Qual é a rotina diária de trabalho do cientista de aprendizado de máquina?

Eu sou um estudante de mestrado em uma universidade alemã agora escrevendo minha tese. Estarei pronto em dois meses. Tenho que tomar uma decisão muito difícil se continuar com um doutorado ou encontrar um emprego na indústria.

Minhas razões para fazer um PhD:

• Sou uma pessoa muito curiosa e sinto que ainda não tenho muito conhecimento. Quero aprender muito e o doutorado me ajudará nisso, pois posso fazer mais bons cursos e ler toneladas de papéis e ser especialista em mineração de dados e aprendizado de máquina. Eu amo matemática, mas não era boa nisso na graduação (uni ruim). Agora, nesta universidade alemã, sinto que desenvolvi muitas ótimas habilidades matemáticas e quero melhorar isso porque realmente amo matemática! (Eu era realmente muito ruim em matemática na minha graduação e durante a minha vida, mas agora vejo que consigo fazer bem as contas!)

• Vou trabalhar com coisas intelectualmente desafiadoras.

• Eu preciso ser honesto e dizer que também odeio ver alguém com um grau mais alto que eu. Então, se eu for para a rua e encontrar alguém com doutorado, não preciso dizer "nossa, esse cara é mais esperto do que eu". Eu prefiro estar do outro lado. ;)

Minhas razões para NÃO fazer doutorado:

• Eu li na internet sobre fazer um doutorado ou não. Descobri que, nos casos mais comuns, as pessoas com doutorado realizam o mesmo tipo de trabalho de pessoas com mestrado. (essa foi uma observação geral em ciência da computação, não sobre ML / DM).

• Eu posso começar uma carreira e ganhar muito dinheiro em 1 ou 2 anos, então provavelmente posso começar minha própria empresa.

O que ainda não está claro:

Ainda não sei qual é meu objetivo final no final. É para ter uma pequena companhia famosa? Ou é para ser um cientista famoso? Ainda não tenho uma resposta para esta pergunta ainda.

Para me ajudar a tomar uma decisão, quero saber duas coisas:

• Como é trabalhar como cientista de dados / aprendiz de máquinas com um mestrado na indústria? Que tipo de trabalho você faz? Especialmente quando leio esses anúncios na Amazon como um cientista de aprendizado de máquina, sempre me pergunto o que eles fazem.

• A mesma pergunta de antes, mas com doutorado. Você faz algo diferente ou a mesma coisa que com mestres?

• Vou lidar com problemas interessantes e desafiadores? Ou alguma coisa chata?

Como uma pequena observação: eu vi um cara com doutorado em aprendizado de máquina (na Alemanha) e está trabalhando em uma empresa que promove um software de aprendizado de máquina. Pelo que entendi, a maior parte de seu trabalho é treinar pessoas para usar os métodos e o software (árvores de decisão ... etc.).

Seria ótimo se eu pudesse obter algumas respostas de experiências relacionadas à Alemanha / Suíça em algumas empresas famosas.

Alex, não posso comentar especificamente sobre a Alemanha ou a Suíça, mas trabalho para uma empresa internacional com uma equipe de mais de 100.000 pessoas de todos os países. A maioria dessas pessoas possui pelo menos pós-graduação, muitas têm mestrado e doutorado e, com exceção da equipe de RH e administração, a maioria de nós é especialista em um ou mais domínios científicos diferentes. Tenho mais de 30 anos de experiência, trabalhei como especialista científico / técnico qualificado, gerente, gerente de projetos e, finalmente, retornei a uma função puramente científica de que gosto. Também estive envolvido na contratação de pessoal e talvez algumas das minhas observações a seguir possam ser valiosas para você.

1. A maioria dos recém-formados realmente não sabe exatamente o que quer e geralmente leva alguns anos para descobrir. Na maioria dos casos, a experiência no local de trabalho acaba sendo bem diferente em comparação ao que eles esperavam por vários motivos. Alguns locais de trabalho são empolgantes, enquanto outros são monótonos, chatos e "política do local de trabalho", maus chefes etc. às vezes podem ser grandes problemas. Um grau mais alto pode ou não ajudar em nenhum desses problemas.

