Como investigador académico de aprendizaje automático que se está mudando a la industria, debe pensar en qué habilidades le faltan en comparación con los profesionales experimentados en la industria, y también qué habilidades tiene que no tienen.
Habilidades que los investigadores de la academia tienen y los profesionales de la industria carecen de:
- Por lo general, tienen un profundo conocimiento teórico de al menos una familia de algoritmos, a menudo redes neuronales.
- A menudo han tenido tiempo de desarrollar sus propias implementaciones personalizadas de algoritmos de última generación, o incluso algoritmos totalmente nuevos.
- Están más acostumbrados a pensar profundamente sobre los problemas de una manera fundamental.
- Están más acostumbrados a razonar de manera formal sobre su trabajo.
- Tienen experiencia en encontrar soluciones frescas y creativas a los problemas en lugar de simplemente aplicar métodos conocidos.
- A menudo tienen un conocimiento más profundo de las estadísticas y las matemáticas detrás del aprendizaje automático.
Use estas fortalezas para su ventaja al entrevistar a empresas.
- ¿Se puede usar la inteligencia artificial para crear nuevos algoritmos?
- Inteligencia artificial: ¿por qué el aprendizaje profundo solo despegó en la década de 2010 y no antes?
- ¿Qué quiso decir exactamente Elon Musk al decir que la cámara de inteligencia artificial de Google no parece inocente?
- ¿Por qué hay diferencias en el rendimiento entre modelos idénticos de aprendizaje profundo implementados en diferentes marcos?
- ¿Por qué Python se usa ampliamente para IA en lugar de otros lenguajes de programación?
Las habilidades que tienen los profesionales de la industria y los investigadores de la academia carecen de:
- Es posible que no conozcan a fondo ningún algoritmo, pero conocen las bases de la mayoría de los algoritmos de aprendizaje automático.
- Tienen experiencia en pensar en problemas desde el punto de vista empresarial y en traducirlos en soluciones técnicas.
- Tienen experiencia en la creación de visualizaciones intuitivas (y bonitas) destinadas a un público no técnico.
- Tienen experiencia en seguir un proyecto desde la idea hasta la solución de trabajo en un período de tiempo limitado.
- Tienen experiencia en hacer malabarismos entre diferentes proyectos al mismo tiempo.
- Saben cómo dejar de lado su orgullo y aplicar soluciones rápidas sucias cuando las soluciones más elegantes habrían tomado demasiado tiempo.
- Saben cómo manejar datos sucios.
- Tienen experiencia en escribir SQL optimizado y en administrar y manipular grandes bases de datos. Saben que SQL es mucho más que “SELECT * FROM {insert name of local sqlite DB}”.
- A menudo son mejores escribiendo código optimizado, utilizando implementaciones vectorizadas y técnicas de programación funcional para optimizar el rendimiento.
- A menudo son mejores para escribir código que otros puedan entender fácilmente, utilizando patrones comunes de diseño de software.
- A menudo son expertos en una variedad de lenguajes de programación.
- Conocen las fortalezas y debilidades de diferentes bibliotecas y marcos de aprendizaje automático.
- Saben cómo instalar dichas bibliotecas y marcos en múltiples entornos.
- Por lo general, están bien versados en los ecosistemas de computación en la nube de al menos un proveedor importante de la nube.
Obviamente, algunas de estas habilidades solo se pueden aprender en el trabajo, pero otras se pueden aprender con el autoaprendizaje.
Nota: Si esto parece demasiado pesado a favor de la industria, esa no era mi intención. Simplemente quería señalar algunas áreas en las que un investigador proveniente de la academia debería centrarse al hacer la transición.
