Sztuczna Inteligencja (AI) & Uczenie Maszynowe (ML) & Big Data – przyszłość skupiona wokół danych

Sztuczna inteligencja, uczenie maszynowe i Big Data często stawiane są obok siebie. Nie są to jednak pojęcia tożsame. Jak wybrać własną ścieżkę?

Praca z Big Data

Big Data to analiza danych. Różnica między Big Data a zwykłą analizą polega na ilości, różnorodności i szybkości przetwarzania danych. Big Data w praktyce, to na przykład możliwość precyzyjnego wyodrębnienia wylęgarni komarów* na podstawie danych dotyczących temperatury, wilgotności, poziomu wód gruntowych, obecności innych gatunków etc. albo zaprojektowania kolejnego hitu Lady Gagi**, który trafi precyzyjnie w gusta jej odbiorców i dodatkowo przysporzy jej nowych.

• Co robi specjalista od Big Data?

Tworzy metody i narzędzia, które pozwalają przetwarzać duże zbiory danych oraz je interpretować.

Praca z Machine Learning

Machine Learning to obszar zajmujący się tworzeniem algorytmów, które potrafią się uczyć. Bazując na dużej ilości danych i ich przetwarzaniu, interakcjach z otoczeniem, zdolności do uogólniania, precyzowania i modyfikowania danych, algorytm jest w stanie nauczyć się tego, jak je prawidłowo interpretować i jakie dalsze działania należy podjąć.

Uczenie maszynowe mogłoby (kontynuując wykorzystany przy Big Data przykład) polegać na stworzeniu algorytmu, który będzie na podstawie danych wskazywał przyszłe wylęgarnie komarów i zbierając dodatkowe dane, uczył się jeszcze bardziej precyzyjnego ich przewidywania.

• Co robi specjalista ML?

Tworzy oprogramowanie, które potrafi się uczyć. Data science i uczenie maszynowe są ze sobą związane, bo ML potrzebuje danych, by algorytm mógł się rozwijać.

Praca ze sztuczną inteligencją

Sztuczna inteligencja to obszar zajmujący się tworzeniem maszyn, urządzeń i programów, które mogą uczyć się i „myśleć” w sposób zbliżony do ludzkiego (czyli np. samodzielnie dobierają dane, analizują je, wyciągają wnioski) tylko w lepszy, szybszy i bardziej efektywny sposób (np. pozbawiony błędów typowych dla człowieka). Programowanie sztucznej inteligencji wybiega poza uczenie maszynowe. To nie tylko algorytm, który potrafi się uczyć, ale system, który potrafi zrealizować określone cele przy użyciu algorytmu ML.

Zastosowanie sztucznej inteligencji w naszym przykładzie z komarami mogłoby na przykład polegać na stworzeniu drona, który stosując algorytm sztucznej inteligencji, samodzielnie wybiera obszary i czas, w jakim należy zastosować środek chemiczny, by ograniczyć ilość komarów, ale jednocześnie nie zachwiać naturalnej równowagi w przyrodzie. 

• Co robi specjalista AI?

Tworzy systemy informatyczne, aplikacje, urządzenia, roboty, które potrafią wykonywać czynności wymagające myślenia w sposób zbliżony do ludzkiego.

Kwalifikacje zawodowe – narzędzia

• Który język programowania wybrać?

Jaki język programowania na początek? Dla osoby, która w przyszłości chce zostać specjalistą od danych czy inżynierem ML podstawą jest zazwyczaj Python.  Trzeba jednak pamiętać, że to tylko jeden z języków programowania stosowanych w ML. Często wykorzystywany jest też R, Scala i inne języki.

Warto znać biblioteki takie jak sklearn (algorytmy), Pandas lub Dask Data Frame, TPOT (biblioteka znajdowania parametrów) i inne. Najważniejszym zaś obszarem dla osoby związanej z ML jest matematyka (algebra liniowa, analiza matematyczna, statystyka, rachunek prawdopodobieństwa).

Umiejętności miękkie konieczne w AI/ML/Big Data

Aby osiągnąć sukces w tych obszarach, nie wystarczą twarde umiejętności. Konieczne są:

• umiejętności analityczne,
• wysokie zdolności adaptacyjne, bo środowisko pracy, narzędzia i zadania często się zmieniają,
• umiejętność zarządzania kilkoma zadaniami bądź projektami jednocześnie – praca jest dynamiczna i zmienna.

Dużo zależy też od specyfiki samego stanowiska i kultury organizacji. Na przykład na stanowisku Specjalista ds. Przetwarzania Danych w KLDiscovery konieczna jest umiejętność szybkiego rozwiązywania problemów i wysokie zdolności cyfrowe, a na stanowisku Data Management Analyst umiejętność priorytetyzacji zadań, kreatywność i świetne zdolności komunikacyjne.

