ໂຄງການທີ່ຢູ່ອາໄສ Yandex, ຫຼືວິທີການ Backender ມີປະສົບການສາມາດກາຍເປັນວິສະວະກອນ ML

Yandex ກໍາລັງເປີດໂຄງການທີ່ຢູ່ອາໄສໃນການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບນັກພັດທະນາ backend ທີ່ມີປະສົບການ. ຖ້າທ່ານໄດ້ຂຽນຫຼາຍໃນ C ++ / Python ແລະຕ້ອງການໃຊ້ຄວາມຮູ້ນີ້ກັບ ML, ພວກເຮົາຈະສອນທ່ານກ່ຽວກັບວິທີການຄົ້ນຄ້ວາພາກປະຕິບັດແລະໃຫ້ຄໍາແນະນໍາທີ່ມີປະສົບການ. ທ່ານຈະເຮັດວຽກກ່ຽວກັບການບໍລິການ Yandex ທີ່ສໍາຄັນແລະໄດ້ຮັບທັກສະໃນຂົງເຂດເຊັ່ນ: ຮູບແບບເສັ້ນແລະການຊຸກຍູ້ການ gradient, ລະບົບຄໍາແນະນໍາ, ເຄືອຂ່າຍ neural ສໍາລັບການວິເຄາະຮູບພາບ, ຂໍ້ຄວາມແລະສຽງ. ນອກນັ້ນທ່ານຍັງຈະຮຽນຮູ້ວິທີການປະເມີນຕົວແບບຂອງທ່ານຢ່າງຖືກຕ້ອງໂດຍໃຊ້ metrics ອອບໄລນ໌ແລະອອນໄລນ໌.

ໄລຍະເວລາຂອງໂຄງການແມ່ນຫນຶ່ງປີ, ໃນໄລຍະທີ່ຜູ້ເຂົ້າຮ່ວມຈະເຮັດວຽກຢູ່ໃນເຄື່ອງຈັກແລະການຄົ້ນຄວ້າຂອງພະແນກ Yandex, ເຊັ່ນດຽວກັນກັບເຂົ້າຮ່ວມການບັນຍາຍແລະການສໍາມະນາ. ການມີສ່ວນຮ່ວມແມ່ນໄດ້ຮັບຄ່າຈ້າງແລະກ່ຽວຂ້ອງກັບການເຮັດວຽກເຕັມເວລາ: 40 ຊົ່ວໂມງຕໍ່ອາທິດ, ເລີ່ມແຕ່ວັນທີ 1 ກໍລະກົດຂອງປີນີ້. ແອັບພລິເຄຊັນເປີດແລ້ວ ແລະຈະແກ່ຍາວເຖິງວັນທີ 1 ພຶດສະພາ. 

ແລະໃນປັດຈຸບັນໃນລາຍລະອຽດເພີ່ມເຕີມ - ກ່ຽວກັບປະເພດຂອງຜູ້ຊົມທີ່ພວກເຮົາກໍາລັງລໍຖ້າ, ຂະບວນການເຮັດວຽກຈະເປັນແນວໃດແລະໂດຍທົ່ວໄປແລ້ວ, ຜູ້ຊ່ຽວຊານດ້ານຫລັງສາມາດປ່ຽນໄປສູ່ການເຮັດວຽກໃນ ML.

Directivity

ບໍລິສັດຈໍານວນຫຼາຍມີໂຄງການທີ່ຢູ່ອາໄສ, ລວມທັງ, ສໍາລັບການຍົກຕົວຢ່າງ, Google ແລະ Facebook. ພວກມັນຕົ້ນຕໍແມ່ນແນໃສ່ຜູ້ຊ່ຽວຊານລະດັບກາງແລະລະດັບກາງທີ່ພະຍາຍາມເອົາບາດກ້າວໄປສູ່ການຄົ້ນຄວ້າ ML. ໂຄງການຂອງພວກເຮົາແມ່ນສໍາລັບຜູ້ຊົມທີ່ແຕກຕ່າງກັນ. ພວກເຮົາເຊີນຜູ້ພັດທະນາ backend ທີ່ໄດ້ຮັບປະສົບການພຽງພໍແລ້ວແລະຮູ້ວ່າໃນຄວາມສາມາດຂອງເຂົາເຈົ້າຈໍາເປັນຕ້ອງໄດ້ປ່ຽນໄປສູ່ ML, ເພື່ອໃຫ້ໄດ້ຮັບທັກສະການປະຕິບັດ - ແລະບໍ່ແມ່ນທັກສະຂອງນັກວິທະຍາສາດ - ໃນການແກ້ໄຂບັນຫາການຮຽນຮູ້ເຄື່ອງຈັກອຸດສາຫະກໍາ. ນີ້ບໍ່ໄດ້ຫມາຍຄວາມວ່າພວກເຮົາບໍ່ສະຫນັບສະຫນູນນັກຄົ້ນຄວ້າໄວຫນຸ່ມ. ພວກເຮົາໄດ້ຈັດຕັ້ງໂຄງການແຍກຕ່າງຫາກສໍາລັບພວກເຂົາ - ຄ່ານິຍົມ ຊື່ວ່າ Ilya Segalovich, ເຊິ່ງຊ່ວຍໃຫ້ທ່ານສາມາດເຮັດວຽກຢູ່ໃນ Yandex.

