Jaka jest codzienna rutyna pracy naukowca uczącego się maszyn?

Jestem studentem CS na niemieckim uniwersytecie i teraz piszę pracę magisterską. Skończę za dwa miesiące. Muszę podjąć bardzo trudną decyzję, czy mam kontynuować doktorat, czy znaleźć pracę w branży.

Moje powody do doktoratu:

• Jestem bardzo ciekawą osobą i czuję, że wciąż brakuje mi zbyt dużej wiedzy. Chcę się dużo nauczyć, a doktor mi w tym pomoże, ponieważ mogę robić więcej dobrych kursów i czytać tony artykułów oraz być ekspertem w eksploracji danych i uczeniu maszynowym. Uwielbiam matematykę, ale nie byłem w tym dobry na studiach licencjackich (zły uniwersytet). Teraz, w tym niemieckim uniwersytecie, czuję, że rozwinąłem wiele świetnych umiejętności matematycznych i chcę to poprawić, ponieważ naprawdę kocham matematykę! (Byłem naprawdę bardzo zły z matematyki na studiach i za życia, ale teraz widzę, że potrafię dobrze matematykę!)

• Będę pracować z trudnymi intelektualnie rzeczami.

• Muszę być szczery i powiedzieć, że nienawidzę też widzieć kogoś z wyższym wykształceniem niż ja. Więc jeśli wychodzę na ulicę i widzę kogoś z doktoratem, nie muszę mówić „och, wow, ten facet jest mądrzejszy ode mnie”. Wolę być po drugiej stronie. ;)

Moje powody, dla których NIE robiłem doktoratu:

• Czytam w Internecie o zrobieniu doktoratu lub nie zrobieniu tego. Dowiedziałem się, że w większości zwykłych przypadków osoby z doktoratem wykonują tę samą pracę, co ludzie z mistrzami. (to była ogólna obserwacja w informatyce, nie dotyczy ML / DM).

• Mogę rozpocząć karierę i zarobić dużo pieniędzy w ciągu 1 lub 2 lat, a potem prawdopodobnie mogę założyć własną firmę.

Co jeszcze nie jest jasne:

Wciąż nie wiem, jaki jest mój ostateczny cel na końcu. Czy to ma mieć znaną małą firmę? Czy może to być znany naukowiec? Nadal nie mam odpowiedzi na to pytanie.

Aby pomóc mi podjąć decyzję, chcę wiedzieć dwie rzeczy:

• Jak to jest pracować jako naukowiec / uczący się maszyny z tytułem magistra w branży? Jaki rodzaj pracy wykonujesz? Zwłaszcza kiedy czytam te reklamy w Amazon jako naukowiec uczący się maszyn, zawsze zastanawiam się, co robią.

• To samo pytanie, co wcześniej, ale z doktoratem. Czy robisz coś innego lub to samo, co z mistrzami?

• Czy mam zamiar uporać się z interesującymi problemami? A może jakieś nudne rzeczy?

Krótka uwaga: widziałem faceta z doktoratem w dziedzinie uczenia maszynowego (w Niemczech) i pracuje w firmie promującej oprogramowanie do uczenia maszynowego. Jak zrozumiałem, większość jego pracy polega na szkoleniu ludzi w zakresie korzystania z metod i oprogramowania (drzewa decyzyjne ... itp.).

Byłoby wspaniale, gdybym mógł uzyskać odpowiedzi na pytania związane z Niemcami / Szwajcarią w niektórych znanych, dobrych firmach.

Alex, nie mogę komentować konkretnie Niemiec ani Szwajcarii, ale pracuję dla międzynarodowej firmy zatrudniającej ponad 100 000 osób z różnych krajów. Większość z tych osób ma co najmniej stopnie naukowe, wielu ma tytuły magistra i doktora, a oprócz kadr i personelu administracyjnego większość z nas jest ekspertami w jednej lub kilku różnych dziedzinach naukowych. Mam ponad 30-letnie doświadczenie, pracowałem jako wykwalifikowany specjalista naukowo-techniczny, kierownik, kierownik projektu i ostatecznie powróciłem do roli czysto naukowej, którą lubię. Brałem również udział w zatrudnianiu personelu i być może niektóre z moich dalszych obserwacji mogą być dla ciebie cenne.

