Учитель для робота: чем занимается ML-инженер
Искусственный интеллект уже стал частью нашей повседневной жизни. Специалист, который постоянно дорабатывает эту технологию, чтобы она приносила максимальную пользу, называется ML-инженер. Рассказываем, как им стать
Об эксперте: Юлия Молчанова, специалист по машинному обучению в компании «Газпром-Медиа Дата» и автор модулей курса Data Science.
Рекомендации на YouTube, Google-переводчик, чат-бот в банковском приложении — мы взаимодействуем с искусственным интеллектом практически каждый день. Чтобы алгоритм был полезным для бизнеса и конечного потребителя, для начала его нужно научить учиться. Этим занимается ML-инженер.
Кто такой ML-инженер
ML-инженер или Machine Learning Engineer — это специалист, который создает и обучает алгоритмы работы с большими данными. ML-инженер работает в сфере Data Science рядом с дата-сайентистом, дата-аналитиком и дата-инженером. Задачи ML-инженера — сугубо практические. Он учит компьютер находить взаимосвязи данных и на их основе принимать решения. Именно ML-инженеров стоит благодарить за «умные ленты» в социальных сетях, алгоритмы рекомендаций на музыкальных стримингах, которые подбирают контент под наши интересы. Сервисы перевода типа Google Translate и боты-помощники типа Олега банка «Тинькофф» и Алисы «Яндекса» — тоже частично заслуга ML-инженеров.
Чем занимается ML-инженер
ML-инженер обучает искусственный интеллект решать задачи бизнеса с использованием больших данных. Он создает и развертывает ML Model — алгоритм, который описывает, как будет учиться компьютер, какие данные использовать, какие команды и в какой очередности выполнять. Чтобы создать модель, подходящую под задачи бизнеса, ML-инженер проводит эксперименты: обучает модель на данных, дает ей задачи, проверяет, насколько она эффективна и соответствует заданным бизнесом результатам (ML-метрикам). Например, если цель алгоритма — распознавать растения по фотографии, ключевой метрикой будет количество правильных ответов: когда алгоритм точно распознает каучуковый фикус и отличает его от других видов фикуса по внешним признакам. Когда эксперименты приходят к успеху, ML-инженер развертывает алгоритм в облако, мобильное приложение или чат-бот в существующей системе. Также в сферу ответственности ML-инженера входит эксплуатация готовой модели: он должен следить, чтобы алгоритм работал, не падал и не ломался, адаптировался под изменения данных.
Юлия Мочалова, специалист по машинному обучению в компании «Газпром-Медиа Дата»: «Профессия ML-инженера включает в себя как аналитическую, так и инженерную деятельность. В широком смысле задача ML-инженера — создать полный цикл жизнедеятельности данных от обработки признаков из разных источников и построения модели, до выкатки ее в продакшн и настройки автоматизированного периодического запуска. Например, ML-инженер может написать пайплайн на основе данных о поведении пользователя сети, чтобы прогнозировать его интерес к покупке того или иного товара. Мой обычный рабочий день состоит из задач по разработке новых моделей или улучшению существующих. Помимо этого в день проходит 1–2 встречи с командой и обсуждение текущих проблем и успехов. Также я уделяю время тому, чтобы осваивать новые инструменты. Последний изученный — новая версия фреймворка для распределенных вычислений Apache Spark».
Тренды профессии
ML-инженеры могут найти работу в компаниях, которые расширяют функционал своих продуктов за счет обучения алгоритмов. Такие сервисы не завязаны только на машинном обучении, но оно требуется им для развития. Например, Pinterest и YouTube на машинном обучении строят системы рекомендаций. Это помогает им показывать пользователю индивидуально подобранный контент. Такой подход распространен в ретейле, сфере банкинга и финансов, здравоохранении, маркетинге и науке.
Второй тип компаний, которые нуждаются в ML-инженерах, не могут существовать без машинного обучения. На ML построен основной функционал их продукта. Пример такого сервиса — переводчик Google Translate, который постоянно копит базу и совершенствуется. В этом сегменте ML-инженер может поработать над SaaS-системами и мобильными приложениями, созданием алгоритмов для роботов и систем автопилотирования. Рост количества данных и необходимость использовать их на пользу бизнесу привели к резкому всплеску спроса на инженеров по машинному обучению. По итогам 2021 года ML-инженеры заняли второе место в рейтинге специалистов, которых не хватает мировой IT-индустрии. Для востребованных специалистов всегда создают привлекательные условия, в том числе зарплатные. По данным исследовательского сервиса Glassdoor, средняя зарплата ML-инженера — $123 тыс. в год. Это чуть больше $10 тыс. в месяц.