2. A maioria dos empregadores deseja pessoas que possam "fazer o trabalho" e sejam produtivas o mais rápido possível. Graus mais altos podem ou não importar, dependendo do empregador. Em algumas situações, a porta está fechada, a menos que você tenha um doutorado. Em outras situações, a porta pode estar fechada PORQUE você tem um doutorado e o empregador quer alguém "menos teórico e com mais experiência prática".

3. Um doutorado não significa necessariamente promoções mais rápidas ou mesmo muita diferença salarial e pode ou não fazer qualquer diferença no tipo de posição que você pode obter. Geralmente, quando entrevisto candidatos, tenho mais interesse em encontrar pessoas com experiência relevante relacionada ao trabalho. Um doutorado pode ser um fator decisivo final para garantir uma posição, se o tópico da tese do candidato for especificamente relevante.

4. As pessoas tendem a mudar de emprego com mais frequência agora do que no passado. Sua idade dividida por 2 * pi não é uma regra ruim por um bom número de anos para permanecer em um emprego antes de começar a andar em círculos. Algumas pessoas trabalham por um tempo e depois retornam aos estudos superiores. Algumas pessoas (como eu) iniciam o doutorado e recebem uma "oferta boa demais para recusar" e deixam o doutorado para ir trabalhar. Me desculpe, eu fiz isso? NÃO, de jeito nenhum, e se eu estivesse começando de novo eu faria um doutorado em um tópico completamente diferente de qualquer maneira.

5. A melhor sugestão que posso lhe dar é fazer o que você mais gosta de fazer e ver como isso se desenrola. Ninguém mais pode lhe dizer o que será melhor para você. Às vezes, você só precisa tentar algo e, se não der certo, aprender o máximo que puder e seguir para outra coisa. Como disse Rodin: nada é uma perda de tempo se você usar a experiência com sabedoria.

Antes de descrever minha opinião sobre a rotina do trabalho, selecionarei algumas partes do seu post que julgo relevantes (ênfase minha):

1. Eu sou uma pessoa muito curiosa
2. Trabalhará com coisas intelectualmente desafiadoras
3. Eu preciso ser honesto e dizer que também odeio ver alguém com um grau mais alto que eu ( vaidade )
4. Eu posso começar uma carreira e ganhar muito dinheiro em 1 ou 2 anos
5. começar minha própria empresa

Com base em 1 e 2, você parece ter uma visão muito romântica da ciência de dados e da pesquisa em geral. Sim, você começará a trabalhar em problemas interessantes, mas certamente 24 horas por dia, 7 dias por semana (isso se aplica à indústria e à pesquisa).

Com base em 2 e 3, você parece considerar a pesquisa o auge do intelecto humano e o doutorado como uma certificação de sua inteligência. Eu não concordo, porque:

• existem problemas intelectualmente desafiadores na pesquisa acadêmica e na indústria. Eu acho que é uma suposição estranha que os acadêmicos enfrentem os mais difíceis.
• Ter um doutorado não significa que você é inteligente, significa que você tem o necessário para fazer uma boa pesquisa em seu campo. A pesquisa não é mais inteligente do que outra pessoa (embora ajude). A criatividade e a abordagem de problemas de um ângulo diferente também são qualidades muito importantes. Se você quer algum tipo de prova de que é mais esperto que a próxima pessoa, faça os testes Mensa, e não um PhD.

_{Na minha opinião pessoal, as pessoas mais inteligentes são aquelas que acabam vivendo uma vida feliz com as escolhas que fizeram, se isso significa se tornar um físico nuclear ou um carpinteiro. Não tome suas decisões com base no fato de elas lhe concederem algo para mostrar.}

Baseado em 4 e 5, parece que você imagina começar a sua própria empresa em algum momento. Lembre-se de que, ao fazer startups, mesmo orientadas para a tecnologia, você provavelmente não passará a maior parte do tempo com a tecnologia real. Marketing, planos de negócios, gerenciamento etc. são todos igualmente (se não mais) importantes para startups bem-sucedidas. Como você espera que um PhD ajude?

Agora que essas preliminares estão fora do caminho: minha opinião pessoal sobre a rotina de trabalho de um cientista de aprendizado de máquina. Primeiro de tudo: você começa a trabalhar com métodos de ponta em conjuntos de dados grandes / complicados / interessantes, com ênfase na sua escolha. É certamente um trabalho muito interessante.