ຜູ້​ຢູ່​ບ່ອນ​ໃດ​ຈະ​ເຮັດ​ວຽກ​?

ໃນພະແນກຂອງເຄື່ອງຈັກແລະການຄົ້ນຄວ້າ, ພວກເຮົາເອງພັດທະນາແນວຄວາມຄິດໂຄງການ. ແຫຼ່ງການດົນໃຈຕົ້ນຕໍແມ່ນວັນນະຄະດີວິທະຍາສາດ, ບົດຄວາມ, ແລະແນວໂນ້ມໃນຊຸມຊົນຄົ້ນຄ້ວາ. ເພື່ອນຮ່ວມງານຂອງຂ້ອຍແລະຂ້ອຍວິເຄາະສິ່ງທີ່ພວກເຮົາອ່ານ, ຊອກຫາວິທີທີ່ພວກເຮົາສາມາດປັບປຸງຫຼືຂະຫຍາຍວິທີການທີ່ນັກວິທະຍາສາດສະເຫນີ. ພ້ອມກັນນັ້ນ, ແຕ່ລະຄົນກໍ່ຄຳນຶງເຖິງຂົງເຂດຄວາມຮູ້ ແລະ ຄວາມສົນໃຈຂອງລາວ, ສ້າງໜ້າທີ່ວຽກງານໂດຍອີງໃສ່ຂົງເຂດທີ່ລາວຖືວ່າສຳຄັນ. ແນວຄວາມຄິດສໍາລັບໂຄງການໂດຍປົກກະຕິແມ່ນເກີດຢູ່ໃນຈຸດຕັດກັນຂອງຜົນໄດ້ຮັບຂອງການຄົ້ນຄວ້າພາຍນອກແລະຄວາມສາມາດຂອງຕົນເອງ.

ລະບົບນີ້ແມ່ນດີເພາະວ່າມັນສ່ວນໃຫຍ່ແກ້ໄຂບັນຫາເຕັກໂນໂລຢີຂອງການບໍລິການ Yandex ເຖິງແມ່ນວ່າກ່ອນທີ່ມັນຈະເກີດຂື້ນ. ເມື່ອການບໍລິການປະເຊີນກັບບັນຫາ, ຜູ້ຕາງຫນ້າຂອງມັນມາຫາພວກເຮົາ, ສ່ວນຫຼາຍແມ່ນຈະເອົາເຕັກໂນໂລຢີທີ່ພວກເຮົາໄດ້ກະກຽມໄວ້ແລ້ວ, ເຊິ່ງສິ່ງທີ່ຍັງເຫຼືອແມ່ນຈະຖືກນໍາໃຊ້ຢ່າງຖືກຕ້ອງໃນຜະລິດຕະພັນ. ຖ້າບາງສິ່ງບາງຢ່າງຍັງບໍ່ພ້ອມ, ຢ່າງຫນ້ອຍພວກເຮົາຈະຈື່ຈໍາບ່ອນທີ່ພວກເຮົາສາມາດ "ເລີ່ມຕົ້ນຂຸດ" ແລະໃນບົດຄວາມໃດທີ່ຈະຊອກຫາວິທີແກ້ໄຂ. ດັ່ງທີ່ພວກເຮົາຮູ້, ວິທີການວິທະຍາສາດແມ່ນການຢືນຢູ່ເທິງບ່າຂອງຍັກໃຫຍ່.

