Le ML est rapidement devenu un domaine compétitif à pénétrer : pour les nouveaux diplômés, les ingénieurs logiciels expérimentés, les fondateurs de startups et même les cadres. En raison de la démocratisation des logiciels (par exemple, Tensorflow) et de la connaissance des techniques (ArXiV), toute personne ayant des bases en calcul et en codage et une forte motivation peut construire des modèles d'apprentissage automatique intéressants. L'aspect positif est que le nombre d'emplois d'ingénieurs ML augmente également à mesure que les industries réalisent le potentiel des optimisations que le ML peut réaliser.
En ce qui concerne l'obtention d'un emploi d'ingénieur ML, il n'y a pas de norme d'or. Quora recherchera un ensemble de compétences différent de Airbnb, de Google, de McKinsey, .... Certaines entreprises veulent des mathématiciens ayant peu d'expérience en matière de logiciels. D'autres veulent de solides ingénieurs en logiciels qui peuvent acquérir des compétences en ML si nécessaire. Je vais vous donner quelques conseils génériques sur la façon de muscler votre CV, mais sachez qu'une partie du processus d'entretien implique que vous parliez avec des membres de ces entreprises et que vous compreniez l'ensemble des compétences qu'ils recherchent.
À un haut niveau, quelques éléments que je recommanderais pour se démarquer en tant qu'ingénieur ML :
* Travaillez sur des problèmes et publiez vos progrès dans le domaine public. Cela pourrait inclure la participation à des compétitions Kaggle, le travail sur un problème de recherche ML à partir d'un article qui vous a inspiré, le développement d'un repère standard pour comparer la méthode ML moderne, n'importe quoi !
* Construire un produit ML, même s'il ne't obtenir beaucoup de traction. Par exemple, construisez un bot de chat, un système de recommandation pour le café, une plateforme d'analyse ADN ; tout ce qui vous intéresse !
* Ouvrez le code source de tout ce que vous écrivez : votre code Kaggle, vos fonctions d'aide, vos idées aléatoires. Publiez vos logiciels sur Github et vos réflexions et résultats sur ArXiV ou sur un blog personnel
* Engagez-vous en retour dans l'open source d'une manière non triviale. Aidez à développer des exemples pour Keras à partir de la littérature moderne, un crochet Julia pour Numpy, n'importe quoi ! Devenez actif dans la communauté open source
* Prenez contact de manière proactive avec les membres de la communauté (ingénieurs, chefs de produit, responsables open source, cadres) pour connaître les problèmes sur lesquels ils travaillent ; voyez comment vous pouvez contribuer à la résolution de ces problèmes. Et communiquez vos progrès sur les domaines ci-dessus et demandez leurs suggestions sur la façon d'aller de l'avant.
Vous ne devez pas'faire tous ces points. En faire un, bien, est suffisant. Prenez le temps de réfléchir à ce qui semble le plus intéressant et jetez-y un peu de temps libre. Si le ML est un domaine que vous aimez, vous'prendrez du plaisir à travailler sur ces domaines.
Et bonne chance!