Maschinelles Lernen ist für die heutige Geschäftswelt von zentraler Bedeutung. Und wir geben Ihnen hilfreiche Tipps, wie Sie den richtigen Experten finden

Code gegen die Maschine

Das maschinelle Lernen (LM) gewinnt jetzt noch schneller an Schwung. Wie der Stanford-Kurs zum maschinellen Lernen gezeigt hat, interessieren sich Hunderttausende dafür

Wenn Sie also Entwickler für maschinelles Lernen einstellen möchten, müssen Sie wissen, welche Fähigkeiten und Kenntnisse diese haben müssen

Wir haben einen kurzen Leitfaden erstellt, der erklärt, was ein ML-Entwickler oder ein Datenwissenschaftler können sollte

1.Harte Fertigkeiten

Angewandte Mathematik

Alles beginnt mit Mathematik. Für einen Experten für maschinelles Lernen ist sie eine Grundlage. Sie ist verantwortlich für

  • Matrixoperationen.
  • Annäherung von Vertrauenswerten.
  • Manipulation komplexer Datenstrukturen.
  • Verstehen von Orthonormalisierung, Eigenwerten, Vektorräumen und Skalaren.

Außerdem stützt sich ML stark auf statistische Modellierungsverfahren. Ohne sie ist es unmöglich, Algorithmen zu erstellen

Prüfen Sie also, ob der Bewerber über Kenntnisse in linearer Algebra, multivariater Infinitesimalrechnung, Wahrscheinlichkeitsrechnung, Verteilungen, Statistik usw. verfügt. Physikkenntnisse sind ebenfalls von großem Vorteil

Algorithmen

Die Analyse, Sammlung, Speicherung und Verteilung von Daten ist ohne Algorithmen unmöglich. Die Algorithmen des maschinellen Lernens sind der eigentliche “Motor” der ganzen Sache

In den meisten Fällen haben wir es mit den drei Haupttypen dieser Algorithmen zu tun

  • Überwachtes

Eine Maschine lernt, indem sie Beispiele studiert. Auf diese Weise kann sie verstehen, wie sie mit Hilfe des Algorithmus bestimmte Eingabe-/Ausgabeergebnisse erzielen kann. Dieser Typ umfasst Klassifizierung, Regression und Vorhersage als die wichtigsten Lernelemente

  • Unüberwacht

Dieser Typ ist dem Lernen und Verstehen von Mustern gewidmet. In diesem Szenario arbeitet die Maschine “allein” und erkennt Korrelationen und Beziehungen. Diese Informationen stammen wiederum aus den angebotenen Datensätzen. Dieser Typ umfasst Clustering und Dimensionsreduzierung

  • Verstärkungsalgorithmen

Dieser Typ basiert auf reglementierten Lernprozessen. Im Wesentlichen durchforstet die Maschine einen Haufen von Parametern, Werten und Aktionen. Am Ende lernt sie genug, um die besten Ergebnisse und Lösungen zu finden

Zu den beliebten Algorithmen gehören das K-Mittel-Clustering, die lineare Regression, künstliche neuronale Netze, Random Forests, Nearest Neighbours und andere

Wenn Sie also planen, einen KI-Entwickler einzustellen, sollten Sie auf jeden Fall prüfen, was dieser in seinem Lebenslauf über Algorithmen zu sagen hat

Computerwissenschaften

Eine weitere wesentliche Anforderung. Die Informatik und ihre Schlüsselkonzepte – Raum/Zeit-Komplexität oder Datenstrukturen – spielen eine wichtige Rolle in der Datenwissenschaft

Sie helfen beispielsweise bei der Arbeit mit den zugrunde liegenden Mustern, die den Daten zugrunde liegen. Und wenn Sie sich die Datenstrukturen ansehen, werden Sie feststellen, dass Konzepte wie Warteschlange, Baum oder Stapel für die Organisation großer Informationsmengen unerlässlich sind

