Teknik olmayan liderlerin anlaması gereken 5 makine öğrenimi temel – TechCrunch

0
11

Snehal Kundalkar Katkıda Bulunan

Snehal Kundalkar, Valence’de baş teknoloji sorumlusu. Apple ve Reddit’teki çalışmaları da dahil olmak üzere son yirmi yıldır Silikon Vadisi şirketlerine liderlik ediyor.

Square’deki geliştirici ve makine öğrenimi platformu başkanı Sonali Sambhus’un “Makine öğreniminin demokratikleşmesi” olarak tanımladığı olağanüstü bir makine öğrenimi (ML) anında yaşıyoruz. Bu alandaki inanılmaz değişim ve gelişme hızı nedeniyle iş ve büyüme hızlanmasının temeli haline geldi.

Ancak makine öğrenimi geçmişi olmayan mühendislik ve ekip liderleri için bu durum bunaltıcı ve göz korkutucu olabilir. Makine öğrenimi hakkında yapıcı veya etkili bir sohbeti sürdürmek için mücadele eden akıllı, başarılı, son derece yetkin ve normalde çok kendine güvenen liderlerle düzenli olarak tanışıyorum – hatta bazıları onu tasarlayan ekiplere liderlik ediyor.

Makine öğrenimi ekiplerini işe etkili bir şekilde entegre etmek, neyin doğru adayı yaptığının ve ekibin maksimum hız ve odaklanma için nasıl yapılandırılacağının anlaşılmasıyla başlar.

Dünyanın en büyük çevrimiçi uygulamasını ve müzik mağazasını oluşturmak için Apple’da çalışmak dahil olmak üzere makine öğrenimi alanında yirmi yıldan fazla zaman geçirdim. Reddit’te anti-kötülük mühendisliğinin kıdemli yöneticisi olarak, web’in karanlık tarafını anlamak ve bunlarla mücadele etmek için makine öğrenimini kullandım.

Bu parça için, Sambhus da dahil olmak üzere seçkin bir grup başarılı ML lideriyle röportaj yaptım; Monte Carlo’nun kurucu ortağı Lior Gavish; ve Electric.ai’de mühendislikten sorumlu başkan yardımcısı Yotam Hadass, görüşleri için. En iyi uygulamalarımızı ve bilinmesi gereken bileşenleri beş pratik ve kolayca uygulanabilir derse ayırdım.

1. ML işe alma stratejisi

Makine öğrenimi için işe alımda çeşitli zorluklar vardır.

Birincisi, makine öğrenimi rollerini daha geleneksel iş profillerinden (veri analistleri, veri mühendisleri ve veri bilimcileri gibi) ayırt etmenin zor olabileceğidir çünkü açıklamalar arasında yoğun bir örtüşme vardır.

İkinci olarak, gerekli deneyim düzeyini bulmak zor olabilir. Sektördeki çok az insan üretim düzeyinde makine öğrenimi sunma konusunda önemli deneyime sahiptir (örneğin, bazen makine öğrenimi modelleriyle deneyimi belirten özgeçmişler fark edeceksiniz, ancak modellerinin gerçek makine öğrenimi modelleri yerine kural tabanlı motorlar olduğunu göreceksiniz).

Makine öğrenimi için işe alım söz konusu olduğunda, yapabildiğiniz zaman uzmanları işe alın, ancak aynı zamanda eğitimin yetenek ihtiyaçlarınızı karşılamanıza nasıl yardımcı olabileceğini araştırın. Mevcut yazılım mühendisleri ekibinizi veri / makine öğrenimi mühendisleri olarak geliştirmeyi veya gelecek vaat eden adayları işe alıp onlara bir makine öğrenimi eğitimi vermeyi düşünün.

Resim Kredisi: Snehal Kundalkar

Bu işe alım zorluklarının üstesinden gelmenin bir diğer etkili yolu, rolleri büyük ölçüde aşağıdakiler etrafında tanımlamaktır:

Ürün: Teknik meraklı ve güçlü bir iş / ürün anlayışı olan adayları arayın. Bu çerçeve genellikle en karmaşık modelleri uygulama becerisinden daha önemlidir. Veriler: Modelleri seçmeye, özellikleri tasarlamaya, veri modellemeyi / vektörleştirmeyi yönetmeye ve sonuçları analiz etmeye yardımcı olabilecek adayları arayın. Platform / Altyapı: Veri ve mühendislik ekiplerinin üretkenliğini önemli ölçüde hızlandırmak için platformları değerlendiren / entegre eden / oluşturan kişileri arayın; ayıklama, dönüştürme, yükleme (ETL’ler); depo altyapıları; ve ML için CI / CD çerçeveleri.

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz