Cześć, pracuję w korpo jako programista, głównie C++ od ponad dwóch lat. Słyszę ostatnio jak walą drzwiami i oknami u mnie w korpo jak to Data Science i Machine Learning są super ważne, jak to w przyszłości będą obecne w "każdej" aplikacji. Uwierzyłbym na słowo, gdyby nie to, że sama firma stosuje technologie sprzed dekady i na razie na wesołej propagandzie się kończy. Przechodząc do pytań. Jak to wygląda w innych firmach? Macie doświadczenie, że faktycznie implementowany jest ML do aplikacji, która wcześniej z niego nie korzystała? Czy raczej jest tak, że od początku zakłada się użycie ML?
Pytam się bo temat mnie zainteresował i prywatnie uczę się Pythona i ML, tylko czy faktycznie będę wstanie gdzieś tę wiedzę zawodowo wykorzystać czy tylko w własnych projektach. Nie interesuje mnie zostanie typowym Data Scientist czy Data Engineer, po prostu chciałbym aby ta wiedza była takim supportem dla aplikacji nad którymi będę pracował. Podam prosty przykład teoretyczny aby było wiadomo o co mi chodzi, np. piszę grę i AI przeciwnika implementuje z zastosowaniem ML.
Podsumowując, czy aby robić coś zawodowo w tym temacie trzeba się wyspecjalizować jako Data <something>? Czy może ten temat staje się tak powszedni, że będzie istniała/istnieje możliwość pracy np. ze stackiem C/C++, ML wraz z Pythonem w jednym projekcie?
PS: Tak, przeglądałem pobieżnie oferty pracy i wygląda, że odpowiedź na pierwsze pytanie to raczej "tak".
Pozdrawiam
Buzzword jakich wiele. Przede wszystkim żeby robić ML czy jeszcze lepiej Deep Learning potrzebujesz dane. Jak firma nie ma danych to jedyna sztuczna inteligencja jaką może często zastosować to oskryptować sobie bota Watsona żeby gadał z klientami.
Pracowałem w międzynarodowym korpo gdzie nie zatrudnili zwykłego programistę który miał nas przenieść w nowy wiek ML tylko Principal Architecta. Principal Architect przez pół roku nie dostał żadnych danych do pracy, ale się tym nie przejmował i ćwiczył jogę przy biurku.
Fargo94 napisał(a):
Podam prosty przykład teoretyczny aby było wiadomo o co mi chodzi, np. piszę grę i AI przeciwnika implementuje z zastosowaniem ML.
I tu tak samo potrzebujesz danych. Musiałbyś przez pół roku śledzić zachowanie graczy w grze by żeby potem móc przyzwyczajenia graczy i statystyki zastosować przeciwko nim. Jak nie masz danych to nie masz jak robić ML :(
KamilAdam napisał(a):
Fargo94 napisał(a):
Podam prosty przykład teoretyczny aby było wiadomo o co mi chodzi, np. piszę grę i AI przeciwnika implementuje z zastosowaniem ML.
I tu tak samo potrzebujesz danych. Musiałbyś przez pół roku śledzić zachowanie graczy w grze by żeby potem móc przyzwyczajenia graczy i statystyki zastosować przeciwko nim.
Tu dane można łatwo generować, robisz dwa boty i każesz im walczyć ze sobą. Koncepcja podobna do GAN (tych modeli generujących twarze i koty).
ML można robić bez danych w wielu przypadkach. Co innego analiza danych.
"Zrobienie dwóch botów i kazanie walczyć ze sobą" bardzo fajnie brzmi na wysokim poziomie, jeszcze trzeba tylko to wykonać ;)
U nas to wygląda tak że w ramach tego samego stanowiska robią się specjalizacje:
- backendowiec (java, scala, node, itp)
- big datowiec (hadoop)
- data scientist
Ten ostatni może coś tam robi w ML (poza backendem), ale na ile to nie wiem.
Specjalizacja nr 1 może w końcu się zapaść (wywędrować do Indii, wypełnić się juniorami po brzegi), ponieważ teraz każdy wali na Dżawę lub za przeproszeniem Si-Szarpa.
Specjalizacja nr 2 jest dość tradycyjna - specjalista od baz danych był od wieków, zmieniają się tylko bazy danych.
Specjalizacja nr 3 to z kolei wielka niewiadoma, bo można skończyć jako operator Excela.