AI 산업 진출에 관해 자주 묻는 몇 가지 질문

자주 묻는 질문입니다. 많은 친구들이 몇 년 동안 일한 후 AI 기술 직위로 전환하고 싶어합니다. 하지만 나이가 많거나 생활에 압박감이 있기 때문에 정규 대학원 학위를 취득하는 것은 현실적이지 않다고 생각합니다.

하지만 대부분의 기업이 AI 엔지니어를 채용할 때 지원자에게 관련 전공의 석사 학위 소지 및 기타 학업 승인을 요구합니다. 직업을 바꾸는 사람으로서 직업적 배경을 어떻게 향상시켜야 합니까?

이러한 상황에 대해 저자는 다음과 같이 제안합니다. 원래 전문 분야부터 시작하세요.

예를 들어, 제조업 출신의 자동화 엔지니어는 다양한 산업 생산 장비에 대해 잘 알고 있어야 하며, 다양한 모터와 센서를 이해하고, 이러한 장비의 출력 신호의 물리적 의미를 알아야 합니다.

그러면 산업 현장에서 기계 학습 방법을 사용할 때 자동화 엔지니어는 기능 엔지니어링에서 상당한 이점을 갖습니다. 이러한 도메인 지식은 순수하게 기계 학습에 종사하는 사람들과 비교할 수 없습니다.

적어도 이 단계에서는 머신러닝과 딥러닝의 실제 구현은 주로 데이터를 기반으로 합니다. 실제 문제를 수치로 변환하여 계산할 수 있는 것이 계산 자체를 하는 것보다 낫습니다(알고리즘 ) 중요합니다.

따라서 진로를 바꾸는 사람들이 이전 직업 경력을 버리지 않고 최대한 활용할 수 있다면 이전 전공은 플러스가 될 것입니다. 이것을 돌파구로 삼고 AI로 전환하는 것이 학위를 공부하는 것보다 쉬울 수 있습니다.

또한 현재 많은 업계에서 AI+를 시도하고 AI 기술을 기존 비즈니스에 적용하고 있습니다. 이러한 배경에서 AI 직위로 전환하려면 먼저 자신이 속한 업계 내에서 기회를 찾는 것이 좋습니다.

아마도 귀하의 현재 부서가 AI+ 프로젝트를 수행 중이거나 수행을 준비 중일 수 있으므로 먼저 참여해 보세요. 결국, 일반적으로 직장을 바꾸는 것보다 회사 내에서 새 직장을 찾는 것이 더 쉽습니다.

많은 기업이 AI 혁신을 시도할 때 AI 배경을 갖춘 컨설턴트를 고용해 기획과 솔루션을 제공한다.

외부 직원은 머신러닝에 대한 지식과 기술을 갖추고 있지만 비즈니스 분야에 익숙하지 않아 이 업계 사람들의 도움이 필요합니다. 이때 귀하가 및 전문가를 통해 그들의 촉진자가 될 수 있는지 확인하십시오. AI의 실제 적용에 대해 배우기 위해 협력합니다.

이러한 경험이 있거나 적어도 자신이 속한 업계의 데이터에 대해 충분히 깊이 이해하고 비즈니스 응용 프로그램을 생각하고 시도해 본 적이 있다고 가정하면 AI에 대한 실무 경험을 갖게 될 것입니다. XX산업. 책을 읽거나 게임을 하면서 배경을 개선할 필요는 없습니다.

이 문제도 매우 일반적입니다.

객관적으로 봤을 때 인공지능 관련 전공 대학원에 지원하거나, 집에서 2~3년 정도 평화롭게 공부한 뒤 취업을 하러 간다면, 그 사람의 진정한 경쟁력은 과연 있을까. 개선?

물론 학력도 플러스지만, 저자는 “2년을 기다린 후 입사한다”는 접근 방식을 권하지 않는다.

