Image par auteur
Plusieurs manuels, feuilles de route et parcours de carrière se vantent de vous aider à décrocher votre premier emploi dans l’IA ou à faire la transition vers ce domaine. Cependant, l’automatisation liée aux progrès de l’IA met également en danger de nombreux emplois.
Alors, comment faire carrière dans l’IA, surtout à l’ère générative d’aujourd’hui ?
Tout d’abord, il est important de noter que les principes fondamentaux de l’IA sont encore indispensables pour comprendre comment fonctionnent les algorithmes, quelles sont les hypothèses des algorithmes, comment les déboguer si le comportement attendu s’écarte du comportement réel, la différence entre l’échantillon et le comportement réel. . population, quelle est la nécessité de collecter un échantillon et les différentes manières de le collecter, de réaliser le test d’hypothèse, et plus encore.
Il est temps d’agir
Génial, donc avec cette compréhension des principes fondamentaux de l’IA et de leur importance, même à l’ère GenAI, parcourons rapidement la feuille de route pour l’apprentissage de l’IA.
En commençant par les piliers fondamentaux de l’apprentissage des algorithmes, c’est-à-dire l’algèbre linéaire, le calcul, les statistiques et les probabilités, vous serez en mesure de comprendre des concepts tels que quoi, pourquoi et comment les dérivées, où sont-elles utilisées et ce qui est en avant et en arrière. passer. Cela renforcera également votre compréhension de la distribution des données et des distributions de probabilité, telles que Gaussienne, Poisson, etc.
La plupart de ces connaissances sont disponibles gratuitement ; les ressources recommandées sont :
Image par auteur
Nous sommes désormais prêts à apprendre les concepts d’apprentissage automatique qui couvriraient des algorithmes clés, notamment la régression linéaire, la régression logistique, les arbres de décision, le clustering, etc.
Avant d’aller plus loin, il est important de noter que l’apprentissage de l’IA est devenu beaucoup plus facile de nos jours grâce à la démocratisation de l’éducation. Par exemple, toutes les lectures proposées dans cette feuille de route sont disponibles gratuitement.
En plus de développer l’intuition derrière les algorithmes, l’apprentissage de concepts tels que les fonctions de coût, la régularisation, les algorithmes d’optimisation et l’analyse des erreurs sont également importants.
À ce stade, commençons également à maîtriser la programmation logicielle. Apprendre à coder et à mettre en œuvre la solution vous permet de vous mettre en pratique de manière transparente. Le cours vidéo de 4 heures sur Python (comme indiqué dans l’image de la feuille de route) couvre les bases pour vous permettre de démarrer dès le départ. Nous sommes désormais prêts à apprendre les ficelles du deep learning en nous concentrant sur les concepts fondamentaux, notamment les couches, les nœuds, les fonctions d’activation, la rétropropagation, le réglage des hyperparamètres, etc.
Génial, après avoir suffisamment appris, nous avons atteint l’étape finale, que j’appelle généralement le terrain de jeu. C’est là que vous mettez toutes vos connaissances à profit. Un excellent moyen d’y parvenir est de pratiquer et de participer à des compétitions Kaggle. On peut également trouver des solutions gagnantes et développer une approche pour gérer des problèmes commerciaux variés.
Flux de travail d’IA
Il s’agit d’une voie typique pour apprendre l’IA, tout cela en même temps que l’on parvient à internaliser les flux de travail de l’IA qui commencent par l’exploration des données, c’est-à-dire la dissection des données pour comprendre les modèles qui les sous-tendent. C’est au cours de cette phase que les data scientists apprennent à connaître les transformations des données pour les préparer à des fins de modélisation.
Image par auteur
La sélection et l’ingénierie des fonctionnalités sont les compétences les plus puissantes des data scientists éminents. Cette étape, si elle est bien effectuée, peut accélérer le processus d’apprentissage du modèle.
C’est maintenant le moment que tout data scientist attend avec impatience, c’est-à-dire créer des modèles et sélectionner le plus performant. La définition de « le plus performant » se fait à travers des mesures d’évaluation, qui sont de deux types : scientifiques comme la précision, le rappel et l’erreur quadratique moyenne, et l’autre comprend des mesures commerciales comme l’augmentation des clics, des conversions ou l’impact de la valeur monétaire.
Atteindre cette étape en lisant un article semble être un processus facile, mais en pratique, c’est un processus long.
Différenciateur
Jusqu’à présent, nous avons discuté de la voie conventionnelle, en apprenant ce que chacun fait. Mais quel est le différenciateur ici pour se démarquer à l’ère GenAI ?
Une idée répandue chez les apprenants est de continuer à consommer du contenu d’apprentissage. S’il est important d’étudier les principes fondamentaux, il est tout aussi important de commencer à pratiquer et à expérimenter pour construire une compréhension intuitive des concepts appris.
En outre, l’élément crucial de la création de solutions d’IA est de savoir si l’IA est la bonne solution, ce qui inclut la capacité de mapper le problème commercial à la solution technique appropriée. Si l’étape de départ elle-même est mal effectuée, on ne peut pas s’attendre à ce que la solution mise en œuvre atteigne les objectifs commerciaux de manière significative.
Image par auteur
De plus, la science des données est considérée davantage comme un rôle technique, mais en réalité, son quotient de réussite dépend beaucoup de la compétence souvent sous-estimée qu’est la collaboration avec les parties prenantes. Veiller à ce que l’intégration de parties prenantes issues d’horizons et d’expertises variés joue un rôle clé.
Même si le modèle donne de bons résultats, il risque de ne pas être adopté en raison d’un manque de clarté et de capacité à les lier aux résultats commerciaux. Cette lacune peut être comblée par des compétences de communication efficaces.
Enfin, donnez la priorité aux données dans votre approche de l’IA. Le succès de tout modèle d’IA dépend des données. Trouvez également vos champions de l’IA qui croient aux capacités et aux possibilités de l’IA, tout en comprenant les risques associés.
Avec ces compétences à vos côtés, je vous souhaite une brillante carrière en IA.
Vidhi Chugh est un stratège en IA et un leader de la transformation numérique travaillant à l’intersection des produits, des sciences et de l’ingénierie pour créer des systèmes d’apprentissage automatique évolutifs. Elle est une leader de l’innovation primée, une auteure et une conférencière internationale. Elle a pour mission de démocratiser l’apprentissage automatique et de briser le jargon pour que chacun fasse partie de cette transformation.
