පළපුරුදු පසුබිම් සංවර්ධකයින් සඳහා Yandex යන්ත්ර ඉගෙනීමේ නේවාසික වැඩසටහනක් විවෘත කරයි. ඔබට C++/Python සමඟ පුළුල් අත්දැකීම් තිබේ නම් සහ මෙම දැනුම ML සඳහා යෙදවීමට අවශ්ය නම්, අපි ඔබට ප්රායෝගික පර්යේෂණ සිදු කරන්නේ කෙසේදැයි කියා දෙන අතර පළපුරුදු උපදේශකයින් වෙත ඔබව පවරන්නෙමු. ඔබ Yandex හි ප්රධාන සේවාවන්හි වැඩ කරන අතර රේඛීය ආකෘති සහ අනුක්රමණ වැඩි කිරීම, නිර්දේශ පද්ධති සහ රූප, පෙළ සහ ශ්රව්ය විශ්ලේෂණය සඳහා ස්නායු ජාල වැනි ක්ෂේත්රවල කුසලතා ලබා ගනී. නොබැඳි සහ මාර්ගගත යන දෙඅංශයෙන්ම මිනුම් භාවිතා කරමින් ඔබේ ආකෘති නිසි ලෙස ඇගයීමට ලක් කරන්නේ කෙසේදැයි ඔබ ඉගෙන ගනු ඇත.
මෙම වැඩසටහන වසරක් පවතින අතර, එම කාලය තුළ සහභාගිවන්නන් Yandex හි යන්ත්ර බුද්ධි හා පර්යේෂණ දෙපාර්තමේන්තුවේ සේවය කරන අතර දේශන සහ සම්මන්ත්රණවලට සහභාගී වනු ඇත. සහභාගීත්වය ගෙවනු ලබන අතර පූර්ණ කාලීන වේ: මෙම වසරේ ජූලි 1 වන දින සිට සතියකට පැය 40 කි. සහ මැයි 1 දක්වා පවතිනු ඇත.
දැන් අපි වඩාත් විස්තරාත්මකව සලකා බලමු - අපි ඉලක්ක කරන්නේ කුමන ආකාරයේ ප්රේක්ෂක පිරිසක්ද, වැඩ ප්රවාහය කෙබඳුද සහ සාමාන්යයෙන්, පසුබිම් විශේෂඥයෙකුට ML වෘත්තියකට මාරු විය හැක්කේ කෙසේද යන්න.
අධ්යක්ෂණය
ගූගල් සහ ෆේස්බුක් ඇතුළු බොහෝ සමාගම්වලට නේවාසික වැඩසටහන් තිබේ. ඔවුන් ප්රධාන වශයෙන් ඉලක්ක කර ඇත්තේ ML පර්යේෂණ සඳහා යොමු වීමට බලාපොරොත්තු වන කනිෂ්ඨ සහ මධ්යම මට්ටමේ විශේෂඥයින් ඉලක්ක කර ගනිමිනි. අපගේ වැඩසටහන වෙනස් ප්රේක්ෂක පිරිසක් සඳහා ය. කාර්මික යන්ත්ර ඉගෙනුම් ගැටළු විසඳීමේදී අධ්යයන කුසලතා නොව ප්රායෝගික කුසලතා ලබා ගනිමින්, ML වෙත තම නිපුණතා මාරු කළ යුතු බව දැනටමත් ප්රමාණවත් අත්දැකීම් ලබා ඇති සහ පැහැදිලිව තේරුම් ගෙන ඇති පසුබිම් සංවර්ධකයින්ට අපි ආරාධනා කරමු. මෙයින් අදහස් කරන්නේ අපි තරුණ පර්යේෂකයන්ට සහාය නොදක්වන බවයි. අපි ඔවුන් සඳහා වෙනම වැඩසටහනක් නිර්මාණය කර ඇත්තෙමු— ඉල්යා සෙගලොවිච්ගේ නමින් නම් කර ඇති අතර එය ඔබට යාන්ඩෙක්ස් හි වැඩ කිරීමටද ඉඩ සලසයි.