Зарплаты ML-инженеров варьируются от $67 000 в год до $228 000 в год, в среднем специалисты получают $123 296 (Фото: Glassdoor)
В России медианная зарплата специалистов — ₽165 тыс., джуниоры получают от ₽80 тыс., мидлы — от ₽200 тыс., а сеньоры — до ₽330 тыс.
Юлия Мочалова: «Один из плюсов профессии: работать можно практически в любых сферах. Применять алгоритмы и настраивать автоматизированные процессы анализа данных можно в любых компаниях, где есть данные и желание извлечь из них пользу (прибыль). Сегодня вы можете работать в ритейле, а затем уйти в биоинформатику».
В 2022 году LinkedIn включил профессию ML-инженера в список наиболее перспективных. Сейчас на на hh.ru доступно более двух тысяч вакансий ML-инженера.
Откуда пришла профессия
Изначально компьютеры выполняли задачи, алгоритм решения которых был понятен человеку. Позже стало понятно, что машины могут находить решения, алгоритм которых неизвестен человеку. Прототип искусственного интеллекта создали в 1946 году, а термин «машинное обучение» появился в 1959 году. Компьютеры с тех пор постоянно совершенствуются. Искусственный интеллект даже смог обыграть известного шахматиста: в 1997 году Гарри Каспаров проиграл суперкомпьютеру Deep Blue. Ученые убедились, что машины можно обучать, так и появилась профессия Machine Learning Engineer как ответвление в области Data Science. Профессия начала развиваться с увеличением числа самых разных нейросетей и ростом их возможностей. Сегодня нейросети могут написать диплом, текст, сценарий и даже код, нарисовать иллюстрацию, выполнить тестовое задание для собеседования и провести психологическую консультацию. Обучением нейросетей занимается ML-инженер. Подборка треков под ваш вкус от музыкального сервиса или рекомендации от бота-помощника в банковском приложении — это тоже результаты его работы.
Какие навыки нужны ML-инженеру
ML-инженер — это специалист, который находится на стыке анализа больших данных и разработки. Он должен и писать код, и разрабатывать приложения, и слышать, чего от него хочет бизнес. Чтобы соблюдать баланс этих сфер, ему нужен следующий набор навыков:
Hard skills
- Математическая база: понимание векторов и матриц, производных, теории вероятности и статистики.
- Знание Python. Именно на нем чаще всего пишут модели для машинного обучения.
- Умение работать с фреймворками Tensorflow, PyTorch.
- Алгоритмическое мышление: понимать, как работают разные типы алгоритмов и структуры данных. Это поможет писать собственные алгоритмы.
- Навыки работы с Flask, Docker, Pip, PyTest. Это сервисы создания и развертывания веб-приложений. Понадобятся, когда готовые ML-модели нужно будет преобразовать в продукт для тестирования, а позже — эксплуатации.
Soft skills
- Аналитическое мышление, логика. В работе с алгоритмами без них не обойтись.
- Навыки коммуникации. ML-инженер чаще всего работает в команде, поэтому важно уметь общаться с коллегами. Также коммуникативные навыки пригодятся в общении с бизнесом: когда нужно будет получить задачу, понять, какие метрики вы должны показать руководству по итогу, презентовать свою работу.
- Проактивность. В машинном обучении важно не только создать модель, но и сделать ее эффективной: чтобы она училась как можно быстрее, выходила на новый уровень с минимальными затратами ресурсов. Искать решения самостоятельно, оптимизировать работу модели — это часть экспертизы ML-инженера.
Юлия Мочалова:
«ML-инженеру в работе часто приходится учиться и решать нетиповые задачи. Например, получить данные из нового источника, для этого могут понадобиться определенные библиотеки и инструменты. Например, я недавно изучала особенности чтения данных из Kafka. Также можно столкнуться с необходимостью реализовать и применить непопулярный алгоритм из статьи. В первом случае помогает, как ни странно, умение гуглить и иногда опыт коллег. Во втором — отлично пригождается математическая база, позволяющая разбираться в формулах и применять их к данным.
Основными навыками для ML-инженера является умение программировать на одном из популярных языков, сейчас это Python. Отличным дополнением станет опыт в backend-разработке, знание технологий для распределенной обработки данных (MapReduce, Spark/PySpark) и конечно, уверенное знание SQL. Важные софт-скиллы: умение работать в команде, креативность и гибкость в подходе к задачам, так как они могут быть разными даже в рамках одного проекта».
