यान्डेक्स निवासी कार्यक्रम, वा कसरी एक अनुभवी ब्याकन्डर एमएल इन्जिनियर बन्न सक्छ

Yandex ले अनुभवी ब्याकएन्ड विकासकर्ताहरूका लागि मेसिन लर्निङमा रेसिडेन्सी कार्यक्रम खोल्दै छ। यदि तपाईंले C++/Python मा धेरै लेख्नुभएको छ र यो ज्ञान ML मा लागू गर्न चाहनुहुन्छ भने, हामी तपाईंलाई कसरी व्यावहारिक अनुसन्धान गर्ने र अनुभवी सल्लाहकारहरू उपलब्ध गराउने भनेर सिकाउनेछौं। तपाईंले मुख्य Yandex सेवाहरूमा काम गर्नुहुनेछ र रैखिक मोडेलहरू र ग्रेडियन्ट बूस्टिङ, सिफारिस प्रणालीहरू, छविहरू, पाठ र ध्वनिको विश्लेषणका लागि न्यूरल नेटवर्कहरू जस्ता क्षेत्रमा सीपहरू प्राप्त गर्नुहुनेछ। तपाईंले मेट्रिक्स अफलाइन र अनलाइन प्रयोग गरेर आफ्नो मोडेलहरूको उचित मूल्याङ्कन कसरी गर्ने भनेर पनि सिक्नुहुनेछ।

कार्यक्रमको अवधि एक वर्ष हो, जसको अवधिमा सहभागीहरूले Yandex को मेसिन इन्टेलिजेन्स र अनुसन्धान विभागमा काम गर्नेछन्, साथै व्याख्यान र सेमिनारहरूमा भाग लिनेछन्। सहभागिता भुक्तान गरिन्छ र पूर्ण-समय काम समावेश गर्दछ: प्रति हप्ता 40 घण्टा, यस वर्षको जुलाई 1 देखि सुरु हुन्छ। आवेदनहरू अब खुला छन् र मे १ सम्म चल्नेछ। 

र अब थप विवरणमा - हामी कस्तो प्रकारको दर्शकहरूको लागि पर्खिरहेका छौं, कार्य प्रक्रिया कस्तो हुनेछ र सामान्यतया, कसरी ब्याक-एन्ड विशेषज्ञले ML मा क्यारियरमा स्विच गर्न सक्छ।

प्रत्यक्षता

धेरै कम्पनीहरूसँग रेसिडेन्सी कार्यक्रमहरू छन्, उदाहरणका लागि, Google र Facebook। तिनीहरू मुख्यतया जुनियर र मध्य-स्तरका विशेषज्ञहरूका लागि लक्षित छन् जसले एमएल अनुसन्धान तर्फ एक कदम चाल्न खोजिरहेका छन्। हाम्रो कार्यक्रम फरक दर्शकका लागि हो। हामी ब्याकएन्ड विकासकर्ताहरूलाई आमन्त्रित गर्दछौं जसले पहिले नै पर्याप्त अनुभव प्राप्त गरिसकेका छन् र निश्चित रूपमा थाहा छ कि तिनीहरूको दक्षतामा उनीहरूले व्यावहारिक सीपहरू प्राप्त गर्न ML तर्फ सर्नु आवश्यक छ - र वैज्ञानिकको सीप होइन - औद्योगिक मेसिन लर्निंग समस्याहरू समाधान गर्न। यसको मतलब हामीले युवा अनुसन्धानकर्ताहरूलाई समर्थन गर्दैनौं भन्ने होइन। हामीले उनीहरुका लागि छुट्टै कार्यक्रम आयोजना गरेका छौं । प्रिमियम Ilya Segalovich को नाम दिइएको, जसले तपाईंलाई Yandex मा काम गर्न अनुमति दिन्छ।

बासिन्दाले कहाँ काम गर्ने?

मेसिन इन्टेलिजेन्स र अनुसन्धान विभागमा, हामी आफैं परियोजना विचारहरू विकास गर्छौं। प्रेरणाको मुख्य स्रोत वैज्ञानिक साहित्य, लेख, र अनुसन्धान समुदायमा प्रवृत्तिहरू हुन्। मेरा सहकर्मीहरू र म वैज्ञानिकहरूले प्रस्ताव गरेका विधिहरूलाई कसरी सुधार वा विस्तार गर्न सक्छौं भनेर हामीले पढेका कुराहरूको विश्लेषण गर्छौं। एकै समयमा, हामी प्रत्येकले आफ्नो ज्ञान र चासोको क्षेत्रलाई ध्यानमा राख्छौं, उसले महत्त्वपूर्ण ठानेका क्षेत्रहरूमा आधारित कार्यहरू बनाउँछ। परियोजनाको लागि विचार सामान्यतया बाह्य अनुसन्धानको नतिजा र आफ्नै दक्षताको प्रतिच्छेदनमा जन्मन्छ।