පදිංචිකරු වැඩ කරන ස්ථානය
යන්ත්ර බුද්ධි හා පර්යේෂණ දෙපාර්තමේන්තුවේදී, අපි ව්යාපෘති අදහස් අප විසින්ම සංවර්ධනය කරමු. අපගේ මූලික ආශ්වාදජනක මූලාශ්ර වන්නේ විද්යාත්මක සාහිත්යය, ලිපි සහ පර්යේෂණ ප්රජාවේ ප්රවණතා ය. විද්යාඥයින් විසින් යෝජනා කරන ලද ක්රම වැඩිදියුණු කිරීමට හෝ පුළුල් කිරීමට ක්රම සොයමින්, මගේ සගයන් සහ මම කියවා ඇති දේ විශ්ලේෂණය කරමු. අප සෑම කෙනෙකුම අපගේම විශේෂඥතාව සහ රුචිකත්වයන් සලකා බලමින්, වැදගත් යැයි අප සලකන ක්ෂේත්ර මත පදනම්ව කාර්යය සකස් කරමු. ව්යාපෘති අදහසක් සාමාන්යයෙන් උපත ලබන්නේ බාහිර පර්යේෂණ ප්රතිඵල සහ අපගේම නිපුණතා මංසන්ධියේදීය.
මෙම පද්ධතියේ සුන්දරත්වය නම්, Yandex සේවාවන්හි තාක්ෂණික අභියෝග ඇතිවීමට පෙර එය බොහෝ දුරට විසඳන බවයි. සේවාවක් ගැටලුවකට මුහුණ දෙන විට, එහි නියෝජිතයින් අප වෙත පැමිණෙන්නේ අපගේ පවතින තාක්ෂණයන් භාවිතා කිරීමට ඉඩ ඇති අතර, ඒවා නිෂ්පාදනයේ නිසි ලෙස ක්රියාත්මක කළ යුතුය. යමක් සූදානම් නැතිනම්, අවම වශයෙන් කැණීම් ආරම්භ කළ යුත්තේ කොතැනින්ද සහ විසඳුමක් සෙවිය යුත්තේ කුමන ලිපිද යන්න අපට ඉක්මනින් මතකයි. කියමනට අනුව, විද්යාත්මක ප්රවේශයක් යනු යෝධයන්ගේ උරහිස් මත සිටගෙන සිටීම වැනිය.
කළ යුතු දේ
Yandex හි - සහ විශේෂයෙන් අපගේ දෙපාර්තමේන්තුව තුළ පවා - ML හි සියලුම නවතම ප්රවණතා සංවර්ධනය වෙමින් පවතී. අපගේ ඉලක්කය වන්නේ පුළුල් පරාසයක නිෂ්පාදනවල ගුණාත්මකභාවය වැඩි දියුණු කිරීමයි, මෙය අලුත් සියල්ල පරීක්ෂා කිරීමට අපව පොළඹවයි. තවද, නව සේවාවන් නිතිපතා නිකුත් කරනු ලැබේ. එබැවින්, දේශන වැඩසටහන කාර්මික සංවර්ධනයේ යන්ත්ර ඉගෙනීමේ සියලුම ප්රධාන (හොඳින් ස්ථාපිත) ක්ෂේත්ර ආවරණය කරයි. පාඨමාලාවේ මගේ කොටස රචනා කිරීමේදී, මම දත්ත විශ්ලේෂණ පාසලේ මගේ ඉගැන්වීමේ අත්දැකීම් මෙන්ම දත්ත විශ්ලේෂණ පාසලේ අනෙකුත් පීඨවලින් ලබාගත් ද්රව්ය සහ සංවර්ධනයන් ද ලබා ගත්තෙමි. මගේ සගයන් ද එසේ කර ඇති බව මම දනිමි.
පළමු මාස කිහිපය තුළ, පාඨමාලාව සඳහා ඔබේ කාලයෙන් ආසන්න වශයෙන් 30% ක් සහ පසුව 10% ක් පමණ ගතවනු ඇත. කෙසේ වෙතත්, ML ආකෘති සමඟ වැඩ කිරීම සියලුම ආශ්රිත ක්රියාවලීන් හා සසඳන විට ආසන්න වශයෙන් හතරෙන් එකක් පමණ ගත වන බව තේරුම් ගැනීම වැදගත්ය. මේවාට පසුබිම් සකස් කිරීම, දත්ත ලබා ගැනීම, පෙර සැකසුම් සඳහා නල මාර්ගයක් ලිවීම, කේත ප්රශස්තිකරණය, නිශ්චිත දෘඩාංග වලට අනුවර්තනය වීම යනාදිය ඇතුළත් වේ. ML ඉංජිනේරුවෙකු යනු, ඔබ කැමති නම්, සම්පූර්ණ-ස්ටැක් සංවර්ධකයෙකි (නමුත් යන්ත්ර ඉගෙනීම කෙරෙහි දැඩි අවධානයක් යොමු කරමින්), ආරම්භයේ සිට අවසානය දක්වා ගැටලුවක් විසඳීමට හැකියාව ඇත. සූදානම් කළ ආකෘතියක් සමඟ වුවද, අමතර පියවර ගණනාවක් අවශ්ය වනු ඇත: බහු යන්ත්ර හරහා එය ක්රියාත්මක කිරීම සමාන්තර කිරීම, පෑනක්, පුස්තකාලයක් හෝ සේවාවේම අංගයක් ලෙස ක්රියාත්මක කිරීමක් සකස් කිරීම.
