Вот мои советы начинающим сертифицированным специалистам по искусственному интеллекту.

Я сразу же прыгнул на первую сертификацию AI Certified Engineer Associate Certification от AI Singapore.

Кажется, что все больше и больше людей прыгают на эту подножку искусственного интеллекта / данных / машинного обучения. Мы все начали сжимать свободное время, просматривая видео о машинном обучении, создавая некоторые визуализации в блокноте Jupyter, читая несколько статей о данных на Medium и так далее. Сегодня нам нужен объективный способ измерения нашего текущего уровня квалификации для сравнения того, что мы уже знаем, и того, что в настоящее время нужно отрасли. Так что может быть лучше, чем пройти сертификационный тест?

Если вы не можете его измерить, вы не сможете его улучшить. - Питер Друкер

Что такое сертификация помощника сертифицированного инженера AI?

Сертификация ИИ - это национальная система сертификации и оценки, призванная признать квалификацию работающих профессионалов на инженерных должностях, связанных с ИИ.

Система оценки подтверждает техническую компетенцию и опыт соискателей и предоставляет полномочия сертификации тем, кто проходит оценочное собеседование с коллегами и признанными практиками в области ИИ.

- источник: AI Singapore сайт -

Существует 4 различных уровня для измерения 4 уровней компетенций в области искусственного интеллекта:

  • Сертифицированный специалист по искусственному интеллекту
  • Сертифицированный инженер искусственного интеллекта, уровень I
  • Сертифицированный инженер искусственного интеллекта II уровня
  • Сертифицированный инженер искусственного интеллекта III уровня

В этой статье я буду говорить только о сертифицированном специалисте по искусственному интеллекту. Чтобы узнать больше о других сертификатах, посетите веб-сайт AI Singapore.

Сертифицированный специалист по ИИ - это человек, который разбирается в основных структурах ИИ и облачной инфраструктуре и создает модель ИИ, которая решает бизнес-проблему.

Этот уровень сертификации предназначен для тех, кто еще не имеет опыта работы в ролях, связанных с ИИ.

Необходимые технические знания и навыки, которыми должен обладать человек:

- Фон Python

- Понимание баз данных и выполнение базовых SQL-запросов.

- Знания и знания в области разработки программного обеспечения, облачных сервисов AI, инженерии данных, управления данными и науки о данных

- источник: AI Singapore сайт -

Возможно, это вас заинтересует? Затем читайте дальше, чтобы узнать, почему я считаю, что этот сертификат стоит получить, и несколько советов, которые я должен к нему подготовить.

Заявление об отказе от ответственности:

Взгляды, мысли и мнения, выраженные в тексте, принадлежат исключительно автору, и не обязательно работодателю автора, организации, комитету или другой группе или лицу.

Почему я прошел этот тест?

Есть много профессий, которые предпочитают или даже требуют какой-либо сертификации для практики. По моим наблюдениям, это бухгалтеры, врачи, юристы и так далее. Но в наши дни я считаю, что разработка и проектирование готовых к производству систем AI / ML быстро становится одной из следующих профессий, которые также предпочтут и, возможно, даже потребуют от кого-то иметь такие сертификаты.

Сертификация - это один из способов, который дает работодателю объективную уверенность и доверие к способностям сотрудника. Для меня начать рано сейчас всегда лучше, чем никогда, и в такой быстро развивающейся области, как наука о данных, я ценю уверенность, которую дает сертификация, чтобы знать, что мои навыки (конечно, в определенной степени) все еще актуальны. . Кроме того, если вы делаете это по собственному желанию, это показывает, что вы заинтересованы в повышении квалификации, что вы мотивированный и целеустремленный человек, и, конечно же, это выделит вас и повысит ценность в глазах ваших работодателей (нынешних или потенциальных).

100 процентов респондентов согласились с тем, что отраслевые сертификаты предпочтительнее при приеме на работу - источник: опрос HR.com—

Кто из вас может найти отклик в следующем разговоре с самим собой: действительно ли я знаю, что делаю? Я все делаю правильно? Черт возьми, я вообще делаю правильные вещи ?? Я часто задавал себе эти вопросы, совмещая свою работу по разработке продуктов для обработки данных с обязательствами по получению степени магистра информатики, исходя из опыта управления бизнесом. Поэтому, когда я увидел, что есть возможность проявить себя с помощью сертификации, я решил прыгнуть на нее, и я убежден, что один из способов убедиться, что вы на правильном пути, - это начать измерять свою квалификацию с помощью сертификационного теста, такого как как это.

И последнее, но, конечно, не менее важное: вы получите некоторое чувство достижений и сможете похвастаться своим достоинством, гордо демонстрируя сертификат. Это также сделает вас более заметным в LinkedIn, что поможет вам попасть на желаемое собеседование в компаниях мечты, в которых вы хотите работать.

Итак, первый совет, который у меня есть для моей аудитории, - это потратить некоторое время, чтобы подумать, почему вы хотите сделать сертификат. Зная, что это половина успеха, выиграна, если вы знаете свою цель. Надеюсь, я убедил вас в ценности получения такого сертификата.

Итак, чего я могу ожидать от этого сертификационного теста?