Как стать ML-инженером
Machine Learning Engineer — это профессия, которую сложно освоить с нуля. Хорошему инженеру нужна как минимум серьезная база математики, поэтому чаще всего в ML приходят из смежных специальностей: дата-инженер, дата-сайентист, дата-аналитик.
Набор инструментов и навыков ML-инженера очень широк, чтобы их освоить нужно много времени и мотивации. Понять, насколько эта работа может быть вам интересна, можно на бесплатных базовых курсах, например, на Stepik или Mooc.
Погрузиться в работу с фреймворками можно на YouTube-канале TensorFlow, а добрать базовые знания в высшей математике для программистов — у Джона Крона (видео на английском). За актуальными проектами, курсами и мероприятиями можно следить в профессиональных сообществах, таких как ods.ai и Kaggle.
Юлия Мочалова:
«С точки зрения вертикального роста, ML-инженер может стать тимлидом или вырасти до руководителя продукта. Перспектива горизонтального развития — дата инженер. Если машинное обучение наскучит, всегда можно заняться организацией хранения и обработки данных в чистом виде, работая с хранилищами и настраивая ETL-процессы».
Чтобы понять, насколько вам это интересно, можно попробовать пройти бесплатные курсы, например, «Анализ данных с использованием Python» от Coursera.
Специалистов в области искусственного интеллекта готовят в московских МТУСИ, РГГУ, МФТИ. Здесь можно получить необходимые знания — по статистике, математике, информатике, программированию. Но чтобы войти в профессию, лучше окончить специализированные курсы, например, по языку программирования Python.
Кто такой ML-инженер и как им стать
Согласно данным Библиотеки программиста, профессия ML-инженера занимает шестое место среди самых высокооплачиваемых IT-профессий в России. Специалисты в этой отрасли помогают бизнесу быстро решать сложные задачи с помощью моделей машинного обучения.
В этой статье расскажем, как выглядит работа ML-инженера, какие навыки ему требуются и сколько он зарабатывает. Материал будет полезен начинающим специалистам по машинному обучению и тем, кто хочет сменить область в IT или освоить новую специальность.
Полина Колосова
Благодарим Даниила Корогодского, главного исполнительного директора Essai и преподавателя курса «Data Scientist с нуля до middle» Нетологии, за помощь в подготовке материала.
Что такое машинное обучение
Машинное обучение (от английского machine learning, ML) — научная область на стыке алгоритмов и математической статистики. С помощью ML можно создавать программы, которые ищут закономерности в данных о реальном мире и решают задачи бизнеса.
Программы бывают разными: от классификации изображений по какому-либо признаку до сложных систем, выявляющих рак по рентгеновским изображениям.
Главные компоненты машинного обучения — данные, признаки и алгоритмы.
- Данные. Для предсказания курса акций нужна история цен, а для определения интересов пользователя — лайки и репосты. Качество результата напрямую зависит от качества и количества данных: чем они разнообразнее, тем проще машине найти закономерности и тем точнее выходит результат.
- Признаки, или фичи — переменные, которые описывают отдельные характеристики объекта, важные для обучения.
- Алгоритмы, или модели — методы решения задачи. От выбора метода зависит точность, скорость работы и размер готовой модели.
Сегодня машинное обучение активнее всего использует бизнес. С помощью моделей компании улучшают пользовательский опыт, оптимизируют внутренние процессы и получают технологическое преимущество перед конкурентами.
* Instagram — проект Meta Platforms, Inc., деятельность которой в России запрещена.
Чем занимается ML-инженер
Специалист по машинному обучению создаёт, обучает и тестирует ML-модели. Этот процесс можно условно разделить на пять больших этапов:
Работа с данными. Первым делом ML-инженер собирает данные для обучения и очищает их от некорректных значений, пропусков и лишней информации, в некоторых случаях — дополняет их и размечает.
Потом специалист делит массив данных на тренировочный, валидационный и тестовый датасеты. Тренировочный используется для первоначального обучения модели, валидационный — для настройки параметров и отладки процесса, а тестовый — для окончательной оценки производительности.
Выбор модели и признаков. Следующим шагом инженер выбирает модель и определяет признаки, которые лучше всего подойдут для её обучения. Выбор модели зависит от цели работы, а выбор фич — от специфики алгоритма и поставленных задач.