... MAS

O aprendizado de máquina real envolve muito trabalho pesado

Você não passará todas as horas de trabalho em um mundo utópico cheio de elegância matemática, enquanto um exército de computadores atende às suas exigências. Uma grande parte do seu tempo será gasta no trabalho pesado: gerenciamento de banco de dados, preparação de conjuntos de dados, normalização de coisas, tratamento de inconsistências etc. etc. Eu passo a maior parte do tempo realizando tarefas como essas. Eles não crescem mais emocionantes ao longo do tempo. Se você não é apaixonado pelo assunto, acabará perdendo a motivação para fazer essas coisas.

Se você participou de aulas de aprendizado de máquina, normalmente obtém conjuntos de dados bem rotulados sem inconsistências, sem dados ausentes, onde tudo está como deveria estar. Isso não é aprendizado de máquina da vida real. Você passará a maior parte do tempo tentando chegar ao ponto em que está pronto para executar seu algoritmo favorito.

Gerenciamento de expectativas em colaborações

Se você deseja fazer projetos interdisciplinares, precisará aprender a trabalhar com pessoas que pouco sabem sobre o que faz (isso é válido para qualquer especialização). No aprendizado de máquina, isso geralmente implica um dos dois cenários:

• Seus colaboradores viram muita TV e pensam que você pode resolver tudo, com um algoritmo sofisticado e muitas visualizações legais.
• Seus colaboradores não entendem as técnicas usadas e, como tal, não veem os benefícios ou aplicativos em potencial.

• Como é trabalhar como cientista de dados / aprendiz de máquinas com um mestrado na indústria? Que tipo de trabalho você faz? Especialmente quando leio esses anúncios na Amazon como um cientista de aprendizado de máquina, sempre me pergunto o que eles fazem.

Os problemas de negócios não mudam realmente, dependendo do seu diploma, então você deve considerar as mesmas coisas ou coisas semelhantes. Se você trabalha em uma grande organização, trabalha nos grandes conjuntos de dados da empresa. Geralmente, podem ser dados de produto / cliente ou dados operacionais (dados de processos químicos, dados de mercados financeiros, dados de tráfego de sites, etc.). O objetivo final genérico é aproveitar os dados para economizar dinheiro ou ganhar dinheiro para a empresa.

• A mesma pergunta de antes, mas com doutorado. Você faz algo diferente ou a mesma coisa que com mestres?

A resposta é a seguinte: você faria praticamente as mesmas coisas. No entanto, na pesquisa / análise quantitativa / ou em um departamento técnico semelhante de uma grande corporação internacional, se você tem um doutorado, tem uma vantagem sobre alguém com um mestrado. em termos de progressão na carreira. O doutorado ensina (ou deve ensinar) você a ser um pesquisador independente; portanto, com um doutorado, a empresa geralmente 'valoriza' seu trabalho (habilidades inquisitivas e diligência) um pouco mais. MAS eu recomendaria fortemente que não fizesse um doutorado apenas por uma progressão na carreira (potencialmente) mais rápida. Fazer um doutorado é um processo difícil e, especialmente para o doloroso final, você teria que gostar (idealmente, amar) sua matéria e, na minha opinião, ter um interesse potencial em permanecer na academia (que é um proxy para revelar sua afinidade com a pesquisa e o tópico principal) para torná-lo suportável.

Lembre-se também de que, voltando à indústria com um PhD, você ficará atrasado na carreira e poderá acabar sendo canalizado para uma função de suporte tecnicamente orientado (que paga menos em comparação com as pessoas que ganham dinheiro real para a empresa) - que pode não ser seu principal objetivo. Finalmente, se você trabalha em uma empresa de pequena escala, em sua própria empresa, a vantagem de ter um doutorado praticamente desaparece em termos de progressão na carreira ou salário.

• Vou lidar com problemas interessantes e desafiadores? Ou alguma coisa chata?

