Профессия инженер по глубокому обучению (Deep Learning Engineer)
Инженер по глубокому обучению – специалист в сфере IT, развивающий и обучающий искусственные нейронные сети, которые имитируют структуру и функции человеческого мозга. Результаты работы Deep Learning Engineer′а: голосовые помощники, автопереводчики, автопилоты, детекторы с компьютерным зрением, программы распознавания речи и т. д. – применяются как в промышленности и бизнесе, так и в обыденной жизни. Профессия – одна из специализаций Data scientist′а, подходит людям с развитыми аналитическими способностями. Кстати, недавно центр профориентации ПрофГид разработал точный тест на профориентацию, который сам расскажет, какие профессии вам подходят, даст заключение о вашем типе личности и интеллекте.
Краткое описание
В иерархии профессий, связанных с ИИ, инженер по глубокому обучению занимает одну из верхних позиций. Его работа состоит в создании самообучающейся компьютерной высокоинтеллектуальной модели – нейронной сети.
Каждый проект состоит из нескольких этапов:
- подготовительный: постановка целей и задач совместно с заказчиком или руководством (для чего создается ИИ, в каких условиях ему предстоит работать, какой планируется бюджет и проч.) и изучение специфики отрасли;
- создание архитектуры модели;
- обучение, т. е. повторяющееся выполнение операций классификации; разработка критериев оценки правильности выбора;
- поиск и устранение ошибок;
- разработка и поддержание программного обеспечения нейросети; доведение прототипного кода до рабочего состояния.
Кроме этого, частью профессиональных обязанностей может быть разработка индивидуальной архитектуры нейронных сетей для конкретных задач, совершенствование систем ИИ путем добавления новых функций. Инженеры по глубокому обучению трудятся в самых разных отраслях: автопроме, аэрокосмической и оборонной промышленности, медицине, робототехнике, электронике, торговле, образовании и даже сельском хозяйстве, соответственно, им приходится обучать самые разные нейросети.
Особенности профессии
Инженер по глубокому обучению работает с огромными объемами информации (например, для разработки беспилотных автомобилей требуются миллионы изображений и тысячи часов видео) и со значительными вычислительными мощностями, позволяющими сократить время обучения нейросети. В этом его работа схожа с задачами специалиста по машинному обучению (ML). Но между этими двумя специальностями есть разница:
- Специалист по машинному обучению занимается разработкой алгоритмов и моделей для обработки данных с помощью компьютерных систем. Он может работать над различными задачами, такими как классификация, кластеризация, регрессия или прогнозирование.
- Инженер по глубокому машинному обучению специализируется на создании сложных нейронных сетей, которые могут обрабатывать большие объемы данных и самостоятельно извлекать из них неочевидные закономерности, руководствуясь собственными критериями классификации. Он также может заниматься оптимизацией работы нейросетей и улучшением их производительности.
Можно сказать, что Deep Learning Engineer – это ML-инженер очень высокой квалификации. Работа DL-инженеров более сложная и интересная, но и платят за нее больше.
Плюсы и минусы профессии
Всем, кто связан с технологиями глубокого обучения, волноваться о перспективах профессии не приходится: этот сегмент IT каждый год увеличивается на 40 %. Помимо перспективности, у профессии есть и другие достоинства:
- Возможность быстро сделать карьеру, пока конкуренция не слишком высока.
- Высокие зарплаты. Даже начинающий Deep Learning Engineer может рассчитывать на достойную зарплату.
- Разнообразие вариантов трудоустройства: найти применение знаниям и умениям можно в самых разных областях – от медицины и финансов до геологоразведки и государственной безопасности, оставаясь при этом айтишником.
- Много вакансий для удаленной работы.
- Профессия инженера по глубокому обучению подходит «закоренелым» интровертам: в работе не слишком важны навыки общения, тем не менее в команде все-таки надо уметь работать: DL Engineer обычно работает в связке с аналитиками (Data Analyst) и инженерами (Data Engineer) данных.
Минусы:
- Сидячая работа со всеми вытекающими последствиями. Со временем возможно ухудшение зрения.