Представим, что специалист хочет научить программу давать рекомендации пользователю на основе его локации. Подходящей моделью для такой задачи станет один из методов обучения с учителем. Компьютер будет искать закономерности в полностью размеченных данных с переменными, две из которых — номера пользователей и названия городов.
Чтобы алгоритму было легче воспринимать признаки, специалист закодирует текстовую информацию в комбинацию цифр 0 и 1. Выглядеть это будет так:
Обучение. На этом этапе специалист учит модель определять паттерны в тренировочном наборе данных. Обучаясь, алгоритм постепенно корректирует свои ответы, чтобы минимизировать ошибку между предсказанными и фактическими значениями.
Затем модель проверяют на валидационной и тестовой выборках. Это позволяет оценить, насколько хорошо программа обобщает найденные закономерности.
Оценка и улучшение результатов. После ML-инженер оценивает эффективность модели, опираясь на заданные метрики. На основе результатов оценки он улучшает производительность алгоритма и в случае необходимости корректирует его работу.
Интеграция и мониторинг. Готовую модель специалист внедряет в существующие бизнес-процессы, продукты или сервисы. Затем ему остаётся поддерживать непрерывную работу алгоритма и время от времени проводить повторное обучение.
Конкретные задачи ML-инженера могут сильно различаться в зависимости от его уровня и направления работы самой компании. Например, вот чем предстоит заниматься начинающему инженеру в компании GraviLink:
Кто такой специалист по машинному обучению?
Виктория Тюфякова Ментор на курсе по Data Science, автор вебинаров по Machine Learning.
Проекты машинного обучения пронизывают практически все сферы нашей жизни. Учить ботов отвечать как человек или предугадывать музыкальные предпочтения — это увлекательно, но не так просто. Вместе с Викторией Тюфяковой, ментором на курсе по Data Science, разбираемся, с какой базой можно идти в машинное обучение и какие языки популярны в сфере, кроме Python.
Чем занимается ML-специалист?
Специалист по машинному обучению (ML-специалист) с помощью алгоритмов строит модели, которые способны обучаться самостоятельно на различных наборах данных, от табличных данных до картинок и текстов. Он выявляет сложные закономерности в массивах данных, чтобы модель точнее прогнозировала результат, а также помогает автоматизировать процессы принятия решений для трудных задач на практике. Машинное обучение — это подраздел искусственного интеллекта (artificial intelligence), в который входят также глубокое обучение (deep learning), нейронные сети. Главное отличие ML-специалиста от дата-сайентиста в том, что первый вдобавок ко всему имеет более сильные навыки разработки и может вывести модель в продакшн, например встроить в существующий продукт или упаковать в новый.
Освойте профессию «Data Scientist»
Data Scientist
Дата-сайентисты решают поистине амбициозные задачи. Научитесь создавать искусственный интеллект, обучать нейронные сети, менять мир и при этом хорошо зарабатывать. Программа рассчитана на новичков и плавно введет вас в Data Science.
Профессия / 24 месяца
Data Scientist
Решайте амбициозные задачи с помощью нейросетей
6 790 ₽/мес 11 317 ₽/мес
Где он нужен?
- Транспорт. С помощью моделей можно тренировать беспилотные машины, определять препятствия, пробки на дороге, строить оптимальные маршруты или рекомендовать удобные места посадки.
- Ритейл. Можно планировать поставки, персонифицировать рекламу и скидочные предложения или оценивать эффективность промоакций.
- Здравоохранение. На основе результатов анализов можно диагностировать патологии, ставить более точные диагнозы, выбирать оптимальный путь лечения.
- Финансы. Методы машинного обучения помогают банкам быстрее принимать решения о выдаче кредитов, прогнозировать изменения объемов вкладов, а обработка естественного языка позволяет настраивать чат-боты и виртуальных ассистентов.
- Промышленность. Можно прогнозировать, когда оборудование выйдет из строя, или находить брак.
- Развлечения. Благодаря алгоритмам в игровой сфере можно создавать более реальные аватары, предсказывать следующий шаг, чтобы выиграть или проиграть, а также создавать 3D-модели для VR-очков. Ленты фильмов в онлайн-кинотеатрах и новостей в соцсетях подстраиваются под наши предпочтения тоже благодаря машинному обучению.
Машинное обучение используют как известные мировые бизнесы, вроде Amazon, Google, Netflix, Apple, так и крупные российские компании и банки: Билайн, Тинькофф, «Спортмастер», «Лента», а также небольшие стартапы.
Что ему нужно знать?