Eu acho que não há resposta genérica para isso. ML é interdisciplinar. Se você trabalha como analista, geralmente analisa os dados e tenta criar modelos; se está no lado do desenvolvimento, acaba lidando com os obstáculos da implementação. Se você está voltado para o cliente, pode ser necessário fazer muitas atividades de mãos dadas e treinar clientes (mas provavelmente ganhará mais dinheiro). Normalmente, a resposta à sua pergunta depende da preferência pessoal e também da flexibilidade oferecida pelo seu empregador.

Ou você pode tentar se juntar a algum grupo de pesquisa em que estatísticos e aprendizes de máquinas não são uma aparência cotidiana. Por exemplo, infestação e propagação de doenças, botânica ou ecologia, inseto social ou talvez ciências sociais?

Não posso dar exemplos exatos, mas se você é um bom estatístico / ML em um local onde são poucos, então as pessoas e diferentes propostas de pesquisa o encontrarão. O ponto é que você estará realmente em demanda sem muito esforço do seu lado.

Se você gosta dessa idéia, tente procurar problemas de aprendizado de máquina fora dos tópicos atuais (setor) e talvez encontre o caminho para encontrar seus "problemas interessantes desafiadores" e "trabalhar com coisas intelectualmente desafiadoras".

Eu concordo com as outras respostas. Eu apenas enfatizaria que uma maneira comum (pelo menos nos EUA) de pessoas como você, que hesitam em continuar um doutorado ou fazer um setor depois da graduação é se candidatar a um doutorado e depois tirar uma licença (um ano ou mais) se as coisas não forem tão boas quanto esperavam ou simplesmente quiserem explorar a indústria. Geralmente, é mais fácil se inscrever para o doutorado logo após a graduação: você ainda não esqueceu o hábito de cursar exames (GRE), professores que vão escrever cartas de recomendação para você ainda se lembra bem de você etc.

Além disso, em sua comparação entre doutorado e indústria, entre as oportunidades que você tem, você pode comparar o acesso a conjuntos de dados interessantes, disponibilidade de cluster de computador, habilidades de engenharia de software do local e quantas pessoas são designadas para cada projeto.

Por fim, você também pode encontrar muitas coisas intelectualmente desafiadoras no setor, por exemplo, consulte IBM / Google / Microsoft / Nuance / Facebook / etc. departamento de pesquisa (assim como você pode encontrar muitas coisas intelectualmente incontestáveis ​​na academia). Por exemplo, as pessoas por trás do SVM estavam trabalhando na AT&T, o IBM Watson está na IBM, o Google Translate é um dos melhores sistemas de tradução automática, a Nuance e o Google têm o melhor sistema de reconhecimento de voz, e esses estão muito longe de serem exemplos isolados. Na verdade, eu sempre me perguntei quem entre a indústria e a academia contribui mais para a pesquisa de aprendizado de máquina (eu fiz a mesma pergunta sobre a pesquisa de banco de dados no Quora: a pesquisa de banco de dados foi conduzida principalmente pelo setor na última década? ).

Para obter um doutorado, você precisa avançar no estado do conhecimento humano. Você não precisa apenas aprender mais coisas. Você tem que produzir algo original. Este é um processo longo, lento e doloroso, e nem todos conseguem. Portanto, você deve fazer um doutorado apenas se achar que tem uma contribuição nova e criativa para o campo em você.

Se você quer apenas aprender o campo e aplicá-lo, faça o máximo de seu mestrado e passe o resto da vida aprendendo enquanto se inscreve. Leia as coisas. Faça o workshop ocasional. Se em algum momento você estiver infectado pelo desejo de fazer algo verdadeiramente original, faça uma (longa) pausa na carreira e tente fazer o doutorado.

Ao escolher a / pequena empresa / rota famosa, você tem a liberdade de estabelecer um departamento de pesquisa em sua empresa.

Aqui, você pode ser irritantemente criativo, sem restrições ... explorar todas as suas fantasias de infância, coisas intelectualmente desafiadoras ... você define o ritmo ... você será / o homem /.

Você não precisa se sentar no University Labs para escrever um / Killer / trabalho de pesquisa.

Não obstante, enquanto isso, você sempre pode coordenar com os departamentos de pesquisa relevantes da Univ. Vejo...? zwei vögel mit eines stein :-)

... alguém com um grau superior ...

Bem, a vaidade, com moderação, nos motiva a buscar o melhor que pode haver.

Boa sorte.

yb