Ein weiterer wichtiger Aspekt bei der Entwicklung von ML und KI ist das parallele Rechnen. Der Trick dabei ist, dass sich Daten heutzutage sehr schnell ausbreiten

Paralleles Rechnen kann daher viele Probleme lösen: Verringerung von Fehlern, Schaffung skalierbarer Datenbanken, Anwendung intelligenter Zwischenspeicherung von Daten, Echtzeit-Aktualisierung und so weiter. Ein Spitzenunternehmen im Bereich des maschinellen Lernens muss sich sicherlich in CS auszeichnen

Datenmodellierung

Datenmodellierung ist eine weitere zu erwartende Fähigkeit. Wenn Sie KI- und ML-Entwickler einstellen müssen! Sie ist dafür verantwortlich, Muster zu finden und abzurufen, die für einen Menschen nicht immer sichtbar sind. Selbst für einen trainierten Menschen

Die Modellierung zusammen mit der Auswertung hilft dabei. Ihr Kandidat muss in der Lage sein, einen Klassifizierungsalgorithmus auszuwählen, der zu einer bestimmten Datenmenge passt. Und die kategorischen Variablen

PLs

Programmiersprachen sind für ML von entscheidender Bedeutung. Wenn ein Entwickler sie kennt, kann er reale Geschäftsprobleme angehen: logistische Probleme lösen, Prognosen erstellen, Trends erkennen und so weiter

In der Regel wird von einem Entwickler für maschinelles Lernen erwartet, dass er sich auskennt

  • R-Programmierung. Eine beliebte Open-Source-Sprache, die auch ein hervorragendes Analysewerkzeug ist. Alles dank seiner grafischen Natur.
  • JavaScript. JS ist nicht nur etwas für App-Entwickler. Es wird auch für die Erstellung von ML-Bibliotheken verwendet, die zur Verhinderung von Betrug und Cyberangriffen beitragen.
  • Julia. Eine dynamische Sprache, die häufig für die Entwicklung von ML-Anwendungen verwendet wird. Der ML-Bereich profitiert von ihren zahlreichen Vorteilen: Compiler, numerische Präzision, verteilte parallele Ausführung usw.
  • Scala. Sie bietet ein statisches Typsystem. Es ist wiederum mit Java-gestützten Frameworks kompatibel. Außerdem eignet sich Scala hervorragend für die Entwicklung von Big-Data-Anwendungen, die eine riesige Datenmenge enthalten.
  • Lisp. Lisp verfügt über nützliche Funktionen, die das Prototyping und die Entwicklung neuartiger Objekte erheblich erleichtern. Es verfügt sogar über einen Garbage-Collector für den Junk-Code.

Andere empfohlene Sprachen sind TypeScript, Golang, Python, Shell und andere

Wenn ein KI-Entwickler, der eingestellt werden soll, einige dieser Sprachen in seinem Lebenslauf erwähnt, ist das ein gutes Zeichen

Verarbeitung natürlicher Sprache

Die Verarbeitung natürlicher Sprache oder NLP ist entscheidend. Einfach ausgedrückt: Der Computer lernt, die menschliche Sprache zu verstehen. Mit all ihren Fehlern, Dialekten, Rechtschreibfehlern, Akzenten, Jargonismen und so weiter

Das ist notwendig, um die Kommunikation zwischen Mensch und Computer zu verbessern. Dies kann mit Hilfe spezieller Bibliotheken geschehen – sie enthalten Syntaxregeln, die der Computer verstehen soll

Zu den wichtigsten Bibliotheken gehören: Gensim, Natural Language Toolkit, TextBlob, PyNLP, usw. Definitiv ein Muss für einen KI-Ingenieur

Neuronale Netze

Maschinelles Lernen funktioniert nicht ohne sequenzielle und parallele Berechnungen und andere wichtige Komponenten. Im Wesentlichen sorgen sie für die Datenanalyse, die der Maschine hilft, zu lernen und in Echtzeit schlau zu werden

