5 fundamentos do aprendizado de máquina que os líderes não técnicos precisam entender

Estamos vivendo em um fenomenal momento de aprendizado de máquina (ML), o que Sonali Sambhus, chefe de desenvolvedor e plataforma de ML na Square, descreve como "a democratização do ML". Tornou-se a base da aceleração de negócios e crescimento devido ao incrível ritmo de mudança e desenvolvimento neste espaço.

Mas para engenheiros e líderes de equipe sem experiência em ML, isso também pode parecer opressor e intimidador. Eu regularmente encontro líderes inteligentes, bem-sucedidos, altamente competentes e normalmente muito confiantes que lutam para conduzir uma conversa construtiva ou eficaz sobre o ML - embora alguns deles liderem equipes que o projetam.

Passei mais de duas décadas no espaço de ML, incluindo trabalho na Apple para construir a maior loja de aplicativos e música online do mundo. Como diretor sênior de engenharia anti-mal do Reddit, usei o ML para compreender e combater o lado escuro da web.

Para esta peça, entrevistei um grupo seleto de líderes de ML de sucesso, incluindo Sambhus; Lior Gavish, cofundador da Monte Carlo; e Yotam Hadass, VP de engenharia da Electric.ai, por seus insights. Eu destilei nossas melhores práticas e componentes obrigatórios em cinco lições práticas e facilmente aplicáveis.

1. Estratégia de recrutamento de ML

O recrutamento para ML apresenta vários desafios.

A primeira é que pode ser difícil diferenciar funções de aprendizado de máquina de perfis de trabalho mais tradicionais (como analistas de dados, engenheiros de dados e cientistas de dados) porque há uma grande sobreposição entre as descrições.

Em segundo lugar, encontrar o nível de experiência necessário pode ser desafiador. Poucas pessoas no setor têm experiência substancial no fornecimento de ML de nível de produção (por exemplo, você às vezes notará currículos que especificam experiência com modelos de ML, mas então descobrirá que seus modelos são mecanismos baseados em regras, em vez de modelos reais de ML).

Quando se trata de recrutamento para ML, contrate especialistas quando puder, mas também veja como o treinamento pode ajudá-lo a atender às suas necessidades de talentos. Considere transformar sua equipe atual de engenheiros de software em engenheiros de dados / ML ou contrate candidatos promissores e forneça a eles uma educação em ML.

Créditos da imagem: Snehal Kundalkar

A outra maneira eficaz de superar esses desafios de recrutamento é definir funções em torno de:

• Produto: Procure candidatos com curiosidade técnica e um forte senso comercial / produto. Essa estrutura geralmente é mais importante do que a capacidade de aplicar os modelos mais sofisticados.
• Dados: Procure candidatos que podem ajudar a selecionar modelos, recursos de design, lidar com modelagem / vetorização de dados e analisar resultados.
• Plataforma / infraestrutura: procure pessoas que avaliam / integram / constroem plataformas para acelerar significativamente a produtividade das equipes de dados e engenharia; extrair, transformar, carregar (ETLs); infraestruturas de armazém; e frameworks CI / CD para ML.

Fonte: https://techcrunch.com/2021/03/31/5-machine-learning-essentials-non-technical-leaders-need-to-understand/