективы работы на 2021 год]

Хотите работать в области машинного обучения?

Ознакомьтесь с карьерным ландшафтом + 8 лучших вакансий ML

Видеонаблюдение, оповещения о пробках на ваших смартфонах, программное обеспечение для распознавания лиц, рекомендации продуктов при просмотре веб-сайта — все это примеры реальных приложений машинного обучения.

Количество рабочих мест, связанных с компьютерами и информационными технологиями, стремительно растет, и, согласно прогнозам, с 2019 по 2029 год занятость вырастет на 11%. 26 стран к 2025 году (цифра, представляющая чистый прирост — 97 миллионов новых рабочих мест создано, а 85 миллионов уволены).

Значительное увеличение числа должностей в сфере ИИ означает, что спрос на специалистов по машинному обучению высок.Эти должности не только пользуются большим спросом, но и высокооплачиваемы, многие из них получают зарплату более 100 000 долларов, а некоторые даже превышают 200 000 долларов.

В этом подробном руководстве вы узнаете больше о лучших карьерных путях в области машинного обучения, необходимых навыках, вакансиях и перспективах заработной платы и многом другом.

Что такое машинное обучение?

Во-первых, давайте рассмотрим определение машинного обучения, которое классифицируется как подраздел (или тип) искусственного интеллекта. Машинное обучение — это «все, что касается извлечения ценной информации из данных» — это может быть что угодно, от текста и видео до изображений и звука. Как следует из названия, способность к обучению — это то, что отличает машинное обучение от других подмножеств ИИ.

«Машинное обучение — это ветвь ИИ, которая дает компьютерным системам возможность автоматически учиться и совершенствоваться на основе опыта, а не программироваться явно. В машинном обучении компьютеры используют огромные наборы данных и применяют алгоритмы для обучения и прогнозирования», — сообщает TechRepublic.

Чем занимается специалист по машинному обучению?

Существует несколько типов специалистов по машинному обучению, и должностные обязанности могут пересекаться с другими ролями в зависимости от размера организации. В целом машинное обучение решает сложные задачи.

«Люди, интересующиеся машинным обучением, часто умеют решать проблемы», — сообщает U.S. News & World Report. «Их мотивирует задача найти закономерности, которые другие не видят.Они разрабатывают инструменты, которые могут просеивать огромные наборы данных и находить общие черты. Они хотят превратить неизвестное в известное, помочь принимать лучшие решения и добиваться лучших результатов».

Одним из самых востребованных специалистов по ИИ является инженер по машинному обучению , в обязанности которого входит создание и управление платформами для проектов машинного обучения. Как объясняет Discover Data Science, инженеры по машинному обучению часто могут выполнять функции специалистов по данным в небольших организациях.

Навыки, необходимые специалисту по машинному обучению

Согласно TechRepublic, инженеры по машинному обучению должны обладать следующими навыками:

  • Основы информатики
  • Программирование
  • Математика и статистика
  • Наука о данных
  • Глубокое обучение
  • Решение проблем
  • Разработка программного обеспечения и проектирование систем
  • Искусственный интеллект

Навыки межличностного общения также чрезвычайно ценны на должностях машинного обучения.К ним относятся:

  • Работа в команде
  • Хорошее общение
  • Организация
  • Сильная рабочая этика

Шаги к карьере в области машинного обучения

Степень бакалавра

Первым шагом на пути к карьере в области машинного обучения является получение степени бакалавра в области компьютерных наук, математики, науки о данных или компьютерного программирования.

Опыт

Как описано в Discover Data Science, для некоторых ролей машинного обучения может потребоваться предыдущий опыт работы инженером или специалистом по искусственному интеллекту.Например, важно знать, что инженер по машинному обучению — это не должность начального уровня, а та, которая часто требует опыта в области науки о данных и разработки программного обеспечения, а также ученой степени. Для карьеры в области машинного обучения вы можете начать с роли инженера-программиста, программиста, разработчика программного обеспечения, специалиста по данным или инженера-компьютерщика. Инженер по машинному обучению Создает платформы для проектов машинного обучения и управляет ими* 150 000 долларов США Специалист по данным Собирает, анализирует и интерпретирует сложные наборы данных с помощью машинного обучения и прогнозной аналитики* $122 579 Специалист по обработке естественного языка (NLP) Работает с компьютерами, чтобы «понимать, интерпретировать и манипулировать человеческим языком.” Использует информатику и компьютерную лингвистику для преодоления разрыва между человеческим общением и компьютерным пониманием.** 101 574 долл. США Разработчик бизнес-аналитики (BI) Анализирует наборы данных для определения тенденций бизнеса и рынка* $102 276 Дизайнер машинного обучения, ориентированный на человека Отвечает за «проектирование, разработку и развертывание информационных систем, которые учатся у людей и сотрудничают с ними глубоким и значительным образом.*** $116 668 Инженер-программист Исследует, проектирует, внедряет и поддерживает программные решения.+ Контролирует всю систему и использует инженерные концепции для разработки программного обеспечения.++ $107 294 Разработчик программного обеспечения Отвечает за весь процесс разработки программного обеспечения.++ $103 620 Компьютерный лингвист Обучает компьютеры понимать человеческий язык.Цифры о зарплатах СМИ могут быть изменены. Пожалуйста, нажмите на ссылку, чтобы увидеть обновленные средние значения.

* 5 профессий в сфере искусственного интеллекта

** Обработка естественного языка (NLP)

*** Ответственный искусственный интеллект может эффективно развертывать модели машинного обучения, ориентированные на человека

+ Каковы обязанности инженера-программиста?

++ Программное обеспечение «Разработчик» или «Инженер»: в чем разница?

