Nawet w nieustannie zmieniającym się świecie uczenia maszynowego PyTorch uchodzi za nową technologię. Ta biblioteka ML, stworzona w laboratorium AI Research Facebooka, ukazała się po raz pierwszy w 2016 roku, a wersja 1.0 pojawiła się pod koniec 2018 roku. Ku zaskoczeniu wielu narzędzie szybko zyskało popularność i stało się jednym z najszerzej używanych rozwiązań uczenia maszynowego.
W 2018 roku, gdy wyszła wersja 1.0, PyTorch był używany wciąż przez mniejszość badaczy — ale rok 2019 nagle wyniósł go na szczyt. Trend zaczął się w środowisku akademickim, ale PyTorch szybko znalazł miejsce także w biznesie. Dziś PyTorch jest rdzeniem niektórych z najważniejszych rozwiązań deep learningowych na rynku, w tym Tesla Autopilot i probabilistycznego języka programowania Pyro od Ubera.
W poniższym przewodniku wyjaśniamy, jak PyTorch może być przydatny dla firm z każdej branży oraz jak zatrudnić programistów PyTorch, którzy zbudują i utrzymają niezawodne, znakomicie działające modele uczenia maszynowego.
Dlaczego warto zainwestować w uczenie maszynowe i zatrudnić programistów PyTorch?
Sedno uczenia maszynowego kryje się w samej nazwie — celem jest budowanie modeli, które pozwalają komputerom (maszynom) samodzielnie się uczyć i rozwijać swoje umiejętności. Programiści mogą wyznaczyć maszynie konkretny cel i nakarmić ją terabajtami danych, ale resztę ma zrobić komputer.
Zbudowanie niezawodnego modelu uczenia maszynowego pod potrzeby Twojej firmy może trochę potrwać, ale efekt jest tego wart — maszyna może przejąć rutynowe zadania wykonywane zwykle przez ludzi i robić je sprawniej, oszczędzając Twój czas i pieniądze.
PyTorch pozwala tworzyć różnorodne rozwiązania uczenia maszynowego i zapewniać im najwyższą wydajność (na przykład dzięki wykorzystaniu GPU). Firmy na całym świecie zatrudniają programistów PyTorch, by budować modele pomagające im w:
- Rozpoznawaniu i klasyfikacji obrazów — przydatne zarówno w małych projektach katalogowania, jak i w rozbudowanych systemach samochodów autonomicznych
- Przetwarzaniu języka naturalnego (NLP) — szczególnie popularne zastosowanie PyTorcha
- Inteligentnym marketingu dopasowanym do każdego klienta
- Wiarygodnym prognozowaniu
- Liczeniu ryzyka
- Automatyzacji obsługi klienta z użyciem rozwiązań takich jak chatboty czy podpowiedzi inteligentnych odpowiedzi (zobacz przykład Airbnb)
- Wykrywaniu oszustw i naruszeń bezpieczeństwa
- Tagowaniu danych
- Filtrowaniu spamu i wiadomości
- I wielu, wielu innych rzeczach!
Skoro uczenie maszynowe i PyTorch są odpowiedzią na tak wiele różnych problemów, nie powinno dziwić, że z technologii tej korzystają dziś zarówno ogromne, jak i bardzo małe firmy. Rośnie też liczba programistów PyTorch — według 2020 Stack Overflow Developer Survey obecnie około 4,1% zawodowych programistów używa PyTorcha w pracy. Aby pomóc Ci poruszać się po rynku i zatrudnić programistów PyTorch, którzy naprawdę wykonają zadanie, resztę tego tekstu poświęcamy wyłącznie procesowi rekrutacji.
Umiejętności twarde, których warto szukać, zatrudniając programistów PyTorch
Jako bardzo złożona specjalizacja uczenie maszynowe z PyTorchem wymaga zestawu bardzo konkretnych umiejętności technicznych. Najważniejsze z nich wymieniamy poniżej.
- Ekspercka znajomość Pythona (mile widziany też C++)
Podstawowym językiem używanym do pisania w PyTorchu jest — całkiem oczywiście, biorąc pod uwagę nazwę biblioteki — Python. Możliwe jest jednak także użycie C++, choć programiści uważają interfejs C++ w PyTorchu za mniej przyjazny. Ostatecznie oba języki gwarantują podobną wydajność Twoich modeli.
PyTorch obsługuje też język C i CUDA — platformę pozwalającą programistom wykorzystać zaawansowane karty GPU Nvidii do zasilania modeli. Ekspercka znajomość wszystkich czterech technologii nie jest jednak konieczna — możesz zatrudnić programistów PyTorch skupionych na Pythonie, ale z pewnym rozeznaniem w pozostałych trzech.
- Rozumienie pojęć uczenia maszynowego
Nie każdy programista Pythona czy C++ jest automatycznie inżynierem uczenia maszynowego. Budowanie skutecznych modeli wymaga nie tylko praktycznej znajomości języka, ale też wiedzy teoretycznej o uczeniu maszynowym i pokrewnych pojęciach (deep learning, AI).
- Rozumienie zaawansowanej matematyki
Kolejny poziom wiedzy teoretycznej potrzebnej w uczeniu maszynowym. Najważniejsze obszary matematyki dla programisty PyTorch to rachunek prawdopodobieństwa i algorytmy.
