5 conceptos básicos del aprendizaje automático que los líderes no técnicos deben comprender

5 conceptos básicos del aprendizaje automático que los líderes no técnicos deben comprender

Colaborador de Snehal Kundalkar

Snehal Kundalkar es el director de tecnología en Valencia. Ha liderado empresas de Silicon Valley durante las últimas dos décadas, incluido su trabajo en Apple y Reddit.

Vivimos en un momento fenomenal para el aprendizaje automático (ML), ¿qué Sonali Sambhus, jefe de desarrollador y plataforma de AA en Square, describe como “la democratización del AA”. Se ha convertido en la base del negocio y la aceleración del crecimiento debido al increíble ritmo de cambio y desarrollo en este espacio.

Pero para los líderes de equipo e ingenieros sin experiencia en ML, esto también puede resultar abrumador e intimidante. Regularmente me encuentro con líderes inteligentes, exitosos, altamente competentes y normalmente muy confiados que luchan por navegar una conversación constructiva o efectiva sobre ML, aunque algunos de ellos lideran equipos que lo diseñan.

La integración eficaz de los equipos de ML en el negocio comienza con la comprensión de qué es el candidato adecuado y cómo estructurar el equipo para lograr la máxima velocidad y concentración.

He pasado más de dos décadas en el espacio ML, incluido el trabajo en Apple para crear la tienda de música y aplicaciones en línea más grande del mundo. Como director senior de ingeniería, anti-malvado, en Reddit, usé ML para comprender y combatir el lado oscuro de la web.

Para este artículo, entrevisté a un grupo selecto de líderes de ML exitosos, incluido Sambhus; Lior Gavish, cofundador de Monte Carlo; y Yotam Hadass, Vicepresidente de ingeniería de Electric.ai, por sus conocimientos. He resumido nuestras mejores prácticas y componentes imprescindibles en cinco lecciones prácticas y de fácil aplicación.

1. Estrategia de reclutamiento de ML

El reclutamiento para ML conlleva varios desafíos.

La primera es que puede ser difícil diferenciar los roles de aprendizaje automático de los perfiles de trabajo más tradicionales (como analistas de datos, ingenieros de datos y científicos de datos) porque existe una gran superposición entre las descripciones.

En segundo lugar, encontrar el nivel de experiencia requerido puede ser un desafío. Pocas personas en la industria tienen experiencia sustancial en la entrega de ML de grado de producción (por ejemplo, a veces notará currículums que especifican la experiencia con los modelos de ML, pero luego encontrará que sus modelos son motores basados ​​en reglas en lugar de modelos de ML reales).

Cuando se trata de reclutamiento para ML, contrate expertos cuando pueda, pero también averigüe cómo la capacitación puede ayudarlo a satisfacer sus necesidades de talento. Considere convertir a su equipo actual de ingenieros de software en ingenieros de datos / ML o contrate candidatos prometedores y bríndeles una educación ML.

Créditos de imagen: Snehal Kundalkar

La otra forma eficaz de superar estos desafíos de contratación es definir roles en gran medida en torno a:

Producto: Busque candidatos con una curiosidad técnica y un fuerte sentido comercial / producto. Este marco suele ser más importante que la capacidad de aplicar los modelos más sofisticados. Datos: busque candidatos que puedan ayudar a seleccionar modelos, diseñar características, manejar el modelado / vectorización de datos y analizar los resultados. Plataforma / Infraestructura: busque personas que evalúen / integren / creen plataformas para acelerar significativamente la productividad de los equipos de datos e ingeniería; extraer, transformar, cargar (ETL); infraestructuras de almacén; y marcos de CI / CD para ML.


Source link