+++ Компьютерный лингвист

Прогноз работы и зарплаты в области машинного обучения

В целом перспективы для всех видов компьютерных и технологических профессий чрезвычайно благоприятны, и ожидается, что в период с 2019 по 2029 год они вырастут примерно на 11%, согласно данным U.С. Бюро трудовой статистики. Это намного быстрее, чем в среднем по стране для всех профессий.

По данным Glassdoor, средняя зарплата в сфере машинного обучения составляет 114 121 доллар, а некоторые зарплаты превышают 150 000 долларов. Средняя базовая зарплата в области машинного обучения составляет 146 085 долларов США, согласно Руководству по зарплате машинного обучения Springboard.

Компания Indeed назвала должность инженера по машинному обучению лучшей работой № 1 в 2019 году. Согласно тому же отчету, «при средней базовой заработной плате в размере 146 085 долларов США и колоссальном росте вакансий на 344% инженер по машинному обучению является чрезвычайно многообещающей вакансией. .Те, кто рассматривает возможность смены карьеры или новичок в рабочей силе, возможно, захотят рассмотреть возможность обучения для этой роли. Большинство инженеров по машинному обучению получили степень магистра или прошли онлайн-сертификационный курс».

Компании, нанимающие специалистов по машинному обучению

Недавний поиск вакансий «машинного обучения» в LinkedIn выявил более 40 000 результатов в самых разных компаниях и отраслях, некоторые из которых перечислены ниже. (Вы можете увидеть похожие результаты LinkedIn здесь.)

  • Амазонка
  • Adobe
  • Игровая приставка
  • яблоко
  • Гугл
  • Леви Страусс и Ко
  • Локхид Мартин
  • Спотифай
  • Веризон
  • Лифт
  • PayPal
  • Банк Америки
  • Зум
  • Группон

Часто задаваемые вопросы о карьере в области машинного обучения

В: Какие языки программирования рекомендуется изучать, чтобы стать инженером по машинному обучению?

A: От TechRepublic: «В отчете IBM Python, Java и R названы лучшими языками для инженеров по машинному обучению, за ними следуют C++, C, JavaScript, Scala и Julia.

В: В каких отраслях наиболее популярны должности машинного обучения?

A: Вакансии в области машинного обучения доступны в самых разных отраслях, но, согласно недавнему поиску LinkedIn, некоторые из самых популярных включают:

  • Оборона и космос
  • Компьютерное программное обеспечение
  • Интернет
  • Финансовые услуги
  • Информационные технологии и услуги

В: Каковы основные области для вакансий AI и ML?

A: По данным Forbes, Нью-Йорк, Сан-Франциско и Вашингтон, Д.C. вошли в тройку лучших городов по вакансиям в области искусственного интеллекта и машинного обучения в 2019 году.

В: Каков диапазон заработной платы для должностей машинного обучения?

A: Зарплата зависит от ряда факторов, в том числе от конкретных должностных обязанностей и опыта, но обычно нижняя граница диапазона начинается примерно с 90 000 долларов и может достигать 150 000 или более 200 000 долларов для инженера по машинному обучению.

Поднимите свою карьеру в области машинного обучения на новый уровень, получив ученую степень

Возможности высокооплачиваемой карьеры в области искусственного интеллекта, машинного обучения и смежных дисциплин продолжали расширяться в различных отраслях.Ученая степень в области искусственного интеллекта может помочь вам добиться успеха и обеспечить конкурентное преимущество на растущем рынке труда в области искусственного интеллекта, который включает машинное обучение.

Университет Сан-Диего — уважаемый лидер отрасли и поставщик образовательных услуг — предлагает инновационную онлайн-программу получения степени магистра в области ИИ, Магистр наук в области прикладного искусственного интеллекта , которая предназначена для подготовки выпускников к успеху в этой важной, быстрорастущее поле.Эта программа включает в себя значительный акцент на реальных приложениях, этике, конфиденциальности, моральной ответственности и социальном благе при разработке систем с поддержкой ИИ.

рабочих мест | Карьера | Маккинзи и компания

Консалтинг Вы будете находиться в нашем офисе Gurugram с нашей командой QuantumBlack Labs. У вас будет возможность работать над сложными проблемами с нашими клиентами в ряде областей. Вы будете работать в тесно связанной и многофункциональной команде специалистов по данным, архитекторов данных, инженеров и дизайнеров.

QuantumBlack помогает компаниям использовать данные для принятия решений. Мы объединяем бизнес-опыт, опыт в крупномасштабном анализе и визуализации данных, а также передовые ноу-хау в области разработки программного обеспечения для достижения результатов. От аэрокосмической отрасли до финансов и Формулы-1 — мы помогаем компаниям прототипировать, разрабатывать и развертывать индивидуальные решения для анализа данных и визуализации данных, чтобы принимать более обоснованные решения. Как инженер по машинному обучению, вы должны уметь решать проблемы, используя технологии для решения сложных аналитических задач.У вас должен быть глубокий интерес к технологиям больших данных, аналитике и науке о данных.

Работая как «внутренний стартап», мы уже сделали многое, чтобы гордиться, например:

  • Разработка продуктов, которые могут объяснить нашим пользователям сложные ландшафты данных и идеи ученых и инженеров данных для работы над крупномасштабными сложными проектами. Мы открыли исходный код для некоторых из этих платформ, таких как наши удостоенные наград Kedro или CasualNex : 

    • Автономность. Ваши пользователи сидят за столом рядом с вами, что дает вам беспрецедентное понимание ключевых проблем и возможность итеративно разрабатывать решения с буквально быстрой обратной связью.Тот факт, что наши разработчики имеют такой хороший доступ к пользователям, делает их отличными кандидатами для включения в жизненный цикл продукта и предложения следующего большого продукта!
    • Разнообразие и собственническое мышление. Вы станете частью экосистемы очень разных продуктов, предоставляющих уникальные возможности для обучения и развития. Вы будете не просто инженером, а основной частью продуктовой команды, принимающей решения о продуктах, используя свое инженерное творчество, где вы будете взаимодействовать с пользователями, работать с дизайнерами и менеджерами по продуктам, проводить презентации и вести переговоры.Наша команда часто участвует в мероприятиях, которыми они увлечены за пределами своей основной команды разработчиков, таких как наша инициатива Analytics for Social Good , обмен опытом во время Lightning Talks, присоединение к нашей группе Toastmasters и многие другие.
    • Междисциплинарная среда для совместной работы. В наши команды входят инженеры по машинному обучению, творческие технологи, менеджеры по продуктам и дизайнеры с различным опытом, которые работают вместе и увлечены своей работой.