1. Większość nowych absolwentów naprawdę nie wie dokładnie, czego chcą, i zwykle zajmuje to kilka lat. W większości przypadków ich doświadczenie w pracy okazuje się być zupełnie inne w porównaniu z oczekiwaniami z wielu powodów. Niektóre miejsca pracy są ekscytujące, a niektóre nudne, nudne i „polityka w miejscu pracy”, źli szefowie itp. Mogą czasem stanowić duże problemy. Wyższy stopień może, ale nie musi w ogóle pomóc w którejkolwiek z tych kwestii.

2. Większość pracodawców chce ludzi, którzy mogą „wykonać pracę” i być produktywni jak najszybciej. Wyższe stopnie mogą, ale nie muszą mieć znaczenia, w zależności od pracodawcy. W niektórych sytuacjach drzwi są zamknięte, chyba że masz doktorat. W innych sytuacjach drzwi mogą być zamknięte, PONIEWAŻ masz doktorat, a pracodawca chce kogoś „mniej teoretycznego i bardziej praktycznego”.

3. Doktorat niekoniecznie oznacza szybsze awanse lub nawet znaczną różnicę w wynagrodzeniu i może, ale nie musi, wpływać na rodzaj pozycji, którą możesz uzyskać. Ogólnie, kiedy przeprowadzam rozmowy z kandydatami, najbardziej interesuje mnie znalezienie osób z odpowiednim doświadczeniem zawodowym. Doktorat może być ostatecznym czynnikiem decydującym o zabezpieczeniu stanowiska, JEŚLI temat pracy kandydata jest szczególnie istotny.

4. Ludzie mają tendencję do zmiany pracy częściej niż kiedyś. Twój wiek podzielony przez 2 * pi nie jest złą zasadą przez wiele lat pozostawania w pracy, zanim zaczniesz krążyć w kółko. Niektóre osoby pracują przez chwilę, a następnie wracają na wyższe studia. Niektórzy ludzie (jak ja) zaczynają pracę doktorską, a następnie otrzymują „ofertę zbyt dobrą, by odmówić” i pozostawiają doktoratowi pracę. Przepraszam, że to zrobiłem? NIE, wcale nie, a gdybym zaczął od nowa, zrobiłbym doktorat z zupełnie innego tematu.

5. Najlepszą propozycją, jaką mogę ci dać, jest robienie tego, co lubisz najbardziej, i obserwowanie, jak się to rozwija. Nikt inny nie może ci powiedzieć, co będzie dla ciebie najlepsze. Czasami musisz po prostu spróbować czegoś, a jeśli to się nie uda, naucz się od niego jak najwięcej i przejdź do czegoś innego. Jak powiedział Rodin: Nic nie jest stratą czasu, jeśli mądrze wykorzystasz to doświadczenie.

Zanim opiszę moją opinię na temat rutyny pracy, wybiorę kilka twoich postów, które moim zdaniem są istotne (moje podkreślenie):

1. Jestem bardzo ciekawą osobą
2. Będzie działać z trudnymi intelektualnie rzeczami
3. Muszę być szczery i powiedzieć, że nienawidzę też widzieć kogoś z wyższym stopniem ode mnie ( próżność )
4. Mogę rozpocząć karierę i zarabiać dużo pieniędzy w ciągu 1 lub 2 lat
5. założyć własną firmę

Na podstawie 1 i 2 wydajesz się mieć bardzo romantyczny pogląd na naukę danych i ogólnie badania. Tak, będziesz pracować nad interesującymi problemami, ale z pewnością 24/7 (dotyczy to zarówno przemysłu, jak i badań).