ຈະເຮັດແນວໃດ

ຢູ່ Yandex - ແລະເຖິງແມ່ນວ່າໂດຍສະເພາະໃນການຄຸ້ມຄອງຂອງພວກເຮົາ - ທຸກຂົງເຂດທີ່ກ່ຽວຂ້ອງຂອງ ML ກໍາລັງຖືກພັດທະນາ. ເປົ້າຫມາຍຂອງພວກເຮົາແມ່ນເພື່ອປັບປຸງຄຸນນະພາບຂອງຜະລິດຕະພັນທີ່ຫລາກຫລາຍ, ແລະນີ້ເຮັດຫນ້າທີ່ເປັນແຮງຈູງໃຈທີ່ຈະທົດສອບທຸກຢ່າງໃຫມ່. ນອກຈາກນັ້ນ, ການບໍລິການໃຫມ່ປາກົດເປັນປົກກະຕິ. ດັ່ງນັ້ນ, ໂຄງການບັນຍາຍປະກອບມີທຸກຂົງເຂດທີ່ສໍາຄັນ (ພິສູດໄດ້ດີ) ຂອງການຮຽນຮູ້ເຄື່ອງຈັກໃນການພັດທະນາອຸດສາຫະກໍາ. ເມື່ອລວບລວມສ່ວນຂອງຂ້ອຍຂອງຫຼັກສູດ, ຂ້ອຍໄດ້ໃຊ້ປະສົບການການສອນຂອງຂ້ອຍຢູ່ໂຮງຮຽນການວິເຄາະຂໍ້ມູນ, ເຊັ່ນດຽວກັນກັບເອກະສານແລະການເຮັດວຽກຂອງຄູສອນ SHAD ອື່ນໆ. ຂ້ອຍຮູ້ວ່າເພື່ອນຮ່ວມງານຂອງຂ້ອຍເຮັດຄືກັນ.

ໃນເດືອນທໍາອິດ, ການຝຶກອົບຮົມຕາມໂຄງການຫຼັກສູດຈະກວມເອົາປະມານ 30% ຂອງເວລາເຮັດວຽກຂອງທ່ານ, ຫຼັງຈາກນັ້ນປະມານ 10%. ຢ່າງໃດກໍ່ຕາມ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະເຂົ້າໃຈວ່າການເຮັດວຽກກັບຕົວແບບ ML ຕົວເອງຈະສືບຕໍ່ໃຊ້ເວລາປະມານສີ່ເທົ່າຫນ້ອຍກວ່າຂະບວນການທີ່ກ່ຽວຂ້ອງທັງຫມົດ. ເຫຼົ່ານີ້ລວມມີການກະກຽມດ້ານຫລັງ, ການຮັບຂໍ້ມູນ, ການຂຽນທໍ່ສໍາລັບການປຸງແຕ່ງມັນກ່ອນ, ການເພີ່ມປະສິດທິພາບລະຫັດ, ການປັບຕົວເຂົ້າກັບຮາດແວສະເພາະ, ແລະອື່ນໆ. ວິສະວະກອນ ML ແມ່ນຜູ້ພັດທະນາແບບເຕັມຮູບແບບ (ພຽງແຕ່ເນັ້ນໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກ). , ສາມາດແກ້ໄຂບັນຫາໄດ້ຕັ້ງແຕ່ຕົ້ນຈົນຈົບ. ເຖິງແມ່ນວ່າມີຮູບແບບທີ່ກຽມພ້ອມແລ້ວ, ທ່ານອາດຈະຕ້ອງເຮັດຫຼາຍການປະຕິບັດ: ຂະຫນານການປະຕິບັດຂອງມັນໃນທົ່ວເຄື່ອງຈັກຈໍານວນຫນຶ່ງ, ການກະກຽມການປະຕິບັດໃນຮູບແບບຂອງຕົວຈັບ, ຫ້ອງສະຫມຸດ, ຫຼືອົງປະກອບຂອງການບໍລິການຂອງມັນເອງ.

ທາງເລືອກຂອງນັກຮຽນ
ຖ້າທ່ານຢູ່ໃນຄວາມປະທັບໃຈວ່າມັນດີກວ່າທີ່ຈະເປັນວິສະວະກອນ ML ໂດຍທໍາອິດເຮັດວຽກເປັນຜູ້ພັດທະນາ backend, ນີ້ບໍ່ແມ່ນຄວາມຈິງ. ການລົງທະບຽນໃນ ShAD ດຽວກັນໂດຍບໍ່ມີປະສົບການທີ່ແທ້ຈິງໃນການພັດທະນາການບໍລິການ, ການຮຽນຮູ້ແລະກາຍເປັນຄວາມຕ້ອງການທີ່ສຸດໃນຕະຫຼາດແມ່ນທາງເລືອກທີ່ດີເລີດ. ຜູ້ຊ່ຽວຊານ Yandex ຫຼາຍຄົນໄດ້ສິ້ນສຸດລົງໃນຕໍາແຫນ່ງປະຈຸບັນຂອງພວກເຂົາດ້ວຍວິທີນີ້. ຖ້າບໍລິສັດໃດພ້ອມທີ່ຈະສະເໜີໃຫ້ເຈົ້າເຮັດວຽກໃນສາຂາ ML ທັນທີຫຼັງຈາກຮຽນຈົບ, ເຈົ້າກໍ່ຄວນຈະຍອມຮັບຂໍ້ສະເໜີເຊັ່ນກັນ. ພະຍາຍາມເຂົ້າໄປໃນທີມງານທີ່ດີກັບຜູ້ແນະນໍາທີ່ມີປະສົບການແລະກຽມພ້ອມທີ່ຈະຮຽນຮູ້ຫຼາຍ.