    Вы умеете создавать красивый код на Python и/или Scala и хотите работать над разнообразными проектами по науке о данных. Вы стремитесь постоянно развивать свои навыки и адаптироваться к новым технологиям, тенденциям и фреймворкам. Вы глубоко интересуетесь технологиями больших данных, аналитикой и наукой о данных. Вы умеете решать проблемы и используете технологии для решения сложных аналитических задач.

    Вы будете тесно сотрудничать с учеными и инженерами данных для создания и развертывания моделей машинного обучения.Вы будете работать с руководством гильдии, чтобы установить стандарты для практики разработки программного обеспечения в команде разработчиков машинного обучения и поддерживать другие дисциплины.

    Вы будете играть активную роль в проведении групповых собраний и семинаров с клиентами. Вы можете выбрать и использовать подходящие аналитические библиотеки, языки программирования и фреймворки для каждой задачи. Вы будете создавать высококачественный код, который позволит нам запускать решения в производство. Вам необходимо преобразовать код в повторно используемые библиотеки, API и инструменты.Вы будете играть ключевую роль, помогая нам формировать следующее поколение нашей продукции.

    Несмотря на то, что мы выступаем за использование правильной технологии для правильной задачи, мы часто используем следующие технологии: Python, PySpark, Python Scientific Stack; MLFlow, Grafana, Prometheus для управления конвейером машинного обучения и мониторинга; SQL, Airflow, Databricks, наша собственная платформа конвейерной обработки данных с открытым исходным кодом под названием Kedro, Dask/RAPIDS; Django, GraphQL и ReactJS для горизонтальной разработки продуктов; контейнерные технологии, такие как Docker и Kubernetes, CircleCI/Jenkins для CI/CD, облачные решения, такие как AWS, GCP и Azure, а также Terraform и Cloudformation для развертывания и многое другое!

    Однако мы выступаем за использование правильной технологии для правильной задачи.Технологии развиваются, и инженеры несут ответственность за то, чтобы быть в курсе новейших технологий и следить за тем, чтобы мы вносили соответствующие изменения, где это необходимо.

    Преимущества: 

    • Объединение технологий и лидерства – мы работаем с новейшими технологиями и методологиями и предлагаем первоклассные программы обучения на всех уровнях.
    • Инновационная рабочая культура. Креативность, проницательность и увлеченность исходят из баланса. Мы создаем современную рабочую среду, уделяя особое внимание здоровому образу жизни, информативным беседам и тренингам.
    • Стремление к разнообразию. Мы признаем преимущества работы с людьми из всех слоев общества.
    • Непрерывное развитие и прогресс. Мы предлагаем широкий выбор учебных занятий, от семинаров до международных конференций, адаптированных к вашим потребностям, а также систему личного наставничества. У нас есть несколько карьерных путей и географических мест для развития в Фирме.
    • Глобальное сообщество – вы будете учиться у коллег по всему миру, общаясь как внутри компании, так и за ее пределами посредством различных организованных встреч.

    Посетите наш сайт Вакансии , чтобы посмотреть наше видео и прочитать о наших процедурах собеседования и преимуществах.

    • Степень магистра в области компьютерных наук, инженерии, математики или эквивалентный опыт 
    • Профессиональный опыт работы с объектно-ориентированными языками программирования, такими как Scala, C++ или Java
    • Хорошее понимание принципов разработки программного обеспечения
    • Знание технологий больших данных, таких как Spark, Hadoop/MapReduce приветствуется
    • Сильные навыки программирования на Python
    • Глубокие знания фреймворков и библиотек тестирования
    • Хорошее знание языков управления базами данных, таких как SQL, PostgreSQL
    • Профессиональное знание сред машинного обучения, таких как регрессия, деревья решений, случайное лес или глубокое обучение
    Применить сейчас

    Группа навыков работы — CSS Pre-Associate
    Код профессиональных навыков — ASFI — старший научный сотрудник по аналитике (I)
    Функция — Технология
    Промышленность — Высокие технологии
    Опубликовать в LinkedIn — #LI-DNI
    Дата публикации в LinkedIn —
    Город публикации LinkedIn —
    Штат/провинция LinkedIn публикации —
    Страна публикации в LinkedIn —
    Должность в LinkedIn — Инженер по машинному обучению — QuantumBlack
    Функция LinkedIn —
    Отрасль LinkedIn —
    Уровень старшинства в LinkedIn —

    QuantumBlack помогает компаниям использовать данные для принятия решений.Мы объединяем бизнес-опыт, опыт в крупномасштабном анализе и визуализации данных, а также передовые ноу-хау в области разработки программного обеспечения для достижения результатов. От аэрокосмической отрасли до финансов и Формулы-1 — мы помогаем компаниям прототипировать, разрабатывать и развертывать индивидуальные решения для обработки данных и визуализации данных, чтобы принимать более обоснованные решения. Как инженер по машинному обучению, вы должны уметь решать проблемы, используя технологии для решения сложных аналитических задач. У вас должен быть глубокий интерес к технологиям больших данных, аналитике и науке о данных.