В машинное обучение достаточно трудно приходить с нуля — уже на старте нужны серьезные математические навыки. Для разработки алгоритмов нужно разбираться в линейной алгебре, математическом анализе, статистике, теории вероятностей. ML-специалисты пользуются линейной, логистической регрессиями, деревьями решений, Байесовским классификатором, бустингами — это далеко не полный список алгоритмов, которые популярны в машинном обучении. Они требуют хорошей математической подготовки для оптимального использования в зависимости от структуры или размеров данных.
Так как ML-специалист постоянно работает с данными, ему нужно знать SQL, уметь писать запросы к базам данных и работать с хранилищами данных.
Чаще всего ML-специалисты используют Python (или R) и библиотеки: Pandas, NumPy, Sklearn, Keras. Для рекомендательных систем и нейронных сетей подходит фреймворк TensorFlow, а для обработки естественного языка специалисты пользуются PyTorch.
Scala — эффективный в промышленных масштабах язык программирования, но в вакансиях он встречается реже. Он быстрее Python и R, что выгодно выделяет его при работе с обширными базами данных. Также ML-специалисты часто пользуются фреймворком Apache Spark, который позволяет работать с неструктурированными или слабоструктурированными наборами данных.
Нередко среди навыков можно встретить и языки C или C++. Дело в том, что они быстрее обрабатывают большие объемы данных, чем Python, а для задач машинного обучения скорость обучения бывает очень важна. Также на них можно развертывать модели с MATLAB — это пакет программ, который используют для ML в научной среде.
В сфере большой спрос на навыки MLOps — это стандартизация и оптимизация управления жизненным циклом модели машинного обучения. Это помогает снизить риски при работе с машинным обучением и автоматизировать процессы.
Помимо технических навыков, в вакансиях также упоминают знание английского языка. Он нужен для чтения технических документаций и научной литературы, так как многие актуальные труды по теме не переводят на русский язык. К тому же это позволит выйти на международный рынок.
Виды машинного обучения
В машинном обучении не обязательно получать идеальный безошибочный результат. Модель скорее должна максимально соответствовать метрикам, которые устанавливает бизнес вместе с постановкой задачи.
Для разных задач используются разные виды машинного обучения: с учителем, без учителя, обучение с подкреплением.
Станьте дата-сайентистом и решайте амбициозные задачи с помощью нейросетей
Обучение с учителем
У модели есть данные о прошлом взаимодействии с системой. Она понимает, как должны выглядеть правильные ответы. Такой вид обучения используют чаще всего. Обучение с учителем решает две основные задачи:
– классификации. Модель должна определить категорию анализируемых объектов. Например, можно отделять картинки с котами от картинок с собаками или выявлять мошеннические действия клиента банка;
– регрессии. В таких задачах на основе временного ряда можно в краткосрочной или даже долгосрочной перспективе прогнозировать значения, например, курса доллара.
Обучение без учителя
Модели не подаются правильные ответы, поэтому она сама выстраивает взаимосвязи между данными и интерпретирует их. Самые популярные задачи:
– понижение размерности. Это позволяет выделить значимую информацию из данных через меньшее количество признаков. Так можно уменьшить размер данных, если их слишком много, чтобы при хранении они занимали меньше места, например уменьшить размер картинок;
– кластеризация. При кластеризации группируются похожие данные, чтобы находить между членами группы закономерности. Это позволяет отыскивать инсайды, чтобы, например, применять таргетированную рекламу. Чаще всего ее используют в рекомендательных системах, которые предлагают купить клиенту тематический товар.
Обучение с подкреплением
Наиболее близкий к искусственному интеллекту вид машинного обучения. Алгоритм, руководствуясь заданным набором действий и правил, взаимодействует со средой. Методом проб и ошибок он выстраивает самый оптимальный порядок своих действий. Такие задачи популярны в навигации: алгоритм движется по помещению и строит траекторию, чтобы не врезаться в препятствие.
Перспективы и зарплаты ML-специалистов
Машинное обучение с каждым годом все глубже проникает во все сферы человеческой деятельности, мы пользуемся им ежедневно, например когда ищем информацию в поисковиках. Как отмечает Надежда Зуева, сооснователь Deep Learning School на базе МФТИ, все больше сервисов используют технологии машинного обучения, что влечет за собой увеличение рабочих мест.
Активнее всего машинное обучение внедряют в информационных технологиях, финансовом, транспортном секторах и маркетинге. Существенно увеличивается рынок чат-ботов, которые используют в клиентской поддержке, на что, конечно, сильно повлияла пандемия.