- Doświadczenie z PyTorchem
Nie umieściliśmy tego na początku listy celowo. Ponieważ PyTorch to wciąż bardzo młoda technologia, możesz spotkać kandydatów, którzy dłużej pracowali z innymi narzędziami ML — i to jest zupełnie w porządku. Zrozumienie fundamentów uczenia maszynowego jest znacznie ważniejsze niż znajomość konkretnego narzędzia. Oczywiście kandydat powinien mieć wcześniejsze doświadczenie z PyTorchem. Nawet jeśli biblioteka jest łatwa i przyjazna w użyciu, programista może potrzebować chwili, by się z nią oswoić. Dlatego gorąco zachęcamy, byś sprawdził, czy kandydat naprawdę zna PyTorcha.
Doświadczenie z innymi narzędziami uczenia maszynowego jest oczywiście również mile widziane, bo daje programiście szerszą perspektywę na rynek. Najważniejszym „rywalem” PyTorcha jest TensorFlow. Przydatne jest też wcześniejsze doświadczenie z Caffe, ponieważ Caffe2 zostało ostatecznie zintegrowane z PyTorchem przez Facebooka.
Wybór programistów PyTorch z właściwymi umiejętnościami miękkimi
Wszystkie powyższe umiejętności techniczne są dla programisty PyTorch obowiązkowe, ale nie należy lekceważyć siły umiejętności miękkich. Potrafią one znacząco poprawić działanie całego zespołu danych i uczenia maszynowego oraz prowadzić do jeszcze lepszych wyników.
Zatrudniając programistów PyTorch, szukaj zwłaszcza kandydatów z następującymi umiejętnościami miękkimi…
- Dbałość o szczegóły
By budować modele naprawdę wolne od błędów — a więc niezawodne.
- Proaktywność
By wnosić nowe pomysły na usprawnienia.
- Doskonałe zarządzanie czasem
By zawsze umieć zmieścić wiele różnych zadań w jednym dniu pracy.
Wykształcenie programistów PyTorch
Nie powinno dziwić, że PyTorch najpierw zrobił ogromną karierę w świecie badań naukowych. Uczelnie na całym świecie są mocno zaangażowane w rewolucję uczenia maszynowego i dają studentom szansę samodzielnego poznawania nowej technologii.
Zatrudniając programistów PyTorch, najlepiej szukaj specjalistów z dyplomem potwierdzającym rozumienie dziedziny. Programiści PyTorch to często absolwenci informatyki, matematyki, fizyki, statystyki lub innych pokrewnych kierunków. Wielu ma co najmniej tytuł magistra.
Wartość doświadczenia zawodowego
Nie powinieneś jednak oceniać kandydatów wyłącznie po dyplomach. Doświadczenie biznesowe jest tak samo — a może nawet bardziej — ważne.
Zadbaj o to, by zatrudniać programistów PyTorch, którzy wcześniej pracowali z uczeniem maszynowym w środowisku biznesowym. Świat badań uniwersyteckich i komercyjnego ML bardzo się od siebie różnią i ważne jest, by nowa osoba znała już te różnice. Unikniesz wtedy nieporozumień i zyskasz pewność, że zatrudniona osoba nie odejdzie po napotkaniu pierwszej przeszkody.
Pamiętaj też, by skupić się na programistach PyTorch wyspecjalizowanych w tych rozwiązaniach uczenia maszynowego, których konkretnie szukasz. Jeśli zależy Ci na przetwarzaniu języka naturalnego, zatrudniaj programistów PyTorch doświadczonych w tym właśnie obszarze, a nie takich, którzy pracują głównie nad prognozowaniem.
Zadawanie właściwych pytań rekrutacyjnych o PyTorch
Ponieważ uczenie maszynowe z PyTorchem to wysoce wyspecjalizowana dziedzina, pamiętaj, że rozmowy techniczne z kandydatami powinien prowadzić prawdziwy ekspert ML. Jeśli sam nim nie jesteś, poproś o pomoc innych inżynierów uczenia maszynowego albo konsultanta software'owego czy kierownika projektów IT mocno osadzonego w świecie danych.
Poniżej podajemy przykłady popularnych pytań rekrutacyjnych o PyTorch, żeby dać Ci pogląd, jak taka rozmowa może wyglądać.
- Czym jest overfitting?
- Jak zrobiłbyś NER od zera?
- Jak radzić sobie z niezbalansowanym zbiorem danych?
- Algorytm k-najbliższych sąsiadów a klasteryzacja k-średnich — jaka jest różnica?
- Czym jest naiwny klasyfikator Bayesa? Dlaczego nazywa się go „naiwnym”?
- Klątwa wymiarowości — czym jest i jak można ją pokonać?
- Binning o stałej szerokości a binning adaptacyjny — jaka jest różnica?
- Kiedy zastosowałbyś walidację krzyżową ze stratyfikacją?
- Czym jest otoczka wypukła?
- W jakich okolicznościach regresja grzbietowa jest uważana za lepszą od regresji Lasso?
Kogo jeszcze możesz potrzebować, by wykorzystać moc uczenia maszynowego?
Zatrudnienie programistów PyTorch to świetny punkt wyjścia, by wprowadzić firmę w przyszłość. Jeśli chcesz jeszcze lepiej wykorzystać potencjał danych, rozważ też zatrudnienie innych specjalistów z tej dziedziny, takich jak eksperci AI, programiści TensorFlow, data scientiści (w tym inżynierowie danych) czy eksperci od GAN.
Kogokolwiek właśnie szukasz, Ideamotive to dostarczy. Prowadzimy wiodącą w branży sieć specjalistów IT ze wszystkich dziedzin, w tym uczenia maszynowego. Niezależnie od tego, czy potrzebujesz wystartować z biznesem ze świetnymi programistami webowymi lub mobilnymi, czy wzmocnić firmę utalentowanymi inżynierami uczenia maszynowego, połączymy Cię ze specjalistami idealnie dopasowanymi do Twoich wymagań.
