Пишу это вне очереди в своей серии. Меня вызвали, чтобы выступить с основным докладом на конференции, поэтому я подумал о том, чтобы записать свои заметки и написать это для студентов инженерных специальностей и академиков, особенно в области компьютерных наук и электроники. ИИ стал более опасным за последние 3–5 лет, и его рекламируют как следующий шаг вперед. Либо вы занимаетесь ИИ, либо вы тупой инженер или организация. В то время как ИИ, безусловно, смотрит вперед. Решает несколько вариантов использования и будет более заметен почти во всех технических продуктах в ближайшие годы. На более высоком уровнеэто дает системе возможность без вины принимать решения – правильные, неправильные или частично правильные.
Для внедрения системы ИИ требуются следующие ключевые навыки. Студенты и академики могут судить сами в зависимости от своих предпочтений, какой путь осваивать и специализироваться. Всегда полезно быть осведомленным или опытным во всех отделах. Как и во всех широких обобщениях, есть большая вероятность упустить более тонкий момент. Следует проявлять осторожность при формировании любого мнения.
1. Знания предметной области
Это классический путь для инженеров, безусловно, самый важный карьерный путь. Основные отрасли промышленности по-прежнему останутся, например, автомобильная промышленность, промышленность, интеллектуальные коммунальные услуги, авионика, энергетика, космос, телекоммуникации, ИТ и т. д. и т. д. Большая часть рабочих мест по-прежнему будет относиться к основному проектированию. Просто из-за появления ИИ эти сектора не просто исчезнут, они получат от этого выгоду. Поэтому я бы посоветовал сосредоточиться на основной разработке и держать ухо востро в отношении средств ИИ, характерных для вашего сектора. На вашей новой работе в будущем вы будете интегрировать или генерировать данные для отраслевой модели ИИ.
2. Исследователь данных
Вам нужна инженерная степень, чтобы быть специалистом по данным? Вероятно, нет, однако у инженеров есть преимущество из-за математической строгости, которой они должны подвергаться, особенно при обработке сигналов, электромагнетизме или оптике. Я бы сказал, что лучше всего на эту роль подходят статистики или математики, хорошо разбирающиеся в программировании.
Специалисты по обработке и анализу данных — это ребята, которые знают, как обработать данные, чтобы применить продвинутые модели и смоделировать желаемый результат.
Как правило, в организации достаточно очень небольшой команды (относительно) под руководством эксперта для разработки данных, моделей данных и моделирования различных рецептов. Как только проект готов, инженеры переносят его на различные платформы. Именно здесь сосредоточена основная часть рабочих мест, об этом мы поговорим в следующих разделах.
3. Фреймворки: моделирование и симуляция ИИ
Вот дословная цитата из NVIDIA: Среды глубокого обучения предлагают строительные блоки для проектирования, обучения и проверки глубоких нейронных сетей с помощью интерфейса программирования высокого уровня. Широко используемые платформы глубокого обучения, такие как MXNet, PyTorch, TensorFlow и другие, полагаются на библиотеки с ускорением на GPU, такие как cuDNN, NCCL и DALI, для обеспечения высокопроизводительного ускоренного обучения с несколькими GPU.
Давайте немного разберем его и посмотрим, где ваши предпочтения
1. Среды глубокого обучения предлагают строительные блоки для проектирования, обучения и проверки глубоких нейронных сетей с помощью интерфейса программирования высокого уровня.
Ожидается, что специалисты по данным вместе с помощью инженеров будут программировать данные и реализовывать модели на языках высокого уровня. Ближайшая аналогия — программисты Java для реализации определенного модуля. Ключевым навыком здесь является знание и умение использовать фреймворк. Навыки программирования обязательны, НО инженерная степень … не обязательна. (предположение: инженерная степень не равна изучению языка программирования).
2. Широко используемые платформы глубокого обучения, такие как MXNet, PyTorch, TensorFlow и другие.
Существует множество фреймворков, и над каждым из них ведется значительная работа. Именно сюда придет основная масса рабочих мест. Поэтому студенты должны сосредоточиться на том, чтобы освоиться и одинаково хорошо писать код как минимум в 2–3 фреймворках, чтобы максимизировать возможность трудоустройства.
3. …. полагаться на библиотеки с ускорением на GPU, такие как cuDNN, NCCL и DALI, для обеспечения высокопроизводительного ускоренного обучения с использованием нескольких GPU.
Вот куда бы я вложил свои деньги! Чтобы иметь возможность эффективно использовать графический процессор или базовое оборудование для запуска моделей, вам необходимо очень глубокое понимание архитектуры графического процессора или вычислительного оборудования, а также отличные навыки работы с программным обеспечением для его эффективного использования. Для этого требуется, чтобы инженеры-компьютерщики были знакомы с электроникой, а инженеры-электронщики умели писать программное обеспечение, и все они также знали о платформах облачных вычислений [aws, azure…].
Это болезненный путь, который не принесет мгновенной славы или денег, но эта порода очень востребована в отрасли, в худшем случае вы станете отличным программистом фреймворков.
4. Масштабирование в облаке и на графических процессорах
Алгоритмы глубокого обучения и обучение моделям обычно используют облачные ресурсы или ресурсы на предварительном сервере, которые стоят реальных долларов. Это самый важный шаг в развертывании любой стратегии ИИ в организации. Поэтому настоящие навыки, необходимые для эффективной реализации моделей, разработанных специалистами по данным, чтобы использовать мощность современного оборудования с наименьшими затратами. Это произойдет после нескольких лет опыта работы с GPU, облаком и фреймворками.
5. Масштабирование на встроенных устройствах
С распространением устройств IoT большинство из них работают от аккумуляторов. Переносить все данные и вычисления в облако было бы нецелесообразно. Новое поколение устройств IoT будет способно внедрять машинное обучение на периферии. Это реализация алгоритмов ИИ в ограниченных средах. Это будет самым востребованным навыком в грядущие времена. Лучше всего для этой работы подходят инженеры по встраиваемым системам, которые разбираются в ИИ.
Подводя итог, можно сказать, что навыки ИИ вписываются в существующие инженерные потоки, тогда как часть программирования по фреймворкам и науке о данных доступна людям с разным опытом, не обязательно инженерным.