    Работая как «внутренний стартап», мы уже сделали многое, чтобы гордиться, например:

    • Разработка продуктов, которые могут объяснить нашим пользователям сложные ландшафты данных и идеи ученых и инженеров данных для работы над крупномасштабными сложными проектами. Мы открыли исходный код для некоторых из этих платформ, таких как наши удостоенные наград Kedro или CasualNex : 

      • Автономность. Ваши пользователи сидят за столом рядом с вами, что дает вам беспрецедентное понимание ключевых проблем и возможность итеративно разрабатывать решения с буквально быстрой обратной связью.Тот факт, что наши разработчики имеют такой хороший доступ к пользователям, делает их отличными кандидатами для включения в жизненный цикл продукта и предложения следующего большого продукта!
      • Разнообразие и собственническое мышление. Вы станете частью экосистемы очень разных продуктов, предоставляющих уникальные возможности для обучения и развития. Вы будете не просто инженером, а основной частью продуктовой команды, принимающей решения о продуктах, используя свое инженерное творчество, где вы будете взаимодействовать с пользователями, работать с дизайнерами и менеджерами по продуктам, проводить презентации и вести переговоры.Наша команда часто участвует в мероприятиях, которыми они увлечены за пределами своей основной команды разработчиков, таких как наша инициатива Analytics for Social Good , обмен опытом во время Lightning Talks, присоединение к нашей группе Toastmasters и многие другие.
      • Междисциплинарная среда для совместной работы. В наши команды входят инженеры по машинному обучению, творческие технологи, менеджеры по продуктам и дизайнеры с различным опытом, которые работают вместе и увлечены своей работой.

      Вы умеете создавать красивый код на Python и/или Scala и хотите работать над разнообразными проектами по науке о данных. Вы стремитесь постоянно развивать свои навыки и адаптироваться к новым технологиям, тенденциям и фреймворкам. Вы глубоко интересуетесь технологиями больших данных, аналитикой и наукой о данных. Вы умеете решать проблемы и используете технологии для решения сложных аналитических задач.

      Что вы будете делать

      Вы будете тесно сотрудничать с учеными и инженерами данных для создания и развертывания моделей машинного обучения.Вы будете работать с руководством гильдии, чтобы установить стандарты для практики разработки программного обеспечения в команде разработчиков машинного обучения и поддерживать другие дисциплины.

      Вы будете играть активную роль в проведении групповых собраний и семинаров с клиентами. Вы можете выбрать и использовать подходящие аналитические библиотеки, языки программирования и фреймворки для каждой задачи. Вы будете создавать высококачественный код, который позволит нам запускать решения в производство. Вам необходимо преобразовать код в повторно используемые библиотеки, API и инструменты.Вы будете играть ключевую роль, помогая нам формировать следующее поколение нашей продукции.

      Несмотря на то, что мы выступаем за использование правильной технологии для правильной задачи, мы часто используем следующие технологии: Python, PySpark, Python Scientific Stack; MLFlow, Grafana, Prometheus для управления конвейером машинного обучения и мониторинга; SQL, Airflow, Databricks, наша собственная платформа конвейерной обработки данных с открытым исходным кодом под названием Kedro, Dask/RAPIDS; Django, GraphQL и ReactJS для горизонтальной разработки продуктов; контейнерные технологии, такие как Docker и Kubernetes, CircleCI/Jenkins для CI/CD, облачные решения, такие как AWS, GCP и Azure, а также Terraform и Cloudformation для развертывания и многое другое!

      Однако мы выступаем за использование правильной технологии для правильной задачи.Технологии развиваются, и инженеры несут ответственность за то, чтобы быть в курсе новейших технологий и следить за тем, чтобы мы вносили соответствующие изменения, где это необходимо.

      Преимущества: 

      • Объединение технологий и лидерства – мы работаем с новейшими технологиями и методологиями и предлагаем первоклассные программы обучения на всех уровнях.
      • Инновационная рабочая культура. Креативность, проницательность и увлеченность исходят из баланса. Мы создаем современную рабочую среду, уделяя особое внимание здоровому образу жизни, информативным беседам и тренингам.
      • Стремление к разнообразию. Мы признаем преимущества работы с людьми из всех слоев общества.
      • Непрерывное развитие и прогресс. Мы предлагаем широкий выбор учебных занятий, от семинаров до международных конференций, адаптированных к вашим потребностям, а также систему личного наставничества. У нас есть несколько карьерных путей и географических мест для развития в Фирме.
      • Глобальное сообщество – вы будете учиться у коллег по всему миру, общаясь как внутри компании, так и за ее пределами посредством различных организованных встреч.

      Посетите наш сайт Вакансии , чтобы посмотреть наше видео и прочитать о наших процедурах собеседования и преимуществах.

      Квалификация

      • Степень магистра компьютерных наук, инженерии, математики или эквивалентный опыт
      • Профессиональный опыт работы с объектно-ориентированными языками программирования, такими как Scala, C++ или Java
      • Хорошее понимание принципов разработки программного обеспечения
      • Знание больших Технологии данных, такие как Spark, Hadoop/MapReduce, желательны
      • Сильные навыки программирования на Python
      • Глубокие знания сред тестирования и библиотек
      • Хорошее знание языков управления базами данных, таких как SQL, PostgreSQL
      • Профессиональные знания сред машинного обучения, таких как регрессия, деревья решений, случайный лес или глубокое обучение
      «, «title»:» Инженер по машинному обучению — QuantumBlack», «место работы»: [ { «@type»: «Место» , «адрес»: { «@type»: «Почтовый адрес», «addressLocality»: «Гуруграмма», «addressCountry»: «Индия» } } ], «Организация по найму»: { «@type»: «Организация», «название»: «МакКинзи и компания», «sameAs»: «https://www.mckinsey.com/» } }

      Thinking Machines Data Science

      Создавайте масштабные решения с высокой степенью масштабируемости для продуктов машинного обучения для больших данных…          

       

      Работа в Thinking Machines

      Thinking Machines — это технологическое консалтинговое агентство, которое занимается созданием ИИ-платформ и платформ данных для решения важных задач для наших клиентов. . Наше видение состоит в том, чтобы Юго-Восточная Азия стала глобальным центром науки о данных. Для этого мы создаем культуры данных для одной организации за раз.

