Praca przy trenowaniu sztucznej inteligencji (AI) preferuje ekspertów od sieci neuronowych. To jest prosta odpowiedź i pasuje do tego, czego faktycznie wymagają te stanowiska.
Za każdym razem, gdy przyglądam się tym ofertom pracy, wracam do tej samej myśli. Praca nie sprowadza się tylko do „używania AI”. Często chodzi o kształtowanie modelu, sprawdzanie jego wyników i usuwanie słabych punktów. Oznacza to, że praca mocno stawia na ludzi, którzy rozumieją sieci neuronowe, a nie tylko tych, którzy potrafią o nich rozmawiać.
Ma to znaczenie, ponieważ „trening AI” może oznaczać różną pracę. W niektórych rolach polega ona na etykietowaniu danych, ocenianiu odpowiedzi lub pomocy w dopracowywaniu modelu. W innych oznacza budowanie pętli treningowej, wybieranie architektury lub debugowanie przyczyn, dla których sieć nie chce się uczyć. Im bardziej techniczna rola, tym częściej umiejętności związane z sieciami neuronowymi pojawiają się jako kluczowa potrzeba.
Wzorzec ten jest wyraźny w obecnych ogłoszeniach o pracę. Niektóre wymagają praktycznego doświadczenia z sieciami neuronowymi, CNN-ami i podstawami uczenia głębokiego. Inne chcą Pythona, TensorFlow lub PyTorch oraz prawdziwego zrozumienia propagacji wstecznej, funkcji aktywacji, inicjalizacji i stabilności treningu. Niektóre idą jeszcze dalej i proszą o pełny proces treningu od zera, a nie tylko pracę z promptami czy lekkie użycie modeli.
To jest kluczowy punkt. Role związane z treningiem często znajdują się bliżej modelu niż produktu. Gdy tak się stanie, powierzchowna wiedza o AI nie wystarczy. Osoba potrzebna do tej roli musi wiedzieć, jak sieć się uczy, dlaczego zawodzi i co badać, gdy strata (loss) się zatrzymuje lub wyjście zaczyna dryfować.
Myślę, że to właśnie dlatego fraza „AI trainer” (trener AI) powoduje tyle zamieszania. Niektórzy ludzie słysząc to wyobrażają sobie ogólną rolę pomocnika AI. Rynek pracy często oznacza coś węższego. Może to być praca z danymi, praca ewaluacyjna lub praca z modelem. Kiedy zaangażowana jest praca z modelem, znajomość sieci neuronowych wychodzi na pierwszy plan.
Istnieje też podział na role podstawowe i zaawansowane. Podstawowe role treningowe mogą wymagać dobrego osądu, czystego języka, wiedzy dziedzinowej i ostrożnej recenzji. To są realne umiejętności. Ale gdy zadanie dotyka zachowania modelu, praca zaczyna faworyzować ludzi, którzy rozumieją architektury, gradient descent, przeuczenie (overfitting) i jakość danych treningowych. To jest praktyczna granica.
Myślę również, że etykieta „praca w zakresie trenowania sztucznej inteligencji” ukazuje dużą różnorodność. Niektóre role są bliskie etykietowaniu i recenzji. Niektóre są bliskie inżynierii uczenia maszynowego. Niektóre mieszczą się gdzieś po środku. Tytuł brzmi szeroko, ale poprzeczka kompetencyjna nie jest szeroka w ten sam sposób. Im głębiej rola sięga w model, tym bardziej faworyzuje ekspertów od sieci neuronowych.
Uczciwa prawda jest taka, że ta dziedzina jest nadal chaotyczna. Tytuły stanowisk nie są przejrzyste. Jedna firma może nazywać recenzenta promptów trenerem AI. Inna może mieć na myśli inżyniera uczenia głębokiego, który buduje rozproszone zadania treningowe. To sprawia, że rynek jest trudny do odczytania tylko na podstawie tytułów, i jest to jeden z powodów, dla których ludzie mają niespójne oczekiwania.
Ufam listom wymagań bardziej niż tytułom. Jeśli ogłoszenie pyta o sieci neuronowe, PyTorch lub TensorFlow, debugowanie modeli lub trening od zera, nie jest to przypadkowa praca z AI. To praca silnie oparta na sieciach neuronowych, ubrana w etykietę AI. Jeśli pyta głównie o adnotację, evaluację lub pisanie w danej dziedzinie, to jest to coś innego.
Więc odpowiedź pozostaje prosta. Praca przy trenowaniu AI preferuje ekspertów od sieci neuronowych, ponieważ praca często zależy od zachowania modelu, jakości modelu i wiedzy z zakresu treningu. Szersze etykiety AI są używane wszędzie, ale najtrudniejsze i najbardziej wartościowe części pracy wciąż znajdują się blisko sieci.
O taki podział stara się dbać The Model Log: jedno praktyczne pojęcie AI, jeden działający przykład i jedna uczciwa analiza tego, co naprawdę działa.