W oparciu o 2 i 3 wydaje się, że zastanawiasz się nad badaniem szczytu ludzkiego intelektu i rozważasz doktorat jako świadectwo twoich mądrych. Nie zgadzam się, ponieważ:

• istnieją problemy intelektualnie trudne zarówno w badaniach akademickich, jak i przemyśle. Myślę, że to dziwne założenie, że naukowcy mają do czynienia z najtrudniejszymi.
• posiadanie doktoratu nie oznacza, że ​​jesteś mądry, oznacza to, że masz wszystko, czego potrzeba, aby prowadzić dobre badania w swojej dziedzinie. Badania nie polegają na byciu mądrzejszym od kogoś innego (choć to pomaga). Bardzo ważna jest również kreatywność i podejście do problemów z innej perspektywy. Jeśli chcesz jakiegoś dowodu na to, że jesteś mądrzejszy od następnej osoby, podejdź do testów Mensy, a nie doktora.

_{Moim osobistym zdaniem najmądrzejsi ludzie to ci, którzy prowadzą szczęśliwe życie dzięki wyborom, których dokonali, niezależnie od tego, czy oznacza to zostać fizykiem nuklearnym, czy stolarzem. Nie podejmuj decyzji na podstawie tego, czy dają ci coś do popisania się.}

Na podstawie 4 i 5 wygląda na to, że w pewnym momencie wyobrażasz sobie założenie własnej firmy. Należy pamiętać, że wykonując start-upy, nawet te zorientowane na technologię, prawdopodobnie nie będziesz spędzać większości czasu z rzeczywistą technologią. Marketing, biznesplany, zarządzanie itp. Są równie ważne (jeśli nie bardziej) ważne dla pomyślnych startupów. Jak możesz oczekiwać, że doktor pomoże?

Teraz, gdy te eliminacje są już na uboczu: moja osobista opinia na temat rutyny naukowca uczącego się na maszynie. Po pierwsze: pracujesz z najnowocześniejszymi metodami na dużych / skomplikowanych / interesujących zestawach danych, z naciskiem na twój wybór. To z pewnością bardzo interesująca praca.

... ALE

Prawdziwe uczenie maszynowe wymaga dużo pracy

Nie spędzisz każdej godziny pracy w utopijnym świecie pełnym matematycznej elegancji, podczas gdy armia komputerów bierze udział w licytacji. Dużą część czasu poświęcisz na robienie podstawowych prac: zarządzanie bazami danych, przygotowywanie zestawów danych, normalizowanie rzeczy, radzenie sobie z niespójnościami itp. Itp. Większość czasu spędzam na takich zadaniach. Z czasem nie stają się bardziej ekscytujące. Jeśli nie pasjonujesz się tym tematem, ostatecznie stracisz motywację do robienia tych rzeczy.

Jeśli uczestniczyłeś w zajęciach uczenia maszynowego, zazwyczaj otrzymujesz ładnie oznakowane zestawy danych bez niespójności, żadnych brakujących danych, gdzie wszystko jest tak, jak powinno. To nie jest uczenie maszynowe w prawdziwym życiu. Spędzisz większość czasu na próbach dotarcia do punktu, w którym jesteś gotowy do uruchomienia swojego ulubionego algorytmu.

Zarządzanie oczekiwaniami we współpracy

Jeśli chcesz robić interdyscyplinarne projekty, musisz nauczyć się, jak pracować z ludźmi, którzy niewiele wiedzą o tym, co robisz (dotyczy to każdej specjalizacji). W uczeniu maszynowym często oznacza to jeden z dwóch scenariuszy:

• Twoi współpracownicy widzieli za dużo telewizji i uważają, że możesz rozwiązać wszystko za pomocą fantazyjnego algorytmu i wielu fajnych wizualizacji.
• Twoi współpracownicy nie rozumieją technik, których używasz, i dlatego nie widzą korzyści ani potencjalnych aplikacji.