ສິ່ງທີ່ປົກກະຕິແລ້ວປ້ອງກັນບໍ່ໃຫ້ທ່ານເຮັດ ML?

ຖ້າ backender ປາດຖະຫນາທີ່ຈະເປັນວິສະວະກອນ ML, ລາວສາມາດເລືອກຈາກສອງຂົງເຂດຂອງການພັດທະນາ - ໂດຍບໍ່ມີການຄໍານຶງເຖິງໂຄງການທີ່ຢູ່ອາໄສ.

ກ່ອນອື່ນ ໝົດ, ສຶກສາເປັນສ່ວນ ໜຶ່ງ ຂອງຫຼັກສູດການສຶກສາ. ບົດຮຽນ Coursera ຈະນໍາທ່ານເຂົ້າໃກ້ກັບຄວາມເຂົ້າໃຈເຕັກນິກພື້ນຖານ, ແຕ່ເພື່ອໃຫ້ຕົວທ່ານເອງເຂົ້າໄປໃນອາຊີບໃນຂອບເຂດທີ່ພຽງພໍ, ທ່ານຈໍາເປັນຕ້ອງໄດ້ອຸທິດເວລາໃຫ້ກັບມັນຫຼາຍ. ຕົວຢ່າງ, ຈົບການສຶກສາຈາກ ShAD. ໃນໄລຍະປີທີ່ຜ່ານມາ, ShAD ມີຈໍານວນຫຼັກສູດທີ່ແຕກຕ່າງກັນໂດຍກົງກ່ຽວກັບການຮຽນຮູ້ເຄື່ອງຈັກ - ໂດຍສະເລ່ຍ, ປະມານແປດ. ແຕ່ລະຄົນແມ່ນມີຄວາມສໍາຄັນແລະເປັນປະໂຫຍດຢ່າງແທ້ຈິງ, ລວມທັງໃນຄວາມຄິດເຫັນຂອງຜູ້ຮຽນຈົບ. 

ອັນທີສອງ, ທ່ານສາມາດມີສ່ວນຮ່ວມໃນໂຄງການສູ້ຮົບທີ່ທ່ານຈໍາເປັນຕ້ອງປະຕິບັດວິທີ ML ຫນຶ່ງຫຼືອື່ນ. ຢ່າງໃດກໍ່ຕາມ, ມີໂຄງການດັ່ງກ່າວຈໍານວນຫນ້ອຍຫຼາຍໃນຕະຫຼາດການພັດທະນາ IT: ການຮຽນຮູ້ເຄື່ອງຈັກບໍ່ໄດ້ຖືກນໍາໃຊ້ໃນວຽກງານສ່ວນໃຫຍ່. ເຖິງແມ່ນວ່າຢູ່ໃນທະນາຄານທີ່ກໍາລັງຄົ້ນຫາໂອກາດທີ່ກ່ຽວຂ້ອງກັບ ML, ມີພຽງແຕ່ຈໍານວນຫນ້ອຍທີ່ມີສ່ວນຮ່ວມໃນການວິເຄາະຂໍ້ມູນ. ຖ້າທ່ານບໍ່ສາມາດເຂົ້າຮ່ວມຫນຶ່ງໃນທີມເຫຼົ່ານີ້, ທາງເລືອກດຽວຂອງທ່ານແມ່ນເພື່ອເລີ່ມຕົ້ນໂຄງການຂອງທ່ານເອງ (ທີ່, ສ່ວນຫຼາຍອາດຈະ, ທ່ານຈະກໍານົດເສັ້ນຕາຍຂອງທ່ານເອງ, ແລະນີ້ບໍ່ກ່ຽວຂ້ອງກັບວຽກງານການຜະລິດການຕໍ່ສູ້), ຫຼືເລີ່ມຕົ້ນການແຂ່ງຂັນ. ກົກ.