Ein neuronales Netzwerk ist die Antwort. Hier eine kleine Auswahl von Netzen, die für ML verwendet werden können: Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), Feed Forward Neural Network (FFNN), Adversarial Generative Network (GAN) und viele andere

Der Arbeitssuchende muss sie nicht alle kennen. Es reicht aus, wenn er die Kernkonzepte versteht. Und erklären, welche Aufgaben und wie sie diese mit einem neuronalen Netz lösen wollen

Computer Vision

Jedes Mal, wenn ein Computer einen Gegenstand in der realen Welt sieht und identifiziert, handelt es sich um Computer Vision. Dabei spielt es keine Rolle, ob es sich um einen militärischen Roboter oder nur um die Kamera Ihres Handys handelt

Computervision wird immer beliebter. Vor allem mit dem Aufkommen des Internets der Dinge (IoT)

Vielleicht möchten Sie es in verschiedene Softwarelösungen integrieren – von einer Touristen-App, die den Baustil eines Barockschlosses erkennen kann, bis hin zu einem Programm, das die “Augen” eines Haushaltsroboters ist

In jedem Fall ist das Wissen über die Funktionsweise von Computer Vision entscheidend

  1. Soft Skills

Kommunikation

Wie üblich kann ohne sie kein wertvolles Produkt hergestellt werden. Während Software-Engineering das A und O ist, ist Kommunikation die Soße

Sie brauchen einen ML-Entwickler, der bereit ist, auf Ratschläge zu hören. Der sich nicht scheut, seine Meinung zu sagen und Lösungen vorzuschlagen

Der sich wohl fühlt, wenn er Feedback gibt und einholt. Und der auch weiß, wie er seine Idee durch Storytelling vermitteln kann

Außerdem ist gute Kommunikation wie Sauerstoff für eine gesunde Arbeitsatmosphäre. Mit ihr kann Ihr Team beeindruckende Ergebnisse erzielen

Kreativität

Ein ML-Ingenieur sollte kreativ sein. Erstens erfordert das Gebiet unorthodoxes Denken und kühne Lösungen

Zweitens kann ein solcher Ingenieur etwas von seiner Kreativität in die Art und Weise, wie die Maschine lernt, “einbringen”. So lassen sich erstaunliche Ergebnisse erzielen

Was muss man sonst noch wissen?

Was sollten Sie sonst noch wissen, wenn Sie Entwickler für künstliche Intelligenz einstellen? Wir haben einige der wichtigsten Interviewfragen vorbereitet!

1.Was ist Entscheidung? Und was ist Rückruf?

2.Warum ist Deep Learning anders als ML?

3.Nennen Sie die verschiedenen Arten des maschinellen Lernens

4.Wie unterscheidet sich die Wahrscheinlichkeit von der Wahrscheinlichkeiten

5.Beschreiben Sie den Aufbau von Datenpipelines Schritt für Schritt

6.Was bedeutet das Bayes-Theorem in ML

7.Warum sind L1- und L2-Regularisierungen unterschiedlich?

8.Geben Sie den Kompromiss zwischen Verzerrung und Varianz an

9.Wann würden Sie ein logistisches Regressionsmodell verwenden?

10.In welchem Szenario würden Sie eine Kreuzvalidierung verwenden

Die Tötungsmaschine

Maschinelles Lernen ist nicht mehr nur ein vager, unbedeutender Begriff. Es ist eine neue Realität in der Welt der Wirtschaft, der Wissenschaft und sogar des öffentlichen Lebens

Es hilft, wertvolles Wissen und Erkenntnisse aus Millionen von GB an Daten zu gewinnen

Sie kann sogar als Zeitmaschine fungieren und die Zukunft bis zu einem gewissen Grad vorhersagen. Und hilft Unternehmen, Forschern und Verwaltern, die kommenden Herausforderungen vorherzusehen

Mit unserer Hilfe können Sie einen Ingenieur für maschinelles Lernen mit jahrelanger Erfahrung einstellen. Ob einheimisch oder ausländisch, freiberuflich oder in Vollzeit – Sie bestimmen die Regeln!