• Jak to jest pracować jako naukowiec / uczący się maszyny z tytułem magistra w branży? Jaki rodzaj pracy wykonujesz? Zwłaszcza kiedy czytam te reklamy w Amazon jako naukowiec uczący się maszyn, zawsze zastanawiam się, co robią.

Problemy biznesowe tak naprawdę nie zmieniają się w zależności od stopnia, więc patrzyłbyś na te same lub podobne rzeczy. Jeśli pracujesz w dużej organizacji, pracujesz nad dużymi zbiorami danych firmy. Zwykle mogą to być dane produktu / klienta lub dane operacyjne (dane procesu chemicznego, dane rynków finansowych, dane o ruchu na stronie internetowej itp.). Ogólnym celem końcowym jest wykorzystanie danych w celu zaoszczędzenia pieniędzy lub zarobienia pieniędzy dla firmy.

• To samo pytanie co poprzednio, ale z doktoratem. Czy robisz coś innego lub to samo, co z mistrzami?

Odpowiedź jest taka jak powyżej, zrobiłbyś prawie te same rzeczy. Jednak w przypadku ponownej analizy / analizy ilościowej / lub podobnego działu technicznego dużej międzynarodowej korporacji, jeśli masz doktorat, masz przewagę nad kimś z dyplomem magistra. pod względem rozwoju kariery. Doktor uczy (lub powinien uczyć) bycia niezależnym badaczem, więc dzięki doktoratowi firma zwykle „docenia” twoją pracę (dociekliwe umiejętności i staranność) nieco bardziej. ALE zdecydowanie odradzam robienie doktoratu, tylko ze względu na (potencjalnie) szybszy rozwój kariery. Doktorat jest trudny, a szczególnie pod koniec bolesny proces, musiałbyś polubić (najlepiej kochać) swój przedmiot, a także, moim zdaniem, potencjalnie zainteresować pozostaniem w środowisku akademickim (co jest pełnomocnikiem do ujawnienia twojego zamiłowania do badań i temat partiuclar), aby był do zniesienia.

Pamiętaj również, że wracając do doktora z branży, będziesz pozostawać w tyle w karierze i może zostać skierowany do roli wsparcia technicznego (która płaci mniej w porównaniu do osób, które zarabiają prawdziwe pieniądze dla firmy) - co może nie być twoim głównym celem. Wreszcie, jeśli pracujesz w małej firmie, we własnej firmie, krawędź doktora praktycznie zanika pod względem rozwoju kariery lub wynagrodzenia.

• Czy mam zamiar uporać się z interesującymi problemami? A może jakieś nudne rzeczy?

Chyba nie ma ogólnej odpowiedzi na to pytanie. ML jest interdyscyplinarny. Jeśli pracujesz jako analityk, zwykle patrzysz na dane i próbujesz budować modele, jeśli jesteś po stronie programistycznej, to ostatecznie masz do czynienia z drobiazgowymi implementacjami. Jeśli masz do czynienia z klientem, być może będziesz musiał dużo trzymać za rękę i szkolić klientów (ale prawdopodobnie zarobisz więcej pieniędzy). Zazwyczaj odpowiedź na twoje pytanie zależy od osobistych preferencji, a także od tego, ile elastyczności zapewnia twój pracodawca.

Możesz też spróbować dołączyć do grupy badawczej, w której statystycy i uczący się maszyn nie są na co dzień. Na przykład infestacja i rozprzestrzenianie się chorób, botanika lub ekologia, owady społeczne, a może nauki społeczne?

Nie mogę podać dokładnych przykładów, ale jeśli jesteś dobrym statystykiem / ML w miejscu, w którym jest ich tylko kilka, znajdą cię ludzie i różne propozycje badań. Chodzi o to, że będziesz naprawdę poszukiwany bez zbytniego wysiłku ze strony.

