I consigli per creare la tua carriera da zero e diventare un Self-Taught Machine Learning Engineers!
Sappiamo che nel campo delle intelligenze artificiali operano sfaccettate figure professionali, con precisi compiti che vanno compresi e apprezzati.
Fare carriera in questo settore è oggi possibile sfruttando anche le innumerevoli risorse online.
Per questo te sei qui.
Per questo io sono qui.
Insieme, affrontiamo le sfide più annose e conquistiamo gli obiettivi più ambiziosi.
Te metti in campo la tenacia di un vero amante del sapere.
Io ti fornisco le migliori fonti da cui attingere preziosi consigli e sviluppare efficaci strategie.
Strategie per crescere autonomamente e diventare un ottimo machine learning engineer.
Si tratta ci punti di partenza, da cui muovere importati considerazioni e approfondimenti che consentiranno la tua completa maturazione professionale.
Non sono link a post o libri da leggere, ma piccoli paragrafi per farti pensare e accendere in te qualche luce che ti possa guidare su una strada di crescita personale.
A te l’onore: inizia il viaggio e libera il tuo potenziale.
Self-Taught Machine Learning Engineers
Il nostro viaggio alla scoperta dei Machine Learning Engineers, con la tappa delle skill più richieste, prosegue oggi con alcuni elementi fondamentali per creare il nostro percorso di crescita professionale.
Senza ulteriori indugi, esploriamo i consigli per Self-Taught Machine Learning Engineers
Matematica, informatica e dati
Sono una terna di elementi che devono essere venerati.
Interdipendenti e ognuno importante quanto gli altri.
Non sono le solite parole al vento.
Continua a leggere…
Con dati di mediocre o pessima qualità, non c’è algoritmo matematico o codice efficiente in grado di produrre risultati concreti.
La scarsa conoscenza matematica limita lo sviluppo e, conseguentemente, i risultati.
Un codice inefficiente impedisce a un modello di scalare ottimamente impattando le prestazioni, e intaccando il ROI (ritorno d’investimento) di un progetto d’intelligenza artificiale.
In modo quasi filosofico, potremmo riconoscere i dati come una versione compressa della natura; la matematica quale lingua in grado di decifrare il linguaggio articolato, e l’informatica, con i suoi codici, come lo strumento per estendere la comprensione della natura velocemente e con grande efficienza.
Chiaramente, quando parliamo di matematica facciamo riferimento alla statistica e alla probabilità, due branche che occorre approfondire.
Attenzione però: ciascuno dei tre elementi che abbiamo ora analizzato è completamente inutile senza il successivo.
Lo scopo
Dati di qualità suprema, un algoritmo sofisticato ed effettivo, uniti a una execution a regola d’arte, semplicemente non bastano.
Tutto questo è inutile se il modello è incapace di soddisfare le esigenze del cliente.
Elon Musk ci ricorda che uno dei problemi più grandi per un ingegnere è ottimizzare un processo che non ha ragione di esistere.
Perdere di vista l’obiettivo finale è pericoloso: può compromettere l’intero progetto in termini economici, sancendone l’aborto.
In quest’ottica, un modello meno performante ma con un effettivo uso per il cliente è chiaramente più utile di un altro senz’altro dalle metriche migliori ma difficilmente impiegabile.
In altri termini, ha senso per te che un modello migliori l’accuratezza del 1% anche se richieda un tempo 47 volte più alto per essere usato?
Riflettiamoci.
Il contatto umano per un Machine Learning Engineers
Cura le tue soft skill almeno quanto le hard skill.
Un Machine Learning Engineer deve saper parlare con il cliente o gli stakeholders e non può certo rivolgersi a loro con tecnicismi.
Meglio lasciare fare alle macchine ciò che meglio svolgono: eseguire processi ripetitivi a lungo.
Al contrario, io e te dovremmo focalizzarci sugli aspetti umani che troppo spesso vengono ignorati: empatia, leadership, ascolto, lettura e comunicazione.
Ai tuoi clienti o stakeholders nulla importa (quasi sempre almeno) di quanto veneri i tre elementi.
Il loro interesse è focalizzato sui loro bisogni e su come questi siano soddisfatti dalla tua soluzione proposta,
Imperfezione e costante cambiamento
Dovresti puntare a realizzare creazioni affidabili sin dal primo momento.
Sappi però una cosa.
Il tempo e l’esperienza miglioreranno le tue competenze.
Le prime, vecchie, creazioni sembreranno appartenere all’età della pietra: potrai allora ristrutturarle, o addirittura ricostruirle da zero.
Il Self-Taught Machine Learning Engineer sa bene che come la natura evolve continuamente, così anche il talento, le sue conoscenze e competenze.
Apriti al cambiamento, abbraccialo.
Ricordati comunque di una cosa: sebbene le novità siano allettanti, non sempre sono necessarie.
Valuta se e in che modo un nuovo set di dati, algoritmo o hardware possa beneficiare il tuo vecchio progetto e agisci.
Per il momento è tutto.
Per aspera, ad astra.
Un caldo abbraccio, Andrea