Jakich specjalistów potrzebuje rynek?

Najbardziej poszukiwanym stanowiskiem jest Data Engineer. Raport PWC wskazuje, że poszukuje ich przede wszystkim branża IT, technologiczna i produkcja. Analityków danych potrzeba w obszarze finansów, medycyny i usług profesjonalnych.

W obszarze ML najwięcej ofert pracy jest dla programistów i inżynierów ML.

W jakiej branży szukać pracy jako specjalista w dziedzinie danych?

W zasadzie w każdej! To jedna z niewielu specjalizacji na rynku, na którą wszędzie jest zapotrzebowanie***:

• obszar technologii IT – 41% specjalistów pracuje w tej branży,
• marketing – 13%,
• obsługa procesów korporacyjnych – 11%,
• konsulting – 9%,
• branża medyczna –7%,
• usługi finansowe – 6%,
• usługi publiczne  – 4%.

Dlaczego praca w AI, ML i Big Data to najlepszy wybór? 10 powodów

1. Różnorodność projektów

Specjalista danych może pracować w każdej branży. Motoryzacja, produkcja, transport, handel – wszędzie poszukiwane są osoby, które potrafią zarządzać danymi i wprowadzać rozwiązania AI. Wolność wyboru i możliwość zmiany branży to jedna z największych zalet tego zawodu.

2. Różnorodność zadań

Pod pojęciem specjalisty danych kryje się kilkadziesiąt różnych obszarów specjalizacji. A to daje możliwość stosunkowo łatwej zmiany obszaru zawodowego.

3. Duże możliwości rozwoju

I to zarówno w kontekście budowania kariery, jak i zdobywania nowej wiedzy. Ta praca nie tyle wymaga bycia na bieżąco z technologiami i nowinkami, ile sama te technologie tworzy. To jeden z najbardziej dynamicznych obszarów zawodowych pod kątem konieczności stałego uczenia się.

4. Możliwość budowania międzynarodowej kariery

Dla specjalistów zajmujących się danymi, uczeniem maszynowym i sztuczną inteligencją nie istnieją granice. Duża część ofert pracy pochodzi z firm mających oddziały na całym świecie (na przykład, Ontrack, firma należąca do Grupy KLDiscovery, to 43 oddziały w 19 krajach świata!).

5. Poczucie sensu tego, co się robi

Według Deloitte, 85% ludzi chce, żeby ich praca miała sens. Osoby pracujące w obszarze AI i ML mają unikatową możliwość kształtowania świata przyszłości – ich praca ma nie tylko sens dla nich samych, ale również wpływa na życie innych ludzi na całym świecie.

6. Możliwość pracy z największymi markami

Największe zapotrzebowanie na specjalistów w tym obszarze mają największe, światowe marki, które mają ogromne bazy klientów i przetwarzają wielkie ilości danych.

7. Błyskawicznie rosnący rynek pracy

Według raportu PWC, rynek pracy dla Data Scientists w latach 2015 – 2018 urósł o 24%. I nadal rośnie. Zapotrzebowanie jest większe niż podaż, a to sprawia, że osoby z doświadczeniem nie mają żadnego problemu na rynku pracy.

8. Konkurencyjne wynagrodzenie

Statystycznie specjalista data scientists czy inżynier ML zarabia więcej niż programista aplikacji nie związanych z AI (choć zależy to od obszaru pracy, technologii i poziomu doświadczenia). Wynagrodzenia rosną zarówno dlatego, że podaż nie nadąża za popytem na specjalistów, jak i ze względu na rosnące przychody firm zajmujących się danymi (np. KLDiscovery, notuje zwiększenie przychodu w ujęciu 3 lat aż o 222%****)

9. Doskonałe warunki pracy

Liczne benefity (ubezpieczenie, opieka medyczna, karty na siłownie, szkolenia językowe) uzupełniają dobre warunki finansowe. Z uwagi na to, że specjalistów AI, ML i Big Data zatrudniają głównie korporacje, to można spodziewać się też nowoczesnych przestrzeni biurowych i doskonałej jakości sprzętu do pracy.

10. Duża elastyczność pracy

W tej branży widać duża otwartość na elastyczne podejście do pracy – zarówno w zakresie godzin pracy, jak i pracy zdalnej. Swoje miejsce znajdzie zatem zarówno osoba, która chce pracować w biurze, jak i cyfrowy nomad, który chce łączyć pracę z podróżowaniem.

---

* Badania aWhere Inc.

** Badania przeprowadzone przez managera gwiazdy Troya Cartera w 2008 roku

*** Za KDnuggets.com

**** Za KLDiscovery

Czytaj także: Kreatywność a AI. Czy pracownicy branż kreatywnych mogą wkrótce stracić pracę?