كيفية معالجة فجوة المهارات المتزايدة في قطاعات الذكاء الاصطناعي / تعلم الآلة

ستساعدك المقالة التالية: كيفية معالجة فجوة المهارات المتزايدة في قطاعات الذكاء الاصطناعي / تعلم الآلة

توقع تقرير الاتجاه السنوي لبوابة الوظائف monster.com أن البيانات الضخمة والذكاء الاصطناعي والتعلم الآلي هي أهم قطاعات الوظائف في عام 2022.

روى نيتين أغاروال ، رئيس حلول وخدمات صناعة الذكاء الاصطناعي السحابي في Google (الهند) ، التحديات التي واجهها أثناء تعيين فريقه في الهند. “أحد الموضوعات الشائعة التي وجدتها ، في المرشحين الذين لم يتم اختيارهم ، هو أنهم استعدوا جيدًا للمقابلات ولكنهم يفتقرون إلى العمل” الحقيقي “… ولكن في الوقت الذي بدأت فيه إجراء محادثة مفصلة حول مشاريعهم ، بدأت المشكلة قادم. كانت الإجابات ضحلة جدًا ومنهجية جدًا ، “قال منشوره على LinkedIn.

على الرغم من أن الطلب على أدوار الذكاء الاصطناعي / تعلم الآلة مرتفع في جميع الأوقات ، إلا أن المواهب المتخصصة غير متوفرة. توقع استطلاع أجرته شركة KPMG أن 50 ٪ من القوى العاملة ستستعد للذكاء الاصطناعي والتعلم الآلي والتقنيات ذات الصلة في السنوات القليلة المقبلة.

في الآونة الأخيرة ، بدأت الشركات في الاستثمار في موظفيها لمساعدتهم على التكيف مع أحدث التقنيات من خلال وضعهم في برامج تحسين المهارات وإعادة تشكيلها. يعتقد الخبراء أن دمج دورات AI / ML في المناهج الدراسية يمكن أن يجعل القوى العاملة جاهزة للمستقبل. ومع ذلك ، مع وجود أكثر من 5000 كلية هندسية لا تزال ملتزمة بالدورات التقليدية ، زادت فجوة المهارات في الصناعة.

فرق المهارات

علم البيانات هو مصطلح شامل لمختلف التخصصات. بينما يركز علماء البيانات على الخوارزميات والتأكد من أن خط أنابيب معالجة البيانات بالكامل في وضع جيد ، يركز مهندسو ML على نشر النماذج.

يحتاج عالم البيانات إلى فهم عميق للغة البرمجة ومنصة IDE / منصة التصور ولغة الاستعلام.

من المتوقع أن يكون عالم البيانات مائعًا في لغات البرمجة بما في ذلك Python و R. والهدف هو استيعاب البيانات ومعالجتها ومهندس الميزات وبناء النماذج وإبلاغ النتائج.

غالبًا ما يستخدم علماء البيانات Jupyter Notebook أو IDE شائعًا للترميز وكتابة النص وعرض المخرجات المختلفة مثل النتائج والتصورات من مكان واحد. ومن بين IDEs الشهيرة الأخرى PyCharm و Atom.

يستخدم علماء البيانات لغة الاستعلام المهيكلة (SQL) للاستعلام عن البيانات الأولى وإنشاء ميزات جديدة وما إلى ذلك ، وبعد ذلك يتم تشغيل النموذج ونشره.

يدخل مهندسو التعلم الآلي حيز التنفيذ بعد أن يقوم عالم البيانات ببناء النموذج. إنهم بحاجة إلى التعمق في الكود ونشره.

من المتوقع أن يعرف كل من علماء البيانات ومهندسي تعلم لغة بايثون. ومع ذلك ، يركز مهندسو التعلم الآلي على المزيد من البرمجة الموجهة للكائنات (OOP) في Python ، في حين أن علماء البيانات ليسوا مثقلين بالـ OOP. يحتاج معظم مهندسي ML أيضًا إلى استخدام Git و GitHub لإصدار وتخزين مستودعات الأكواد.

مهندسو ML هم خبراء في أدوات النشر. هناك الكثير من الأدوات مثل AWS و Azure و Google Cloud و Docker و MLFlow و Flask و Airflow التي من المتوقع أن يعرفها خبراء ML. كما أن لقب “مهندس التعلم الآلي” يعني “مهندس عمليات التعلم الآلي” (MLOps) أيضًا في سوق العمل.

بينما تفضل بعض الشركات مرشحًا جيدًا قادرًا على كل من علم البيانات والتعلم الآلي (العمليات) ، يفضل الكثير متخصصًا.

للمرشحين

دائمًا ما يكون خيار إجراء دورة تعلم تعلم إضافية من شركات EdTech مفتوحًا. تبحث الشركات دائمًا عن المرشحين ذوي الخبرة لعمليات نشر ML. يجد الطلاب الجدد صعوبة في الحصول على وظائف كبيرة في هذه المنطقة.

لكن يمكن للمرشحين التغلب على هذه القيود من خلال إظهار القيمة من خلال المشاريع الشخصية والمشاريع مفتوحة المصدر والهاكاثون وتحديات الترميز.

تغليف

تزخر صناعة الذكاء الاصطناعي بالفرص. ومع ذلك ، لا يزال السوق ناشئًا ، مع ارتفاع الطلب على القوى العاملة الماهرة. لذلك ، من الضروري تخصيص الوقت ، من قبل كل من أصحاب العمل والموظفين ، لسد فجوة المهارات والارتقاء بصناعة الذكاء الاصطناعي / تعلم الآلة إلى المستوى التالي.