ແທ້ຈິງແລ້ວ, ຮ່ວມກັບສະມາຊິກຊຸມຊົນອື່ນໆແລະພະຍາຍາມຕົວທ່ານເອງໃນການແຂ່ງຂັນ ຂ້ອນຂ້າງງ່າຍ - ໂດຍສະເພາະຖ້າທ່ານສໍາຮອງຂໍ້ມູນທັກສະຂອງທ່ານກັບການຝຶກອົບຮົມແລະຫຼັກສູດທີ່ໄດ້ກ່າວມາໃນ Coursera. ແຕ່ລະການແຂ່ງຂັນມີເສັ້ນຕາຍ - ມັນຈະເປັນແຮງຈູງໃຈສໍາລັບທ່ານແລະກະກຽມທ່ານສໍາລັບລະບົບທີ່ຄ້າຍຄືກັນໃນບໍລິສັດ IT. ນີ້ແມ່ນວິທີການທີ່ດີ - ເຊິ່ງ, ຢ່າງໃດກໍຕາມ, ຍັງເປັນການຢ່າຮ້າງເລັກນ້ອຍຈາກຂະບວນການທີ່ແທ້ຈິງ. ໃນ Kaggle ທ່ານໄດ້ຖືກມອບໃຫ້ກ່ອນການປຸງແຕ່ງ, ເຖິງແມ່ນວ່າບໍ່ສົມບູນແບບສະເຫມີ, ຂໍ້ມູນ; ບໍ່ສະເຫນີໃຫ້ຄິດກ່ຽວກັບການປະກອບສ່ວນກັບຜະລິດຕະພັນ; ແລະສໍາຄັນທີ່ສຸດ, ພວກເຂົາບໍ່ຕ້ອງການວິທີແກ້ໄຂທີ່ເຫມາະສົມກັບການຜະລິດ. algorithms ຂອງເຈົ້າອາດຈະເຮັດວຽກແລະມີຄວາມຖືກຕ້ອງສູງ, ແຕ່ແບບຈໍາລອງແລະລະຫັດຂອງເຈົ້າຈະຄືກັບ Frankenstein stitched ຈາກພາກສ່ວນຕ່າງໆ - ໃນໂຄງການການຜະລິດ, ໂຄງສ້າງທັງຫມົດຈະເຮັດວຽກຊ້າເກີນໄປ, ມັນຈະມີຄວາມຫຍຸ້ງຍາກໃນການປັບປຸງແລະຂະຫຍາຍ (ຕົວຢ່າງ: ພາ​ສາ​ແລະ​ວິ​ທີ​ການ​ສຽງ​ຈະ​ຂຽນ​ຄືນ​ໃຫມ່​ບາງ​ສ່ວນ​ສະ​ເຫມີ​ໄປ​ທີ່​ພາ​ສາ​ພັດ​ທະ​ນາ​)​. ບໍລິສັດມີຄວາມສົນໃຈໃນຄວາມຈິງທີ່ວ່າວຽກງານທີ່ລະບຸໄວ້ສາມາດເຮັດໄດ້ບໍ່ພຽງແຕ່ໂດຍຕົວທ່ານເອງ (ມັນເປັນທີ່ຊັດເຈນວ່າທ່ານ, ເປັນຜູ້ຂຽນຂອງການແກ້ໄຂ, ສາມາດເຮັດໄດ້), ແຕ່ຍັງໂດຍເພື່ອນຮ່ວມງານຂອງທ່ານ. ຄວາມແຕກຕ່າງລະຫວ່າງກິລາແລະໂຄງການອຸດສາຫະກໍາໄດ້ຖືກປຶກສາຫາລື много, ແລະ Kaggle ສຶກສາ "ນັກກິລາ" ທີ່ຊັດເຈນ - ເຖິງແມ່ນວ່າມັນເຮັດໄດ້ດີຫຼາຍ, ໃຫ້ພວກເຂົາໄດ້ຮັບປະສົບການບາງຢ່າງ.

ຂ້າພະເຈົ້າໄດ້ອະທິບາຍເຖິງສອງສາຍການພັດທະນາທີ່ເປັນໄປໄດ້ - ການຝຶກອົບຮົມໂດຍຜ່ານໂຄງການດ້ານການສຶກສາແລະການຝຶກອົບຮົມ "ໃນການຕໍ່ສູ້", ຕົວຢ່າງກ່ຽວກັບ Kaggle. ໂຄງການທີ່ຢູ່ອາໄສແມ່ນປະສົມປະສານຂອງສອງວິທີການເຫຼົ່ານີ້. ການບັນຍາຍແລະການສໍາມະນາໃນລະດັບ ShAD, ເຊັ່ນດຽວກັນກັບໂຄງການຕໍ່ສູ້ຢ່າງແທ້ຈິງ, ລໍຖ້າທ່ານ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com