      Мы — компания, состоящая из интеллектуально любознательных, граждански мыслящих, постоянно обучающихся людей. Мы считаем, что отличные продукты для обработки и обработки данных создаются с заботой о людях, и что лучший способ внедрить инклюзивные инновации — начать с разнообразной команды.

      Наша сфера деятельности невероятно динамична, поэтому мы хотим работать с людьми, которые готовы расти вместе с нами. Мы хотим нанять людей, которые могут продемонстрировать способность к обучению, а затем предоставить им индивидуальное обучение, возможности роста и прекрасную рабочую среду, чтобы вывести их на мировой уровень.

      Описание роли

      В качестве инженера по машинному обучению вашей основной обязанностью будет создание крупных масштабируемых решений для задач с большими данными. Вы будете активно участвовать в различных командах специалистов по машинному обучению, превращая их работу в системы, способные обрабатывать огромные объемы данных. Для этого вам нужно будет подходить к решению проблем с самых разных сторон: от использования облачных решений для обработки неподобающе параллельных задач с данными до разборки и написания собственных алгоритмов для ускорения вычислений.Благодаря этой практике вы сократите время обработки с буквальных лет до простых дней, часов или даже минут, не выходя при этом из бюджета.

      Вы также будете участвовать в создании производственных систем машинного обучения, похожих на DevOps, называемых MLOps. Ваша главная задача будет заключаться в создании, развертывании и обслуживании высоконадежных и доступных систем на основе создаваемых нами моделей машинного обучения, которые работают в реальных производственных средах. Это особенно важно для проектов машинного обучения с компонентами пользовательских приложений, которым необходимо использовать наши модели машинного обучения и взаимодействовать с ними, будь то через API, который предоставляет прогнозы в реальном времени, или механизмы обратной связи для их постоянного обновления.

      В целом вы будете инженером, специализирующимся на работе с компонентами машинного обучения для распараллеливания и производства. Ожидается, что вы обладаете солидным инженерным чутьем, позволяющим собрать воедино решения из всех доступных инструментов, а также сильным алгоритмическим мышлением, позволяющим создать такое решение, если оно еще не существует.

      Поскольку пространство для стартапов может сойти с ума, мы ищем того, кто готов принять любой вызов и инициативен в поиске способов быть полезным. Мы двигаемся быстро, и мы надеемся, что вы не отставайте!

      Требования

      Мы ищем человека, который соответствует следующему профилю:

      • Увлекается кодированием. Вам должно быть очень комфортно писать и объяснять код.

      • Отличная гигиена кода. Вы не единственный, кто будет читать ваш код и работать над ним. Вы должны уметь писать чистый, понятный и удобный для сопровождения код для всей команды.

      • Любит проблемы с оптимизацией. Вы будете работать над алгоритмами, которые вы, возможно, не создавали, и должны найти способы максимизировать каждый его шаг.

      • Быстро строит. Время — наш самый ценный ресурс. Вы всегда можете вложить деньги в вещи, чтобы сделать их быстрее, но это не очень инженерно.

      • Строит устойчиво. Можно потрудиться над новой вещью один или два раза, но если нам придется делать это в третий раз, нам нужно подумать о том, как масштабировать ее с меньшими усилиями. Предлагайте лучшие практики, создавайте фреймворки, создавайте повторно используемый код!

      • Коммуникативные навыки. Вы будете объяснять вещи во время большинства разговоров как внутри компании, так и за ее пределами. Поэтому вам нужно знать, как формулировать себя, чтобы быть понятным в зависимости от того, с кем вы разговариваете.Документирование вашего кода — это данность, и вам также необходимо писать техническую документацию в виде руководств, руководств и т. д.

      • Высокая инициатива. Иногда команда не будет знать, что вы им нужны. Вы должны быть в курсе проектов, над которыми работают люди, и поддерживать их, когда это применимо. Вам не нужно знать, как использовать/починить принтер.

      Кроме того, мы требуем, чтобы филиппинские кандидаты имели скорость интернет-соединения не менее 12 Мбит/с и возможность работать из дома, поскольку теперь мы работаем как полностью удаленная компания.

      Квалификация и компетенции

      Для этой должности требуются следующие минимальные технические навыки и опыт:

      • 2+ года опыта работы инженером-программистом, DevOps или аналогичного опыта

      • Знание инструментов контроля версий (предпочтительно Git) И современные клеммы

      • продемонстрировали опыт с использованием концепций DevOps и инструментов, таких как:

        • непрерывное развертывание и интеграция

        • автоматизированные тестирования

        • Docker и Kubernetes, или похожие альтернативы

      • Рабочие знания модулей машинного обучения, таких как sklearn, torch, keras

      • Практические знания веб-сервисов и парсинга

      Бонусные баллы за опыт работы с Google Cloud Platform, AWS или аналогичными облачными провайдерами и могут продемонстрировать достаточные знания их архитектуры и движущаяся композиция нц.Дополнительные бонусные баллы, если вы уже выполняли ML Ops на профессиональном уровне.

      Льготы и привилегии

      Мы предлагаем следующие компенсации и льготы:

      • Конкурентоспособная заработная плата — сумма компенсации положительно коррелирует со сложностью работы, соответствующим опытом, пригодностью и факторами квалификации.

      • Полностью удаленно — из-за глобальной пандемии мы перешли на полностью удаленную работу в обозримом будущем, пока мы следим за ситуацией.