- Постоянное интеллектуальное напряжение.
Важные качества
Без математических способностей и логического мышления стать инженером по глубокому обучению не получится. Кроме того, важны:
- хорошая память;
- высокая работоспособность;
- готовность к постоянному профессиональному развитию;
- способность усваивать большие объемы информации;
- настойчивость, усидчивость.
Где учиться на инженера по глубокому обучению
Для работы Deep Learning Engineer необходимо высшее образование. Больше всего для учебы подходят связанные с Data Science и машинным обучением профили традиционно программистских направлений подготовки:
- «Математика и компьютерные науки» 02.03.01;
- «Информатика и вычислительная техника» 09.03.01;
- «Программная инженерия» 09.03.04;
- «Прикладная информатика» 09.03.03.
Подойдут и все математические направления: «Прикладная математика» 01.03.04; «Фундаментальная информатика и ИТ» 02.03.02 и др.
Возможно, затем понадобится пройти курсы по более узкой специализации именно на глубоком машинном обучении.
Курсы по Data Science
Место работы
Специалистов по глубокому обучению ищут:
- крупные IT-компании и стартапы, занимающиеся разработкой софта, робототехники, систем компьютерного зрения и видеоаналитики;
- торговые корпорации;
- компании связи и телекоммуникаций;
- производители медицинского диагностического оборудования;
- банки и финансовые организации;
- производственные предприятия.
Спектр вакансий постоянно расширяется, потому что многие компании, независимо от основного профиля деятельности, начинают сами заниматься нейросетями или приобретают разрабатывающие ИИ стартапы.
Оплата труда
Начинающий инженер по глубокому обучению может рассчитывать на 130–150 тыс. руб. в месяц. По мере увеличения опыта зарплаты растут: профессионалам с опытом от 1 года предлагают 190–240 тыс. руб., от 3 лет – от 250–350 тыс. руб. А для специалиста уровня Senior и 750 тыс. руб. в месяц не предел.
Карьера
Поскольку инженеры по глубокому обучению должны быть экспертами в своей области, «перепрыгнуть» через ступени карьерной лестницы невозможно: необходим опыт. Они начинают путь в профессии в роли младших участников команды (джуниоров) на позициях аналитиков данных, Data- или ML-инженеров, приобретая необходимые навыки и познания. В IT-сфере реально за 5–6 лет выйти на позицию тимлида, а в производственной компании или корпорации – возглавить подразделение, занимающееся ИИ.
Профессиональные знания
В багаже знаний инженера по глубокому обучению обязательно отличное владение Python, C/C++ и другими языками программирования, применяющимися в машинном обучении (Rust, R и т. д.). Необходимо также знание:
- инструментов Computer Vision, 3D-моделирования, NLP (в зависимости от специализации);
- основных методов и инструментов Data Science;
- библиотек и фреймворков, используемых для машинного обучения: Keras, Pandas, TensorFlow, PyTorch и др.
- английского языка в объеме, достаточном для чтения технической литературы.
Интересные факты
Первую компьютерную модель нейросетей звали «Марк-1», ее представили публике в далеком 1960 году. А задумана она была еще раньше: Фрэнк Розенблатт, создатель «Марка», напечатал статью «Перцептрон», в которой он описывал модель восприятия информации мозгом, в 1958-м. Розенблатт опирался на идеи У. Мак-Каллока и У. Питтса, выдвинутые в 1943 г.
Рассматривая возможности обучения своей модели, Розенблатт, помимо прочего, предложил концепцию обучения без учителя. В 1960-е гг. эти идеи заинтересовали научную общественность, но затем интерес к ним снизился по одной простой причине: вплоть до начала XXI в. не существовало вычислительных мощностей, которые позволили бы их реализовать. Период снижения интереса к нейросетям даже получил специальное название – «Зима ИИ». Окончательно он завершился примерно в 1995–2000-х гг. Через 20 лет начался совершенно другой период – бурного развития всего, что связано с нейросетями, и завершения его в обозримом будущем не предвидится.