우선 사람이 이런 생각을 한다는 것은 사실 어려움에 대한 두려움의 표현이다. 직설적으로 말하면 '2년을 기다린다'는 것은 계획이 아니라 탈출이다.

지금 행동하지 않으면 제대로 배우지 못하고 그때부터 포기하게 되는 경우가 많습니다.

또한 어떤 사람들은 포기하지 않고 정말 열심히 공부하더라도 어떤 산업이든 급속한 성장에는 창구가 있다는 사실을 잊지 마세요.

현재 인공지능은 그런 창구에 있다. 수요가 공급을 훨씬 초과하기 때문에 학력이 없는 사람들이 업계에 많이 진출할 수 있는 기회를 제공합니다.

그러나 이 기간은 일시적입니다. 짧게는 1~2년, 길게는 3~4년 안에 문을 닫을 가능성이 크다. 그때까지 AI 분야에서 일하고 싶다면 혼자 공부할 필요도 없고 실제로 졸업장도 있어야 합니다.

업계에 진출하고 싶다면 창구 기간에 시간을 움켜쥐고 서두르지 않고 거기서 기다려야 한다고 하면 기회를 놓칠 가능성이 크다.

어려움을 무릅쓰고 점차 업계 내에서 승진에 도달할 확률이 제로는 아니지만 사실 가능성은 매우 낮다고 해야 할까요.

개인에게 있어서는 '데이터를 한다'라는 포지션으로 업계에 진출하는 것은 이미 그에게 딱지를 부여했고, 다른 사람들도 이를 이용해 그를 분류할 것이다.

난이도가 다른 직책은 임계 값이 다르기 때문에 사람들은 자연스럽게 경계를 그립니다. 데이터 직위에서 엔지니어링 직위로 승진하려면 한계를 돌파해야 합니다.

현실적으로 천장을 뚫을 수 있는 사람은 거의 없습니다. 더욱이, 이미 매우 작은 가능성이지만 여전히 업계의 일반적인 추세에 따라 달라질 수 있습니다.

업계에 일자리가 많이 열려 있으면 상대적으로 취업하기가 쉽습니다.

몇 년 전부터 데이터 주석 작업을 시작했다면, 프로젝트를 진행하면서 많은 알고리즘 전문가, 머신러닝 엔지니어를 접할 수 있을 것이고, 기회를 기다리며 열심히 배울 것입니다. - 머신러닝 엔지니어와 같은 직위는 일정 기간 동안 인재가 시급히 필요할 것입니다. 엔지니어링 직위 공석이 발생하는 즉시 서둘러 충원하세요.

상사는 이 사람이 배울 의지가 있고, 배울 수 있는 능력이 있고, 데이터 작업을 해본 믿을 만한 사람이라는 것을 알고 있기 때문에 실제로 그에게 진출 기회를 줄 수도 있습니다.

하지만 시간이 지날수록 업계 내 격차는 점점 줄어들고, 이런 전직 가능성도 두 배로 늘어난다.

그러므로 저자는 머신러닝 엔지니어가 되고 싶다면 이 목표를 염두에 두고 열심히 공부해야 한다고 권한다. 지금부터 학습을 시작해 보세요!

먼저 연구와 엔지니어링 실무를 구별해야 합니다.

연구를 하고 싶다면 대학, 과학 연구소, 대기업 연구소의 알고리즘 과학자가 된다면 강화된 연구와 같은 특정 기술에 집중할 수 있습니다.

그냥 강화학습을 공부하고 싶다고 하면 대학이나 연구기관, 페이스북, 딥마인드 등 이 분야에서 선두에 있는 몇몇 기업에 가도 된다. 직업에 지원하고 알고리즘을 연구합니다. 물론, 일반적으로 이 지점에 도달하려면 최소한 박사 학위가 필요합니다.

하지만 하고 싶은 일이 엔지니어링이고 엔지니어링 기술직을 찾고 있다면 특정 기술로 구별되지는 않을 것입니다.

