5 dasar pembelajaran mesin yang perlu dipahami oleh para pemimpin non teknis – TechCrunch


Kami hidup di tempat yang fenomenal momen untuk pembelajaran mesin (ML), yang digambarkan Sonali Sambhus, kepala pengembang dan platform ML di Square, sebagai “demokratisasi ML”. Ini menjadi fondasi bisnis dan percepatan pertumbuhan karena laju perubahan dan perkembangan yang luar biasa di ruang ini.

Namun bagi teknisi dan pemimpin tim yang tidak memiliki latar belakang ML, hal ini juga dapat membuat Anda kewalahan dan mengintimidasi. Saya secara teratur bertemu dengan para pemimpin yang cerdas, sukses, sangat kompeten, dan biasanya sangat percaya diri yang berjuang untuk mengarahkan percakapan yang konstruktif atau efektif tentang ML – meskipun beberapa dari mereka memimpin tim yang merekayasa itu.

Mengintegrasikan tim ML secara efektif ke dalam bisnis dimulai dengan pemahaman tentang apa yang menjadi kandidat yang tepat dan bagaimana menyusun tim untuk kecepatan dan fokus maksimum.

Saya telah menghabiskan lebih dari dua dekade di ruang ML, termasuk bekerja di Apple untuk membangun toko aplikasi dan musik online terbesar di dunia. Sebagai direktur senior teknik, anti-kejahatan, di Reddit, saya menggunakan ML untuk memahami dan memerangi sisi gelap web.

Untuk artikel ini, saya mewawancarai sekelompok pemimpin ML yang sukses termasuk Sambhus; Lior Gavish, salah satu pendiri di Monte Carlo; dan Yotam Hadass, Wakil Presiden bidang teknik di Electric.ai, atas wawasan mereka. Saya telah menyaring praktik terbaik kami dan komponen yang harus diketahui ke dalam lima pelajaran praktis dan mudah diterapkan.

1. Strategi perekrutan ML

Perekrutan untuk ML memiliki beberapa tantangan.

Yang pertama adalah sulitnya membedakan peran pembelajaran mesin dari profil pekerjaan yang lebih tradisional (seperti analis data, insinyur data, dan ilmuwan data) karena ada banyak tumpang tindih antara deskripsi.

Kedua, menemukan tingkat pengalaman yang dibutuhkan bisa jadi menantang. Hanya sedikit orang di industri ini yang memiliki pengalaman substansial dalam memberikan ML tingkat produksi (misalnya, Anda terkadang akan melihat resume yang menentukan pengalaman dengan model ML, tetapi kemudian menemukan bahwa model mereka adalah mesin berbasis aturan, bukan model ML yang sebenarnya).

Dalam hal perekrutan untuk ML, pekerjakan pakar kapan pun Anda bisa, tetapi juga lihat bagaimana pelatihan dapat membantu Anda memenuhi kebutuhan bakat Anda. Pertimbangkan untuk meningkatkan kemampuan tim insinyur perangkat lunak Anda saat ini menjadi insinyur data / ML atau pekerjakan kandidat yang menjanjikan dan berikan mereka pendidikan ML.

pembelajaran mesin yang penting bagi para pemimpin

Kredit Gambar: Snehal kundalkar

Cara efektif lainnya untuk mengatasi tantangan perekrutan ini adalah dengan mendefinisikan peran terutama di sekitar:

  • Produk: Carilah kandidat dengan keingintahuan teknis dan selera bisnis / produk yang kuat. Kerangka kerja ini seringkali lebih penting daripada kemampuan untuk menerapkan model yang paling canggih.
  • Data: Cari kandidat yang dapat membantu memilih model, fitur desain, menangani pemodelan data / vektorisasi, dan menganalisis hasil.
  • Platform / Infrastruktur: Cari orang yang mengevaluasi / mengintegrasikan / membangun platform untuk secara signifikan mempercepat produktivitas data dan tim teknik; ekstrak, ubah, muat (ETL); infrastruktur gudang; dan kerangka kerja CI / CD untuk ML.

Posted By : SGP PRIZE