यो प्रणाली राम्रो छ किनभने यसले ठूलो मात्रामा Yandex सेवाहरूको प्राविधिक समस्याहरू उत्पन्न हुनु अघि नै समाधान गर्दछ। जब सेवाले समस्याको सामना गर्छ, त्यसका प्रतिनिधिहरू हामीकहाँ आउँछन्, सम्भवतः हामीले पहिले नै तयार गरिसकेका प्रविधिहरू लिनको लागि, जुन बाँकी रहेको छ त्यो उत्पादनमा सही रूपमा लागू गर्न सकिन्छ। यदि केहि तयार छैन भने, हामी कम्तिमा चाँडै याद गर्नेछौं कि हामी कहाँ "खन्ने सुरु" गर्न सक्छौं र कुन लेखहरूमा समाधान खोज्न सकिन्छ। हामीलाई थाहा छ, वैज्ञानिक दृष्टिकोण दिग्गजहरूको काँधमा उभिनु हो।

के गर्ने

Yandex मा - र विशेष गरी हाम्रो व्यवस्थापनमा - ML का सबै सान्दर्भिक क्षेत्रहरू विकास भइरहेका छन्। हाम्रो लक्ष्य विभिन्न प्रकारका उत्पादनहरूको गुणस्तर सुधार गर्नु हो, र यसले सबै नयाँ परीक्षण गर्न प्रोत्साहनको रूपमा कार्य गर्दछ। थप रूपमा, नयाँ सेवाहरू नियमित रूपमा देखा पर्दछ। त्यसैले व्याख्यान कार्यक्रमले औद्योगिक विकासमा मेसिन लर्निङका सबै प्रमुख (राम्ररी प्रमाणित) क्षेत्रहरू समावेश गर्दछ। पाठ्यक्रमको मेरो भाग कम्पाइल गर्दा, मैले डेटा विश्लेषणको स्कूलमा मेरो शिक्षण अनुभव, साथै अन्य SHAD शिक्षकहरूको सामग्री र काम प्रयोग गरें। मलाई थाहा छ मेरा सहकर्मीहरूले पनि त्यसै गरे।

पहिलो महिनाहरूमा, पाठ्यक्रम कार्यक्रम अनुसार प्रशिक्षणले तपाइँको काम गर्ने समयको लगभग 30%, त्यसपछि लगभग 10% को लागी खाता हुनेछ। यद्यपि, यो बुझ्न महत्त्वपूर्ण छ कि ML मोडेलहरूसँग काम गर्दा सबै सम्बन्धित प्रक्रियाहरू भन्दा लगभग चार गुणा कम लाग्नेछ। यसमा ब्याकइन्ड तयार गर्ने, डाटा प्राप्त गर्ने, यसलाई प्रिप्रोसेस गर्नका लागि पाइपलाइन लेख्ने, कोड अप्टिमाइज गर्ने, विशिष्ट हार्डवेयरमा अनुकूलन गर्ने, इत्यादि समावेश छ। एक ML इन्जिनियर हो, यदि तपाईं चाहनुहुन्छ भने, पूर्ण-स्ट्याक विकासकर्ता (केवल मेसिन लर्निङमा बढी जोड दिएर)। , सुरु देखि अन्त्य सम्म एक समस्या समाधान गर्न सक्षम। रेडिमेड मोडेलको साथमा पनि, तपाईंले सायद धेरै कार्यहरू गर्न आवश्यक पर्दछ: धेरै मेसिनहरूमा यसको कार्यान्वयन समानान्तर गर्नुहोस्, ह्यान्डल, पुस्तकालय, वा सेवाको कम्पोनेन्टको रूपमा कार्यान्वयन तयार गर्नुहोस्।

विद्यार्थी छनौट
यदि तपाइँ पहिले ब्याकएन्ड विकासकर्ताको रूपमा काम गरेर एमएल इन्जिनियर बन्नु राम्रो हो भन्ने धारणामा हुनुहुन्छ भने, यो सत्य होइन। सेवाहरू विकास गर्न, सिक्ने र बजारमा अत्यधिक मागमा हुने वास्तविक अनुभव बिना नै समान SAD मा भर्ना हुनु उत्कृष्ट विकल्प हो। धेरै Yandex विशेषज्ञहरु यस तरिकाले आफ्नो वर्तमान स्थिति मा समाप्त भयो। यदि कुनै कम्पनीले स्नातक पछि तुरुन्तै ML को क्षेत्रमा काम प्रस्ताव गर्न तयार छ भने, तपाईंले पनि प्रस्ताव स्वीकार गर्नुपर्छ। अनुभवी सल्लाहकारको साथ राम्रो टोलीमा प्रवेश गर्ने प्रयास गर्नुहोस् र धेरै सिक्नको लागि तयार हुनुहोस्।

तपाईलाई सामान्यतया ML गर्नबाट कुन कुराले रोक्छ?