ශිෂ්ය තේරීම
පසුපෙළ සංවර්ධකයෙකු ලෙස මුලින්ම වැඩ කිරීමෙන් පසු ML ඉංජිනේරුවෙකු වීම හොඳම බව ඔබට හැඟෙන්නේ නම්, ඔබ වැරදියි. සැබෑ සේවා සංවර්ධන අත්දැකීමක්, ඉගෙනීමක් සහ වෙළඳපොලේ ඉහළ ඉල්ලුමක් නොමැතිව සමාන උසස් සංවර්ධන පාසලකට (SAD) ඇතුළත් වීම විශිෂ්ට විකල්පයකි. Yandex හි බොහෝ විශේෂඥයින් ඔවුන්ගේ වර්තමාන තනතුරුවලට මේ ආකාරයෙන් ළඟා වී ඇත. සමාගමක් ඔබට විද්යාලයෙන් පිටත ML හි රැකියාවක් ලබා දීමට කැමති නම්, ඔබ බොහෝ විට එම දීමනාව පිළිගත යුතුය. පළපුරුදු උපදේශකයෙකු සමඟ හොඳ කණ්ඩායමකට සම්බන්ධ වීමට උත්සාහ කර බොහෝ දේ ඉගෙන ගැනීමට සූදානම්ව සිටින්න.
සාමාන්යයෙන් මිනිසුන් ML කිරීමෙන් වළක්වන්නේ කුමක්ද?
පසු-අන්ත සංවර්ධකයෙකු ML ඉංජිනේරුවෙකු වීමට අපේක්ෂා කරන්නේ නම්, නේවාසික වැඩසටහන කුමක් වුවත්, ඔවුන්ට සංවර්ධන මාර්ග දෙකකින් තෝරා ගත හැකිය.
පළමුව, යම් අධ්යාපනික පාඨමාලාවක රාමුව තුළ අධ්යයනය කරන්න. Coursera ඔබව මූලික ශිල්පීය ක්රම තේරුම් ගැනීමට සමීප කරනු ඇත, නමුත් ක්ෂේත්රයේ සම්පූර්ණයෙන්ම ගිලී යාමට නම්, ඔබ ඒ සඳහා වැඩි කාලයක් කැප කළ යුතුය. උදාහරණයක් ලෙස, උසස් යන්ත්ර ඉගෙනුම් පාසලේ (SAD) පාඨමාලාවක් සම්පූර්ණ කිරීමෙන්. වසර ගණනාවක් පුරා, SAD විසින් යන්ත්ර ඉගෙනීම පිළිබඳ විවිධ පාඨමාලා සංඛ්යාවක් ඉදිරිපත් කර ඇත - සාමාන්යයෙන් අටක් පමණ. උපාධිධාරීන්ට අනුව, ඒ සෑම එකක්ම සැබවින්ම වැදගත් සහ ප්රයෝජනවත් වේ.
දෙවනුව, ඔබට විශේෂිත ML ඇල්ගොරිතමයක් ක්රියාත්මක කිරීම අවශ්ය නිෂ්පාදන ව්යාපෘතිවලට සහභාගී විය හැකිය. කෙසේ වෙතත්, එවැනි ව්යාපෘති IT සංවර්ධන වෙළඳපොලේ ඉතා දුර්ලභ ය: බොහෝ කාර්යයන් සඳහා යන්ත්ර ඉගෙනීම සම්බන්ධ නොවේ. ML ආශ්රිත අවස්ථා ක්රියාකාරීව ගවේෂණය කරන බැංකුවල පවා, දත්ත විශ්ලේෂණයේ නියැලී සිටින්නේ ස්වල්පයක් පමණි. ඔබට මෙම කණ්ඩායම් වලින් එකකට සම්බන්ධ වීමට නොහැකි නම්, ඔබේ එකම විකල්පය වන්නේ ඔබේම ව්යාපෘතියක් ආරම්භ කිරීමයි (එහිදී ඔබ නිෂ්පාදන කාර්යයන් සමඟ එතරම් සම්බන්ධයක් නැති ඔබේම කාලසීමාවන් නියම කරනු ඇත) හෝ Kaggle හි තරඟ කිරීමයි.