      • Индивидуальный бюджет профессионального развития — годовой бюджет на конференции, учебные курсы, книги и программное обеспечение поможет вам отточить свои навыки и приобрести новые, которые помогут вам расти в вашей роли.

      • Полное медицинское страхование — щедрый пакет медицинского страхования при приеме на работу.
      • Регулярные встречи один на один с руководством для обсуждения карьерных и личных целей, прогресса в работе и любых вопросов и проблем.

      Как стать инженером по машинному обучению в 2021 году

      В этом руководстве:

      5 шагов, чтобы стать инженером по машинному обучению
      Кто такой инженер по машинному обучению?
      Чем занимается инженер по машинному обучению?
      Описание работы инженера по машинному обучению
      Заработная плата инженера по машинному обучению
      Перспективы работы инженера по машинному обучению

      Все мы знаем основную предпосылку искусственного интеллекта.ИИ — это то, как машины могут учиться в своей среде и со временем повышать интеллект. Большинство людей узнали об этой идее через голливудское кино, которое дало нам мрачное представление о том, что может случиться, если ИИ попадет не в те руки, но многие, смотревшие «, 2001: Космическая одиссея, » десятилетия назад, не знали, что что искусственный интеллект существует, по крайней мере, в упрощенной форме, с 1950-х годов. ИИ — это широкая область, охватывающая множество различных приложений, и в настоящее время он широко используется в различных организациях.Как определено сегодня, машинное обучение — это одно из подмножеств ИИ, которое работает с приложениями для работы с большими данными и достигается с помощью передовой математики и программирования.

      Безусловно, машинное обучение (ML) чаще всего используется в бизнесе. Предприятия всех типов, ориентированные на клиентов, используют машинное обучение, чтобы лучше понимать тенденции и предпочтения клиентов и применять маркетинговые и рекламные стратегии, которые точно и эффективно нацелены на эти тенденции. Цель машинного обучения состоит в том, чтобы запрограммировать компьютеры так, чтобы они принимали данные реального мира от реальных людей, использующих технологии, и определяли по этим данным симпатии и склонности человека.Затем эти результаты используются для размещения наиболее релевантной рекламы перед клиентами.

      Facebook – это, вероятно, наиболее очевидный пример пользователя, использующего машинное обучение. Владельцы учетных записей в Facebook слишком хорошо осведомлены о том, что реклама нацелена непосредственно на них за все, что они делают. И не только в Фейсбуке. Купите что-нибудь или даже поищите это на Amazon, и вскоре вы увидите рекламу этого товара в своей учетной записи Facebook.

      Искусственный интеллект и машинное обучение начали широко использоваться только в последние 10-20 лет.Признание того, что машинное обучение может дать бизнесу, все еще распространяется. Ожидается, что в обозримом будущем рост числа рабочих мест, связанных с машинным обучением, будет одним из самых высоких в любой отрасли, поэтому перспективы очень радужные.

      Машиностроение — это не карьера начального уровня. Чтобы стать инженером по машинному обучению, требуется многолетний опыт работы в области науки о данных и разработки программного обеспечения, а также высшее образование. В этом руководстве представлен обзор роли инженера по машинному обучению и перечислены шаги, необходимые для начала и максимального успеха в карьере.Включен подробный список должностных обязанностей, образования, образования и опыта, необходимых для успешной работы в профессиональной сфере, а также информация о заработной плате и прогнозы на будущее рынка труда инженеров машинного обучения.

      Кто такой инженер по машинному обучению?  

      Машинное обучение — это форма ИИ, которая позволяет системе учиться на данных, а не посредством явного программирования. После того, как программа машинного обучения написана, ее необходимо «обучить», прежде чем она будет развернута по назначению.Обучение — это процесс, посредством которого машина учится. В программировании используются алгоритмы, которые обрабатывают обучающие данные, предоставленные инженером по машинному обучению, что позволяет создавать более точные модели на основе этих данных. Модель машинного обучения — это выходные данные, созданные после обучения алгоритма машинного обучения с приемом данных. После обучения, когда модель машинного обучения получает данные из реального мира, она выдает результат. Алгоритм прогнозирования создаст прогнозную модель. Когда прогностическая модель получает данные, она выдает прогноз на основе данных, которые обучили модель.

      Благодаря обучению и итеративному онлайн-обучению модель машинного обучения может значительно улучшить понимание типов ассоциаций, существующих между элементами данных. Из-за их сложности и размера эти паттерны и ассоциации могут быть легко пропущены человеческим наблюдением. Методы машинного обучения необходимы для повышения точности прогностических моделей. В зависимости от характера решаемой бизнес-задачи существуют различные подходы, основанные на типе и объеме данных.

      Инженер по машинному обучению должен понимать каждый из этих подходов, а также то, как и в каких ситуациях их применять. Четыре основных используемых подхода: обучение с учителем, обучение без учителя, обучение с подкреплением и глубокое обучение. Различия между этими подходами заключаются в данных, которые будут использоваться для создания модели обучения. Обучение с учителем используется с данными, уже снабженными метками, например, для идентификации животных по новым изображениям. Неконтролируемое обучение используется с немаркированными данными и часто используется для выявления спама или нежелательной почты с использованием неопознанных элементов в электронной почте.Обучение с подкреплением похоже на контролируемое обучение тем, что оно использует помеченные данные. Однако обучение с подкреплением выполняется без использования обучающих данных, вместо этого улучшая его моделирование путем проб и ошибок на основе реальных данных. Глубокое обучение включает нейронные сети для итеративного обучения на основе данных. Это особенно полезно при изучении шаблонов из неструктурированных данных в таких приложениях, как распознавание речи и лиц.

      Инженер по машинному обучению должен иметь глубокие познания в математике, чтобы распознавать различные типы наборов данных и уметь определять хотя бы элементарные закономерности и тенденции в данных.Используя платформу машинного обучения, такую ​​как IBM, Microsoft, Google и Amazon, инженер машинного обучения должен затем использовать передовые методы и алгоритмы программирования для создания системы, способной принимать данные определенного типа и превращать их в желаемый результат моделирования.