यदि एक ब्याकन्डरले एमएल इन्जिनियर बन्न चाहान्छ भने, उसले विकासका दुई क्षेत्रहरूबाट छनौट गर्न सक्छ - रेसिडेन्सी कार्यक्रमलाई ध्यान नदिई।

पहिलो, केहि शैक्षिक पाठ्यक्रम को भाग को रूप मा अध्ययन। पाठ Coursera ले तपाईंलाई आधारभूत प्रविधिहरू बुझ्नको लागि नजिक ल्याउनेछ, तर पर्याप्त हदसम्म पेशामा आफूलाई डुबाउन, तपाईंले यसमा धेरै समय दिनुपर्छ। उदाहरण को लागी, SAD बाट स्नातक। वर्षौंमा, SAD सँग मेसिन लर्निङमा सीधै फरक संख्यामा पाठ्यक्रमहरू थिए - औसतमा, लगभग आठ। ती मध्ये प्रत्येक साँच्चै महत्त्वपूर्ण र उपयोगी छ, स्नातकहरूको विचार सहित। 

दोस्रो, तपाइँ लडाई परियोजनाहरूमा भाग लिन सक्नुहुन्छ जहाँ तपाइँ एक वा अर्को ML एल्गोरिथ्म लागू गर्न आवश्यक छ। यद्यपि, IT विकास बजारमा त्यस्ता परियोजनाहरू धेरै कम छन्: मेसिन लर्निङ धेरैजसो कार्यहरूमा प्रयोग हुँदैन। सक्रिय रूपमा एमएल-सम्बन्धित अवसरहरू खोजिरहेका बैंकहरूमा पनि, थोरै मात्र डाटा विश्लेषणमा संलग्न छन्। यदि तपाइँ यी टोलीहरू मध्ये एकमा सामेल हुन असमर्थ हुनुहुन्थ्यो भने, तपाइँको एक मात्र विकल्प या त तपाइँको आफ्नै परियोजना सुरु गर्नु हो (जहाँ, सम्भवतः, तपाइँ तपाइँको आफ्नै समयसीमा सेट गर्नुहुनेछ, र यो लडाई उत्पादन कार्यहरु संग केहि गर्न को लागी छैन), वा मा प्रतिस्पर्धा सुरु गर्नुहोस्। कागल।

वास्तवमा, अन्य समुदायका सदस्यहरूसँग टोली बनाउनुहोस् र प्रतिस्पर्धामा आफैलाई प्रयास गर्नुहोस् अपेक्षाकृत सजिलो - विशेष गरी यदि तपाइँ प्रशिक्षण र Coursera मा उल्लेखित पाठ्यक्रमहरूसँग तपाइँको सीपहरू ब्याकअप गर्नुहुन्छ। प्रत्येक प्रतिस्पर्धाको समयसीमा हुन्छ - यसले तपाइँको लागि प्रोत्साहनको रूपमा काम गर्दछ र तपाइँलाई IT कम्पनीहरूमा समान प्रणालीको लागि तयार गर्दछ। यो एक राम्रो तरिका हो - जुन, तथापि, वास्तविक प्रक्रियाहरु बाट अलि तलाक पनि छ। Kaggle मा तपाईलाई पूर्व-प्रशोधन गरिएको छ, यद्यपि सधैं सही छैन, डाटा; उत्पादनमा योगदानको बारेमा सोच्न प्रस्ताव नगर्नुहोस्; र सबैभन्दा महत्त्वपूर्ण कुरा, तिनीहरूलाई उत्पादनको लागि उपयुक्त समाधानहरू आवश्यक पर्दैन। तपाईंको एल्गोरिदमहरू सम्भवतः काम गर्नेछन् र अत्यधिक सटीक हुनेछन्, तर तपाईंका मोडेलहरू र कोडहरू फ्रान्केनस्टाइन जस्तै हुनेछन् जुन विभिन्न भागहरूबाट एकसाथ सिलाईएको छ - उत्पादन परियोजनामा, सम्पूर्ण संरचनाले धेरै ढिलो काम गर्नेछ, यसलाई अपडेट गर्न र विस्तार गर्न गाह्रो हुनेछ (उदाहरणका लागि, भाषा र आवाज एल्गोरिदमहरू सधैं आंशिक रूपमा भाषाको विकासको रूपमा पुन: लेखिनेछन्)। कम्पनीहरू यस तथ्यमा चासो राख्छन् कि सूचीबद्ध कामहरू तपाईं आफैले मात्र होइन (यो स्पष्ट छ कि तपाईंले समाधानको लेखकको रूपमा यो गर्न सक्नुहुन्छ), तर तपाईंको कुनै पनि सहकर्मीहरूद्वारा पनि। खेलकुद र औद्योगिक कार्यक्रम बीचको भिन्नता छलफल गरिएको छ много, र Kaggle ठ्याक्कै "एथलीटहरू" लाई शिक्षित गर्दछ - यदि यसले यो धेरै राम्रो गर्छ भने, उनीहरूलाई केही अनुभव प्राप्त गर्न अनुमति दिँदै।

मैले विकासका दुई सम्भावित रेखाहरू वर्णन गरें - शैक्षिक कार्यक्रमहरू मार्फत प्रशिक्षण र "लडाईमा" तालिम, उदाहरणका लागि कागलमा। रेसिडेन्सी कार्यक्रम यी दुई विधिहरूको संयोजन हो। SAD स्तरमा व्याख्यान र सेमिनारहरू, साथसाथै साँच्चै लडाकु परियोजनाहरू, तपाईंलाई पर्खिरहेका छन्।

स्रोत: www.habr.com