ඇත්ත වශයෙන්ම, අනෙකුත් ප්රජා සාමාජිකයින් සමඟ එකතු වී තරඟ සඳහා ඔබේ අත උත්සාහ කරන්න. — විශේෂයෙන් ඔබ පුහුණුව සහ ඉහත සඳහන් කළ Coursera පාඨමාලා සමඟ ඔබේ කුසලතා ශක්තිමත් කරන්නේ නම්. සෑම තරඟයකටම අවසාන දිනයක් ඇත - එය දිරිගැන්වීමක් ලෙස සේවය කරන අතර IT සමාගම්වල සමාන පද්ධතියක් සඳහා ඔබව සූදානම් කරනු ඇත. මෙය හොඳ මාර්ගයකි, නමුත් එය සැබෑ ක්රියාවලීන්ගෙන් තරමක් වෙන් වී ඇත. Kaggle හි, ඔබට පෙර සැකසූ, සෑම විටම පරමාදර්ශී නොවූවත්, දත්ත ලබා දෙනු ලැබේ; නිෂ්පාදනයට දායක වීම ගැන සිතීමට ඔවුන් ඔබෙන් ඉල්ලා නොසිටිති; සහ වඩාත්ම වැදගත් දෙය නම්, නිෂ්පාදනයට සුදුසු විසඳුම් ඔවුන්ට අවශ්ය නොවේ. ඔබේ ඇල්ගොරිතම බොහෝ විට ක්රියාත්මක වන අතර ඉතා නිවැරදි වනු ඇත, නමුත් ඔබේ ආකෘති සහ කේතය විවිධ කොටස් වලින් එකට මැසූ ෆ්රැන්කන්ස්ටයින්ගේ ප්රහේලිකාවකට සමාන වනු ඇත - නිෂ්පාදන ව්යාපෘතියක, සම්පූර්ණ ඉදිකිරීම් ඉතා මන්දගාමී වන අතර යාවත්කාලීන කිරීමට සහ පුළුල් කිරීමට අපහසු වනු ඇත (නිදසුනක් ලෙස, භාෂාව සහ හඬ ඇල්ගොරිතම සෑම විටම භාෂාව පරිණාමය වන විට අර්ධ වශයෙන් නැවත ලියා ඇත). සමාගම් මෙම කාර්යය ඔබ විසින් පමණක් නොව (විසඳුමේ කතුවරයා ලෙස ඔබට එයට හැකියාව ඇති බව පැහැදිලිය), නමුත් ඔබේ සගයන්ගෙන් ඕනෑම අයෙකු විසින් සිදු කිරීමට උනන්දු වෙති. තරඟකාරී සහ කාර්මික වැඩසටහන්කරණය අතර වෙනස දැනටමත් සාකච්ඡා කර ඇත. , සහ Kaggle යනු හරියටම "ක්රීඩක ක්රීඩිකාවන්" පුහුණු කරන දෙයයි - එය ඉතා හොඳින් කරයි, ඔවුන්ට යම් අත්දැකීමක් ලබා ගැනීමට ඉඩ සලසයි.
මම විය හැකි සංවර්ධන මාර්ග දෙකක් විස්තර කර ඇත්තෙමි: අධ්යාපනික වැඩසටහන් හරහා ඉගෙනීම සහ කග්ගල් වැනි "ක්ෂේත්රයේ" ඉගෙනීම. නේවාසික වැඩසටහන මෙම ප්රවේශයන් දෙකෙහිම එකතුවකි. උසස් අධ්යයන පාසලේ මට්ටමින් දේශන සහ සම්මන්ත්රණ මෙන්ම සැබවින්ම අභියෝගාත්මක ව්යාපෘති ද ඔබට අත්විඳිය හැකිය.
මූලාශ්රය: www.habr.com