      Чем занимается инженер по машинному обучению?  

      Обладая передовыми навыками в математике, программировании и науке о данных, инженеры по машинному обучению оценивают потоки данных и определяют, как лучше всего приступить к созданию моделей, которые возвращают отполированную информацию для удовлетворения потребностей организации.После того, как программы написаны, инженеры машинного обучения предоставляют данные, чтобы помочь системе научиться интерпретировать данные и делать прогнозы или делать выводы. Когда система достаточно обучена, она запускается в любых необходимых настройках. Затем инженеры по машинному обучению должны отслеживать производительность системы и оценивать данные, возвращаемые моделированием, чтобы обеспечить их точность. В небольших организациях инженеры по машинному обучению часто выполняют функции специалистов по обработке и анализу данных, но в более крупных организациях эти два специалиста совместно работают над предоставлением чистых данных и созданием оптимальной системы машинного обучения, которую специалисты по данным затем будут использовать для предоставления необходимых данных.

      Инструментами торговли являются платформы машинного обучения, которые затем используются в качестве основы для сложных программ, которые принимают данные и учатся делать наиболее точные идентификации, прогнозы или любой другой требуемый смоделированный вывод. Наиболее часто используемые языки программирования включают, но не ограничиваются следующим: 

      • JavaScript
      • R
      • Scala
      • Julia

      Инженеры по машинному обучению также должны хорошо знать стандартные алгоритмы, используемые для программирования и моделирования.Иногда требуются индивидуальные алгоритмы или просто изменения стандартных алгоритмов, но знание этих алгоритмов в рамках четырех основных подходов (обучение с учителем, обучение без учителя, обучение с подкреплением и глубокое обучение) имеет решающее значение. Некоторые из наиболее широко используемых алгоритмов включают следующие: 

      • Решения деревьев
      • Naive Bays классификации
      • обычные наименьшие квадраты регрессионные
      • логистическая регрессия
      • Поддержка векторных машины
        • Методы ансамбля
        • Анализ кластеризации
        • Главный компонентный анализ
        • Индивидуальный анализ ценностей

        Инженеры по машинному обучению также должны записывать свои процессы и результаты и сообщать о результатах своей организации, а иногда и внешним заинтересованным сторонам.

        Пять шагов, чтобы стать инженером по машинному обучению

        Шаг 1:   Степень бакалавра  

        Поскольку основными требованиями к знаниям для инженера по машинному обучению являются математика, наука о данных, информатика и компьютерное программирование, степень бакалавра для начинающего инженера по машинному обучению в идеале должна быть связана с одной из этих дисциплин. Также могут быть применимы альтернативные степени в смежных областях, таких как статистика или физика. Инженеры по машинному обучению также должны обладать сильной деловой хваткой, чтобы понимать потребности работодателей в данных, поэтому степени в области бизнеса также могут быть хорошей отправной точкой, но затем они должны быть дополнены обширной технической подготовкой в ​​необходимых науках.

        Шаг 2. Варианты начальной карьеры  

        Инженер по машинному обучению — это не должность начального уровня, но с чего начать тому, кто хочет стать инженером по машинному обучению? Вот несколько возможностей.

        • Инженер-программист
        • Программист-программист
        • Разработчик программного обеспечения

        Шаг 3. Получите степень магистра и/или доктора философии.  

        Одной степени бакалавра недостаточно для подавляющего большинства вакансий инженера по машинному обучению.Степени магистра в области науки о данных, информатики, разработки программного обеспечения и т. д. и даже докторская степень. в машинном обучении предоставит очень много вариантов для инженеров по машинному обучению.

        Этап 4:   Карьера после окончания учебы   

        Дополнительное образование и опыт позволят профессионалам, по крайней мере, войти в дверь инженера по машинному обучению, но также предоставят другие возможности. Руководящие должности станут доступны тем, у кого есть опыт и образование, и, конечно же, сильные лидерские качества.Также проводится большое количество исследований в области искусственного интеллекта и машинного обучения, в основном крупными технологическими компаниями, такими как Apple, Google и Microsoft. Эти исследовательские позиции вполне могут определить будущее машинного обучения. Некоторые организации, которые не могут оправдать штат сотрудников по машинному обучению на полную ставку, нанимают внештатных инженеров по машинному обучению для создания и внедрения определенных систем машинного обучения, поэтому фриланс может быть прибыльным и гибким путем профессиональной карьеры. А для тех, кто хочет обучать следующее поколение инженеров по машинному обучению, должности преподавателей университетов, конечно же, будут в пределах досягаемости.

        Шаг 5. Никогда не прекращайте учиться  

        В любой технической отрасли, особенно в такой быстро и стремительно развивающейся, как машинное обучение, очень важно идти в ногу со временем. Всегда будьте в курсе и изучайте новые алгоритмы, платформы машинного обучения, языки программирования, библиотеки машинного обучения и т. д. Проходите курсы повышения квалификации, получайте профессиональные сертификаты и развивайте сеть других специалистов по машинному обучению.