Jeśli podoba ci się ten pomysł, spróbuj poszukać problemów uczenia maszynowego poza bieżącymi tematami (branżą), a może znajdziesz sposób na znalezienie „trudnych interesujących problemów” i „pracę z intelektualnie trudnymi rzeczami”.

Zgadzam się z innymi odpowiedziami. Chciałbym tylko podkreślić, że jednym z powszechnych sposobów (przynajmniej w USA) dla ludzi takich jak ty, którzy wahają się przed kontynuowaniem studiów doktoranckich lub pracą w branży po uzyskaniu stopnia naukowego, jest ubieganie się o doktorat, a następnie wzięcie urlopu (na rok lub dłużej) jeśli rzeczy nie są tak dobre, jak się spodziewali, lub po prostu chcą odkryć przemysł. Zazwyczaj łatwiej jest ubiegać się o doktorat zaraz po studiach: jeszcze nie zapomniałeś o zwyczaju zdawania egzaminów (GRE), profesorowie, którzy będą pisać listy polecające dla ciebie, nadal dobrze cię pamiętają itp.

Ponadto, porównując doktorat i branżę, wśród możliwości, które możesz mieć, możesz porównać dostęp do interesujących zbiorów danych, dostępność klastra komputerowego, umiejętności inżynierii oprogramowania w tym miejscu i liczbę osób przypisanych do każdego projektu.

Wreszcie, w branży można znaleźć wiele trudnych intelektualnie rzeczy, np. Sprawdź IBM / Google / Microsoft / Nuance / Facebook / itp. dział badawczy (tak jak można znaleźć wiele intelektualnie nietrudnych akademii). Np. Ludzie odpowiedzialni za SVM pracowali w AT&T, IBM Watson jest w IBM, Google Translate to jeden z najlepszych systemów tłumaczenia maszynowego, Nuance i Google mają najlepszy system rozpoznawania głosu, a te są bardzo dalekie od pojedynczych przykładów. W rzeczywistości zawsze zastanawiałem się, kto spośród przemysłu i środowisk akademickich najbardziej przyczynia się do badań nad uczeniem maszynowym (zadałem to samo pytanie dotyczące badań bazy danych Quora: czy badania baz danych były prowadzone głównie przez przemysł w ciągu ostatniej dekady? ).

Aby uzyskać tytuł doktora, musisz pogłębić stan ludzkiej wiedzy. Nie musisz tylko uczyć się więcej rzeczy. Musisz wyprodukować coś oryginalnego. To długi, powolny i bolesny proces i nie wszystkim się to udaje. Więc powinieneś zrobić doktorat tylko, jeśli uważasz, że masz nowy, kreatywny wkład w tę dziedzinę.

Jeśli chcesz tylko nauczyć się dziedziny i zastosować tę dziedzinę, weź najwyżej swoich Mistrzów, a następnie poświęć resztę życia na naukę podczas aplikowania. Czytaj rzeczy. Weź okazjonalny warsztat. Jeśli w którymś momencie jesteś zarażony chęcią zrobienia czegoś naprawdę oryginalnego, zrób (długą) przerwę w karierze i spróbuj uzyskać doktorat.

Wybierając / słynną małą firmę / trasę, masz swobodę założenia działu badań w swojej firmie.

Tutaj możesz stać się irytująco kreatywny, niczym nieskrępowany ... odkrywać wszystkie swoje dziecięce fantazje, problemy wymagające intelektualnie ... ustalasz tempo ... będziesz / mężczyzna /.

Nie musisz siedzieć w University Labs, aby napisać artykuł / Killer / research.

Niezależnie od tego, w tym przypadku zawsze możesz koordynować z odpowiednimi działami badawczymi w Univ. widzieć...? zwei vögel mit eines stein :-)

... ktoś inny z wyższym stopniem ...

Cóż, próżność, z umiarem, motywuje nas do szukania tego, co najlepsze.

Powodzenia.

yb