Według niektórych, Machine Learning to “najseksowniejszy zawód XXI wieku”. Jego medialny wizerunek, kreowany na podstawie science fiction, często jednak odbiega od realiów pracy w tej branży. Poniżej obalamy mity na temat ML oraz przedstawiamy kluczowe pytania, jakie powinien sobie zadać początkujący developer ML.
1. Czy na pewno potrzebuję ML w moim projekcie?
ML jest modny. Nie znaczy to, że musisz go użyć aby tanio, szybko i dobrze zrealizować swoje cele. Oczywiście, są miejsca, w których AI jest pierwszym wyborem. Co więcej, poza zaletami jak np. duża elastyczność, niesie za sobą sporo wad i ograniczeń. Decydując się na użycie ML w projekcie musimy robić to z głową.
2. Czy rozumiem podstawy matematyki na tyle dobrze, aby zrozumieć ML?
Współczesne komputery, języki programowania i frameworki niesamowicie uprościły pracę z ML. Możemy sklonować i po prostu użyć czyjegoś repozytorium, albo kodu z tutorialu. Z takim jednak podejściem wynik jest czarną magią. Nie jesteśmy w stanie zweryfikować poprawności, ani ocenić wyników, a co dopiero świadomie je ulepszać i rozumieć na czym polegają typowe problemy, np. zanikający gradient, albo techniki takie jak regularyzacja. Słowa ‘shit in, shit out’ wciąż są prawdziwe. Nie musisz kończyć studiów matematycznych, ale zwróć uwagę na to, czy rozumiesz dlaczego co robisz.
3. Czy posiadam wiedzę informatyczna umożliwiającą zwykłe kodowanie projektu IT?
Tworzenie AI to tworzenie oprogramowania. Jeżeli nie potrafisz płynnie programować, posługiwać się systemem kontroli wersji, gubisz się w IDE i systemie operacyjnym, wstrzymaj się! Pakowanie się w problemy badawcze AI w momencie gdy nie jesteśmy obeznani w programistycznym rzemiośle długofalowo skończy się fatalnie, a poziom zmęczenia i frustracji będzie rósł wykładniczo. Kumulujące się problemy wynikające z braku rzemiosła zniechęcą Cię do MLa.
4. Czy jesteś świadomy podziału pracy w AI?
W praktyce projekt AI to w około 80% praca nad zebraniem i przygotowaniem danych. O ile nie pracujesz w dużym i wyspecjalizowanym zespole najpewniej większość swojego czasu poświęcisz również na pracę z danymi. Wymaga to znajomości nie tylko programowania. Znowu pojawia się matematyka, dzięki której będziesz w stanie zauważyć ważne relacje i problemy w danych. Musisz też wyrobić w sobie żyłkę detektywa, poszukiwacza, który eksploruje dane, stawia pytania i poszukuje odpowiedzi.
5. Czy wiesz jakiej wiedzy potrzebujesz?
W ciągu ostatnich kilkunastu lat wraz z rozwojem Machine Learningu pojawiło się wiele darmowych źródeł wiedzy. Często pojawia się więc pytanie: Czy warto wybrać darmowy kurs?
Błądzenie po sieci i szukanie odpowiednich, wyczerpujących i wiarygodnych materiałów może okazać się czasochłonne i nieefektywne. Czas ten można przeznaczyć dla rodziny, na wycieczki, albo sport. Edukacja powierzona profesjonalistom, to na pewno dobra inwestycja.
Podsumowanie
Machine Learning bywa fascynujący i pełen wyzwań, ale może też być generatorem frustracji i nieefektywnego wysiłku. Wierzymy, że znając zakres wiedzy, specyfikę