Вам будет предоставлен технический тест и около 5 дней на его выполнение. Этот тест бросает вызов вашим практическим знаниям в следующих обширных областях:

  1. Извлечение данных. Умеете ли вы извлекать данные из базы данных с помощью SQL и SQLalchemy? Использовать python pandas для чтения из плоских файлов csv?
  2. Исследовательский анализ данных. Можете ли вы выполнить комплексный EDA на ноутбуке jupyter? Есть ли у вас четкая структура и мыслительный процесс при выполнении EDA? Самое главное, можете ли вы структурировать и организовать свой EDA так, чтобы за ним было легко следить?
  3. Машинное обучение / анализ данных. Можете ли вы обрабатывать необработанные данные? Отстаивать обоснование необходимых этапов обработки данных? Выбрать подходящую модель машинного обучения для данных? Собрать несколько моделей машинного обучения (если возможно)? Определите и оцените каждую модель с помощью соответствующих показателей, чтобы определить лучшую модель? Выберите, какой результат (например, показатели / графики) необходим для защиты вашей модели?
  4. Разработка программного обеспечения. Можете ли вы построить непрерывный конвейер от необработанных данных до «развернутой» модели машинного обучения? Вызов API вашей модели из командной строки в Linux? Легко ли настраивается ваша программа, чтобы конечный пользователь мог решить, какие параметры или алгоритмы использовать?

Заявление об ограничении ответственности: у меня нет формальных критериев оценки, и приведенный выше список ни в коем случае не является исчерпывающим.

После теста будет короткое собеседование, на которое вам дается от 10 до 15 минут, чтобы продемонстрировать и выполнить весь рабочий процесс, который вы отправили. Следующие 10-15 минут будут для вопросов и ответов, где вы должны защитить свои модели и подготовиться к описанию алгоритмов, статистики, математики и концепций науки о данных. Таким образом, не забывайте еще об одной важной области:

  1. Коммуникация. Умеете ли вы ясно и лаконично изложить свои выводы и соображения по EDA? Объясните, почему вы использовали эту модель вместо другой? Объясните ограничения выбранной вами модели?

Кажется захватывающим (или ошеломляющим)! Как мне лучше подготовиться к этому?

  1. Найдите интересный набор данных. Вы можете выбрать из этой ссылки для практики.
  2. Сформулируйте собственное четкое определение / постановку проблемы, которую необходимо решить, используя набор данных.
  3. Пачкай руки! Получайте удовольствие от EDA, очистки и предварительной обработки данных, построения графиков и их объяснения.
  4. Попробуйте разные модели машинного обучения. Попробуйте все регрессоры на scikit learn. Убедитесь, что вы знаете, что делаете и как объяснить свои действия! Еще один совет: не начинайте с нейронных сетей или чего-то особенного, пока у вас не будет надежной базовой модели, которая может быть чем-то столь же простым, как линейная регрессия.
  5. Сложите все это в сценарий Python и запустите его с помощью сценария Linux bash. Измените файл конфигурации (или аргументы командной строки), и ваша программа по-прежнему должна работать должным образом. Возьмите свою программу на тест-драйв! БОНУС: если вы сможете продемонстрировать знания в области разработки через тестирование (pytest) и управления версиями (git), это определенно поможет выделить вас!
  6. Практикуйтесь в передаче своих идей. Одних технических навыков и навыков недостаточно для достижения успеха. Вам нужно будет уметь привлекать аудиторию, рассказывая истории с вашими данными. Произведите впечатление на заинтересованные стороны своими выводами и убедите их в правильности действий, которые следует предпринять после извлечения всей возможной информации из данных. В конце концов, этого следует ожидать, когда вы вернетесь в отрасль.
  7. БОНУС: подготовьте презентацию высокого уровня о своем подходе, дизайне, выводах, идеях и действиях, как будто вы делаете важную презентацию для клиентов, убеждая их в полезности вашего продукта и в том, как вы можете принести им пользу для бизнеса.
  8. Только когда все вышеперечисленные шаги будут выполнены, вы можете считать проект завершенным, и у вас появится больше уверенности в том, что вы взялись за что-то подобное для технического теста.

Заключительный совет:

Изучение науки о данных / машинного обучения / искусственного интеллекта с помощью онлайн-видео или даже визуальное чтение статей, к сожалению, не самый эффективный способ обучения и практики. Осмелюсь даже сказать: хватит учиться новому! (пока) и начните применять и собирать все знания, которые вы уже знаете, а затем заполняйте пробелы по мере необходимости.

Кинестетические ученики в этом правы. Делайте больше побочных проектов и применяйте свои навыки на практике. С гордостью размещайте свою работу в публичном репозитории, таком как Github. Всегда помните, какую ценность вы приносите конечным пользователям, и сообщайте об этом в меру своих возможностей. Удачи!

Примечание: на момент написания статьи следующий раунд подачи заявок состоится в четвертом квартале 2020 года. Есть много времени, чтобы попрактиковаться. Теперь иди!

Об авторе

Альберт Бингей (Albert Bingei) - сертифицированный специалист по искусственному интеллекту, консультант в сингапурском стартапе и по совместительству M.S. Студент компьютерного обучения (машинное обучение) Технологического института Джорджии.

Альберт имеет опыт разработки и создания движка оптимизации на основе Python, который применяет модели машинного обучения к потоковым данным в реальном времени, чтобы влиять на системы инженерного контроля для обеспечения ценности для бизнеса.

Пожалуйста, свяжитесь с Альбертом через Linkedin, Medium или Github.