        Должностная инструкция инженера по машинному обучению  

        Хотя основные обязанности инженера по машинному обучению могут во многом совпадать в разных организациях, детали будут существенно различаться.Это будет зависеть от характера организации, ее основных потребностей и целей в области машинного обучения, а также от уровня опыта инженера по машинному обучению. Подробности, обычно включаемые в список пожеланий сотрудника инженера по машинному обучению, включают некоторые из следующих: 

        • Работа с исследователями данных и бизнес-аналитиками для определения проблем в бизнес-контексте
        • Создание конвейеров данных, которые извлекают данные из различных источников
        • Создание и поддержка моделей обучения и инфраструктуры машинного обучения
        • Выбор подходящих наборов данных и методов представления данных
        • Проектирование эксперименты и методологии анализа, которые являются статистически строгими 
        • Проведение тестов и экспериментов по машинному обучению 
        • Выполнение статистического анализа и тонкой настройки с использованием результатов тестов 
        • Создание пользовательского интерфейса для взаимодействия с моделями машинного обучения посредством моделирования, визуализации показателей моделей и сбора данных отзыв эксперта в предметной области 
        • Участие в проверках кода для обеспечения качества кода и обмена передовым опытом и опытом с командой 

        Опыт и навыки инженера по машинному обучению  

        Инженеры по машинному обучению, как правило, должны иметь как минимум степень магистра, а иногда и докторскую степень.D. в области информатики или смежных областях. Продвинутые знания математики и навыки анализа данных являются важными компонентами опыта инженера по машинному обучению. Поскольку процессы и результаты должны быть доведены до сведения руководства и/или внешних заинтересованных сторон, инженеры по машинному обучению также должны обладать сильными навыками письменного и устного общения. Конкретный опыт и знания, которые обычно требуются при найме работодателей, могут также включать следующее: 

        • Опыт работы с платформами машинного обучения, такими как Microsoft Azure, Google Cloud, IBM Watson и Amazon
        • Знание языков программирования машинного обучения, таких как Python, C, C++, Java, JavaScript, R и Scala
        • Знание и опыт работы с Вероятность и статистика
        • Знание и опыт моделирования и оценки данных
        • Опыт применения алгоритмов и библиотек машинного обучения
        • Сильные навыки проектирования и разработки программного обеспечения

        Заработная плата инженера по машинному обучению

        Согласно Payscale, средняя годовая зарплата инженеров по машинному обучению составляет 112 806 долларов США плюс бонусы и участие в прибылях.Опыт оказывает огромное влияние на заработок инженера по машинному обучению. В среднем за должности начального уровня платят около 93 000 долларов в год, а инженеры по машинному обучению с опытом работы от пяти до девяти лет получают в среднем около 138 000 долларов в год. И доходность там не перестает расти. Инженеры по машинному обучению со стажем более 20 лет зарабатывают в среднем 162 000 долларов в год.

        Перспектива работы инженера по машинному обучению  

        Перспективы машинного обучения чрезвычайно высоки в сегодняшнем ландшафте науки о данных.На самом деле, Forbes недавно включил его в число 10 лучших технических навыков, которые, по прогнозам, будут расти быстрее всего в 2021 году. Forbes определил, что спрос на навыки ИИ и машинного обучения вырастет на 71% в сумме к 2025 году, и подсчитал, что существует почти 200 000 открытых вакансий. сегодня требуется опыт в области машинного обучения. Ведущие инженеры по машинному обучению работают в таких отраслях, как производство, информационные технологии, финансы и страхование, маркетинг и реклама для бизнеса, а также профессиональные услуги.

        Тесла Карьера

        Категория работы Автопилот и робототехника
        Местоположение Пало-Альто, Калифорния
        Необх. ID 99253
        Тип задания Полная занятость

        Роль:

        Автопилот имеет решающее значение для миссии Теслы.Это безопаснее, делает вождение более приятным и, в конечном счете, оправдает ожидания автопилотируемых автомобилей. Как член команды Tesla по моделированию автопилота, вы получите уникальную возможность ускорить темпы улучшения автопилота с течением времени. Команда моделирования реализует эти цели путем создания синтетических наборов данных для обучения нейронных сетей, создания инструментов, которые позволяют разработчикам программного обеспечения для автопилота проводить виртуальные тестовые поездки вместо реальных, а также путем тестирования всех изменений кода и выпусков программного обеспечения для автопилота на предмет регрессивного поведения.

        Обязанности:

        В качестве инженера по глубокому обучению автопилотного моделирования вы будете способствовать развитию автопилотного моделирования, обеспечивая и ускоряя создание фотореалистичных 3D-сцен посредством нейронного рендеринга, нейронной анимации и реконструкции сцены/объекта. Вы будете в авангарде приложений глубокого обучения и будете обучать нейронные сети в кластере в крупномасштабных распределенных условиях — у нас есть один из крупнейших обучающих кластеров в мире! У вас будет огромный охват и автономия, а также захватывающая возможность повлиять на цель Tesla по полному самоуправлению и нашу миссию: ускорить переход мира к устойчивой энергетике.Вы творческий человек, способный самостоятельно назначать проекты в различных областях команды Autopilot. Вы также воспользуетесь возможностью выявить пробелы между реальной и смоделированной средами и устранить эти пробелы с помощью современных методов машинного обучения/глубокого обучения.

         

        Требования:

        • Уровень эксперта Знание Python и соответствующих фреймворков/библиотек; способность управлять дизайном, отладкой/профилированием и контролем версий.
        • Способность писать быстрый и производительный код глубокого обучения; понимание взаимодействия/передачи ЦП/ГП, CUDA, конвейерной/многопроцессорной обработки и узких мест задержки/пропускной способности во время обучения нейронных сетей.
        • Опыт проектирования архитектуры нейронных сетей с нуля с возможностью постепенного и итеративного улучшения нейронных сетей на основе результатов.
        • Глубокое понимание внутренних основ глубокого обучения, т. е. деталей слоев (свертка, внимание, нормализация и т. д.), обратное распространение и оптимизаторы.
        • Способность читать и использовать соответствующую академическую литературу и опыт применения современных моделей глубокого обучения к компьютерному зрению (например, сегментация, обнаружение) или тесно связанной области (NLP, неконтролируемое обучение).

        Предпочтительные навыки:

        • Опыт нейронного рендеринга, генеративного моделирования, реконструкции сцен и/или расширенного компьютерного зрения.

Post A Comment

Ваш адрес email не будет опубликован.