Praryti dramblį dalimis: kaip pradėti karjerą mašininio mokymo (ML) srityje?

Dauguma žmonių, svajojančių apie karjerą mašininio mokymosi (ML) srityje, sustoja dar nepradėję. Kodėl? Nes atsivertę reikalavimų sąrašą pamato aukštąją matematiką, statistiką ir algoritmus, kurie atrodo kaip neįveikiama siena.

Kyla panika: „Aš neišmoksiu visų šitų formulių“. Būtent ši baimė yra dažnas filtras, kuris atsijoja talentus dar prie starto linijos. Bet realybė yra šiek tiek dvipusė - taip, DI sritis nėra lengvas ar trumpas kelias, bet tai taip pat nėra sritis skirta tik akademiniam elitui.

„carVertical“ ML inžinierė Aistė Kukanauskaitė šį kelią praėjo ne nuo klasikinio programuotojos kelio - ji atėjo iš elektronikos inžinerijos. Magistro studijų metu signalų analizės kurse ji susidūrė su mašininiu mokymu, ir tai tapo jos posūkiu į šią sritį - noru mokyti kompiuterį matyti dėsningumus ten, kur žmogaus akis nebegali jų aprėpti efektyviai.

Kur šiandien yra pinigai ir prasmė?

Jei planuojate sukti į ML sritį, nereikia šaudyti į visas puses. Lietuvoje ir pasaulyje dabar dominuoja dvi kryptys, kuriose „dega“ specialistų poreikis:

• ML inžinierius (MLE): žmogus, kuris ne tik kuria modelius, bet ir sugeba juos integruoti į produktus. Realybė tokia, kad didžioji darbo dalis čia yra ne „magija“, o duomenų tvarkymas, klaidų taisymas ir sistemų jungimas.
• MLOps: šiandienos „roko žvaigždės“. Sukurti modelį yra viena, bet priversti jį stabiliai veikti realioje aplinkoje - visai kita lyga. Čia susitinka infrastruktūra, DevOps ir ML. Tačiau tai yra sudėtingesnė kryptis, dažnai reikalaujanti stipresnių inžinerinių pagrindų.

Svarbi pastaba: dažnai pirmas žingsnis į ML sritį būna per data analyst, software engineer ar data engineer roles.

Kaip įveikti naujų žinių barjerą?

Jei siekiate persikvalifikuoti į ML sritį ir po pagrindinio darbo turite vos valandą ar dvi vakare, pamirškite kraštutinumus apie visų internete egzistuojančių kursų klausymą. Aistės receptas - smalsumo praktika.

„Suraskite problemą, kuri jus erzina, ir kurią galite išspręsti pasitelkę ML. Tai gali būti bet kas: nuo chaotiško šeimos biudžeto iki nuotraukų rūšiavimo. Mano nuomone, geriausiai perimame teoriją ir praktiką, jeigu mokomės apie tai, kas mums įdomu”, - dalijasi „carVertical“ ML inžinierė.

Taip pat keiskite formatus. Jei „nevirškinate” knygų - žiūrėkite „YouTube“. Jei nepatinka vaizdo įrašai - lankykite kursus. „Svarbu pasitelkti įvairias, labiausiai jums tinkančias, priemones”, - pabrėžia Aistė.

Ir svarbiausia, susitaikykite su tuo, kad daug ko nesuprasite iš pirmo karto, teks dažnai googlinti elementarius dalykus, progresas bus lėtesnis, nei tikitės. Tačiau tai nėra ženklas, kad „nesate tam sutvertas“. Tai yra natūralus procesas.

Planas, o ne panika: taisyklės ML karjeros ateičiai

Persikvalifikuoti į ML yra įmanoma misija, jei nustosite bandyti išmokti viską iš karto. Jūsų tikslas šiame etape nėra nei tapti akademiku, bet ir ne tik „naudoti bibliotekas jų nesuprantant“. Reikia balanso: suprasti pagrindines sąvokas (kas yra overfitting, feature engineering ir pan.) bei mokėti jas praktiškai pritaikyti kode.

Sėkmė čia lydi ne tuos, kurie „iškala“ formules, o tuos, kurie nuosekliai mokosi kelis mėnesius ar metus, kuria asmeninius projektus (net jei jie paprasti), geba paaiškinti, ką padarė ir kodėl. Pradėkite nuo mažų dalykų: vieno kintamojo, vieno modelio, vieno projekto. Bet eikite iki galo - nuo idėjos iki veikiančio rezultato.

Svarbu: nors ML karjeros pradžioje nebūtina giliai nerti į formules, ilgainiui matematiniai pagrindai tampa svarbūs - ypač optimizacijos, tikimybių ir statistikos supratimas. „Jie leidžia modelius matyti ne kaip „juodas dėžes“, o kaip sistemas, kurias galima suprasti, tobulinti ir pritaikyti”, - patikslina ML inžinierė.

Ką verta žinoti prieš pradedant

• Norint gauti pirmąjį darbą ML srityje gali prireikti 6-18 mėn. pasiruošimo
• Matematikos tikrai reikės, bet jos galima mokytis palaipsniui
• Didelė dalis darbo bus ne „AI kūrimas“, o duomenų tvarkymas
• Be programavimo (dažniausiai Python) - niekur

Galutinė tiesa paprasta: ML sritis nėra nei „per sunki“, nei „lengva“. Ji yra filtras kantrybei. Jei paniką pakeisite smalsumu, o smalsumą - disciplina, galimybių tikrai turite daug. Bet jei tikitės greito rezultato - verta paieškoti kitos srities.

Su atviromis darbo galimybėmis ML srityje galite susipažinti čia.