산업계에서는 분야 구분이 제품 중심으로, 벤치마크는 얼굴인식, 음성인식 등 적용 방향이다.

적용 방향에 따라 사용되는 특정 기술은 당시의 필요에 따라 다릅니다. 컴퓨터 비전을 하고 싶다면 CNN만 사용하면 된다는 뜻은 아닙니다. 실무적인 문제를 해결하기 위해 다양한 학문적 성과를 조합하여 활용하는 경우가 많으며, 구체적인 한계와 요구사항에 따라 개선이 이루어집니다.

이 과정에서 특정 기술이 사용될지 여부는 기술이 요구 사항의 해결을 지원할 수 있는지 여부에 따라 달라지며, 이를 사용할 수 있는 객관적인 장비, 인력 및 시간이 있습니다. 기술. ; 상사가 이런 측면을 시도하려는 동기가 있습니까?

엔지니어링 과정에는 많은 도구가 사용되며 엔지니어링을 하든 연구를 하든 가장 기본적인 것이 있어야 합니다. 지식 !

클래식 기계 학습 모델, 일반적인 딥 러닝 네트워크, 모델 훈련 및 추론(예측)의 전체 프로세스를 숙지해야 합니다.

특정 애플리케이션에 특히 관심이 있다면, 예를 들어 주식을 예측하고 싶다면 먼저 직접 시도해 볼 수 있습니다. 결국 주식 데이터는 어디에서나 사용할 수 있습니다.

주식 투자 문제를 해결하기 위해 오랫동안 많은 인재와 기관이 머신러닝을 활용해 왔지만, 지금까지 장기 주식 예측 측면에서 기계는 여전히 인간에게 완전히 패배했습니다.

인터넷 금융을 하고 싶거나, 금융회사에서 머신러닝을 하고 싶다면 해당되는 직위가 있지만 꼭 앉아야 하는 특정 업종의 직위는 없는 것 같습니다. 하루종일 주가만 예측합니다.

의료에 AI를 도입하는 것은 기술적인 문제라기보다는 제도적 장벽과 데이터 확보의 문제다.

의료 AI를 구축하려면 먼저 병원과 연결할 수 있어야 합니다. 이렇게 할 수 있는 채널이 있어도 손으로 쓰는 경우가 많은데, 의사의 손글씨를 컴퓨터로 전자적으로 관리할 수 있는 방법이 없을까요?

데이터를 얻는 첫 번째 단계는 아직 AI+의학적 치료로 해결되지 않은 문제입니다. 가장 기본적인 데이터 관리와 통계조차 없이 어떻게 데이터 분석이나 AI를 논할 수 있겠습니까?

필기시험, 면접이라고 하면 모든 필기시험, 면접은 당연히 기초지식부터 시작됩니다.

예를 들어 인터뷰 중에 면접관은 종종 고전적인 모델(초기에는 선형 회귀, 지난 2년간의 로지스틱 회귀, 이제는 SVM에 도달했을 수 있음)을 선택하고 모델 기능에 대해 질문합니다. .그것은 무엇입니까? 목적 함수는 무엇입니까? 최적화 알고리즘이란 무엇입니까? 그런 다음 함수 공식을 명확하게 작성하고 프로세스를 단계별로 설명할 수 있는지 확인하세요.

너무 실용적일 필요는 없습니다. 구체적인 진로 목표를 갖는 것도 좋지만, 그 목표에 앞서 먼저 기본을 터득해야 합니다.

먼저 선형 회귀, 로지스틱 회귀, Naive Bayes, 의사결정 트리, SVM, HMM, CRF, 클러스터링, GMM, PCA 등과 같은 가장 고전적인 모델을 알아보세요.

침착하게 기초를 탄탄히 다지고, 면접 시간이 다가오면 자연스럽게 질문에 유창하게 대답할 수 있을 것입니다.