По данным компании Gartner, в 2022 году мировой доход в сфере увеличится на 21,3%. 48% руководителей IT-организаций уже внедряют технологии машинного обучения или планируют сделать это в течение 2022 года.
На hh.ru на декабрь 2021 года было около 1600 вакансий по запросу ML. При этом самая низкая зарплата среди этих вакансий — 40 тыс. рублей для джуниора. Однако в среднем зарплаты колеблются от 150 до 250 тыс. рублей. Синьорам с опытом работы от трех лет в сфере платят от 400 тыс. рублей.
Однако количество специалистов практически не увеличивается, в сфере заметен дефицит квалифицированных сотрудников.
Как новичку получить работу?
Новичку можно рассчитывать на работу, если у него уже есть практический опыт. В Data Science легко наработать этот опыт, просто решая кейсы. Можно самостоятельно собирать данные, участвовать в соревнованиях по машинному обучению, например на Kaggle, в хакатонах, где участникам дают данные, с помощью которых они решают реальные проблемы бизнеса.
Такую задачу можно оформить в кейс и выложить на своем GitHub. Таким образом можно собрать портфолио, чтобы представить свои навыки на собеседовании. Чем подробнее кейс, тем больше вероятность, что вас возьмут на работу, потому что будет видно, что вы постарались углубиться в тему.
Джуниору, который знает базовые принципы, но еще не получил практического опыта, могут давать задачи на тестирование гипотез, выгрузку данных. Он не сильно влияет на конечный продукт. Для позиции миддла нужно работать в сфере около двух лет. Он может разрабатывать модели, которые влияют на принятие решений в компании. Синьор со стажем помимо разработки моделей может их и внедрять. Часто кроме технических задач у него появляются и менеджерские обязанности по руководству командой.
С чего начать?
Книги
Если вы только заинтересовались машинным обучением, можно начать с книг, чтобы понять, насколько вам легко разбираться в базовых понятиях:
Обширная библиотека с английскими и русскими книгами по машинному обучению и искусственному интеллекту также есть в telegram-канале «Машинное обучение».
YouTube
Канал TensorFlow с пояснительными роликами о машинном обучении и записями конференций.
Канал Jon Krohn, в котором особое внимание уделяется и математике.
Пятичасовой ролик о машинном обучении на Python с нуля.
Открытый курс по машинному обучению от ШАД.
Обучаться самостоятельно
Если вы уже владеете базовыми математическими навыками и готовы самостоятельно изучать языки и библиотеки, можно ориентироваться на готовые roadmap, чтобы структурировать и не забыть всю информацию, которую нужно знать.
Коллекция на GitHub со списком необходимых навыков, курсов, компетенций.
Сообщества
Чтобы оставаться в курсе актуальных новостей, конкурсов, технологий, обратиться за помощью или найти работу, нужно обновлять комьюнити. Одни из самых больших и популярных — ods.ai и Kaggle, не только для дата-сайентистов или аналитиков, но вообще для всех специалистов в области Data Science, в том числе и ML.
Курсы
Можно начать с бесплатных, всегда выручает Coursera: короткие ознакомительные программы предлагают как российские вузы (НИУ ВШЭ, МФТИ), банки, так и множество зарубежных компаний и институтов от Amazon до Стэнфорда.
Можно также пройти курс по машинному и глубокому обучению. Его преимущество — в практике и наставниках, которые помогут разобраться в любых нюансах. Для такой сложной специализации, как машинное обучение, поддержка опытных профессионалов как никогда важна, особенно если вы только открываете для себя профессию.
Специалист по машинному обучению (ML-специалист)
ML Engineer занимается развертыванием, тренировкой и последующей поддержкой моделей машинного обучения в продакшене. Эта сравнительно новая профессия привлекает многих высокими заработками, но подходит она лишь людям со способностью к логическому и структурному мышлению. В нее часто приходят из Data Scientist’ов. Кстати, недавно центр профориентации ПрофГид разработал точный тест на профориентацию, который сам расскажет, какие профессии вам подходят, даст заключение о вашем типе личности и интеллекте.
Зачем учить машину
Машинное обучение (дословно от machine learning, ML) – область, тесно связанная с наукой о данных (Big Data) и искусственным интеллектом (ИИ). Его специфика – в использовании математических моделей данных, которые помогают компьютеру (точнее ПО) самостоятельно обучаться – анализировать закономерности и строить корреляции без (или с минимальным участием) человека.
Современная сфера machine learning охватывает 3 основные предметные области: