Apple Store 店員から機械学習エンジニアへ: AI を学び始めた経緯

Apple Store 店員から機械学習エンジニアへ: AI を学び始めた経緯

機械学習エンジニアの職は、AI 博士号取得者だけのものではありません。インターネット上の公開コースやビデオを通じて、人工知能の基礎を学び、コードを書く能力を養い、簡単に諦めなければ、最終的には AI 分野の関連職を見つけることができます。この記事では、ダニエル・バークという人物が、自らの精神的な旅をゼロから紹介しています。

私は以前 Apple Store で働いていましたが、変化を起こしたいと思い、自分のサービスのテクノロジーから始めました。私は機械学習と人工知能について学び始めました。この分野は非常にホットで、毎週、GoogleやFacebookなどのテクノロジー企業が新しいAIテクノロジーを発表し、私たちの体験を継続的に向上させています。

世の中には自動運転車を開発している会社も無数にありますが、技術は素晴らしいものの、私は運転が好きではありませんし、道路は危険です。

今日起こっているすべてのことを踏まえても、「人工知能」という用語を明確に定義することはまだできません。ディープラーニングは AI と呼べると考える人もいますが、チューリングテストに完全に合格しない限り AI とは呼べないと考える人もいます。人工知能を学び始めた当初、定義の欠如は本当に大きな問題でした。学習している内容にさまざまな定義があると、学習を始めるのが本当に難しくなります。

では、定義については一旦置いておきます。

どうやって始めたのでしょうか?

友人と私はインターネットのスタートアップ企業を作ろうとしましたが、失敗しました。これをやる意味がないと感じたので、私たちは諦めました。しかし、その過程で、私は ML と AI についてますます多くのことを学びました。

「コンピューターは人間に代わって学習できるのか?」それは信じられないことだ。

私は偶然、Udacity の Deep Learning Nanodegree を見つけました。このプロモーションには、Siraj Raval という興味深いキャラクターが登場します。彼のエネルギーは伝染する。最低要件を満たしていなかったにもかかわらず(Python コードを 1 行も書いたことがなかった)、とにかくサインアップしました。

コース開始の3週間前に、コースを修了できないのではないかと心配だったので、Udacityに返金について問い合わせるメールを送りました。

指定された時間内にコース全体を修了したため、返金はありませんでした。授業は難しいです。時には非常に難しいこともあります。私の最初の 2 つのプロジェクトは 4 日遅れで提出されました。しかし、世界で最も重要なテクノロジーに手を出せるという興奮が私を突き動かし続けました。

ディープラーニングのナノ学位を取得した後は、Udacity の AI、自動運転車、ロボット工学のナノ学位の取得を継続できます。これらはすべて良い選択です。

少し迷った気がします。 「次は何をすればいいでしょうか?」

授業スケジュールが必要です。ディープラーニングナノ学位によって少し基礎が身についたので、次は次のステップについて考える時が来ました。

私自身のAI修士号

修士課程を修了するための10万ドルがないので、大学に戻るつもりはありません。そこで、以前と同じように、私はメンターである Google に頼りました。

私はその分野に関する事前の知識がないまま、ディープラーニングに取り組み始めました。私はAI氷山の頂上に登ったのではなく、ヘリコプターでそこへ飛んだのです。

たくさんのコースを調べた後、最も興味のあるコースのリストを Trello に作成しました。

Trelloは私のパーソナルアシスタント/コースコーディネーターです

オンラインコースの退学率が高いことは知っていたので、私はそうしたコースに参加したくありませんでした。私には使命がある。

この目的のために、私は自分の学習経験をオンラインで共有し始めました。こうすることで、同じ考えを持つ他の人をオンラインで見つけ、コミュニケーションをとることができます。私が AI の冒険に出かけたとき、友人たちは私が頭がおかしいと思ったようです。

私はTrelloボードを公開し、自分の苦労についてブログ記事を書きました。

私が最初に自分の経験について書いたときから、教訓は若干変化しましたが、今でも意味のあるものです。進捗状況を追跡するために、週に数回 Trello ボードをチェックします。

仕事を探す

アメリカ行きの片道航空券を購入しました。私は1年間勉強してきましたが、今はその知識を実践する時です。

私の計画はアメリカに飛んで仕事を探すことでした。

その後、アシュリーは LinkedIn で私にメッセージを送ってきて、「こんにちは。あなたのブログを読みました。とてもよかったです。マイクに会ってみたらどうですか。」と言いました。

それで私はマイクに会いました。

私はオンラインでの独学の経験、医療技術への愛着、そしてアメリカに行く計画について話しました。

「1年かそこらここにいて、何が見つかるか見てみましょう。キャメロンに会いに行ってもいいですよ。」

キャメロンに会いました。

彼との会話は、マイクとの会話と似ていて、ヘルスケア、テクノロジー、オンライン学習、そしてアメリカについてでした。

「私たちはいくつかの医療問題に取り組んでいますので、木曜日に来てください。」

木曜日が来て、少し緊張しました。しかし、ある人が私に、緊張することと興奮することは同じことだと言って、それから私は興奮し始めました。

その日、私はマックス・ケルセンのチームと会い、彼らが取り組んでいる問題について学びました。

2 週間後、当社の CEO である Nick、トップの機械学習エンジニアである Athon と私はコーヒーを飲みに行きました。

ニックは私に尋ねました。「私たちのチームに参加したいですか?」

私は「わかりました」と言いました。

その後、私の米国旅行は数か月延期され、現在は帰りの航空券を持っています。

あなたの作品を共有する

オンライン学習が従来とは異なるものであることは承知しています。私が応募したすべての職種では、修士号または何らかの技術系の学位が要件でした。

そして私には何もない。しかし、私は多くのオンラインコースから同じスキルを学びました。

この間、私は自分の作品をオンラインで共有しました。私の GitHub には私が取り組んだすべてのプロジェクトが含まれており、LinkedIn プロフィールは非常に詳細です。さらに、YouTube と Medium で学んだコミュニケーション スキルを実践しました。

私はマックス・ケルセンに履歴書を送ったことはありません。 「LinkedIn であなたを見つけました。」

私が保存した仕事は私の履歴書でした。

オンラインで勉強している場合でも、修士課程を目指している場合でも、自分が行った作業をパッケージ化して他の人に提示することは、ゲームに参加するための優れた方法です。

ML と AI のスキルは需要が高いですが、だからといってそれらを披露する必要がないというわけではありません。棚のスペースがなければ、どんなに良い商品でも売れません。

この「棚」は、GitHub、Kaggle、LinkedIn、またはブログになります。他の人があなたを見つけられる場所を見つけましょう。それに、インターネット上に自分のコーナーを持つのは楽しいです。

始めるにはどうすればいいですか?

これらのスキルはどこで学べますか?どのコースですか***?

完璧な答えはありません。誰もがそれぞれ異なる道を歩んでいます。本から学ぶのが一番得意な人もいれば、ビデオから学ぶのが一番得意な人もいます。

どのように始めるかよりも、なぜ始めるかが重要です。

まず自分自身にその理由を問いかけてください。

  • なぜこれらのスキルを学びたいのですか?
  • これで金儲けしようとしてるんですか?
  • あるいは何かを構築したいですか?
  • あるいは、何かを変えたいですか?

まだ***の回答はありません。誰の答えも彼らにとっては重要です。

まず「なぜ」を尋ねてください。「どのように」よりも「なぜ」の方が重要だからです。 「なぜ」を理解すれば、勉強に行き詰まったとき(必ず行くでしょう)、それを乗り越えるための答えが見つかるのです。それらは、あなたがなぜこの道を歩んでいるのかを思い出させてくれるでしょう。

「なぜ」を理解していますか?素晴らしい。次はもっと難しいスキルに進みましょう。

私自身が試したものしかお勧めできません。

私は以下のコースを順番に修了しました。

  • Treehouse: Python 入門
  • Udacity: ディープラーニングと AI ナノ学位
  • Coursera: Andrew Ng のディープラーニング コース
  • fast.ai: 現在パート 1 ですが、まもなくパート 2 に入ります。

これらのコースはすべて***です。私はビデオ学習者なので、このようなものが登場し、説明されているのを視聴することでよりよく学習できます。これらすべてのコースはこのようなものです。

完全な初心者であれば、Python 入門コースから始め、自信がついてきたらデータ サイエンス、機械学習、AI に進むことができます。

どの程度の数学の知識が必要ですか?

私が学んだことのほとんどは高校の数学でした。残りの知識はカーンアカデミーを通じて学びました。

機械学習や人工知能に取り組むのにどの程度の数学が必要かは人によって異なりますが、私の選択は次のとおりです。

機械学習や AI 技術を適用して問題を解決したい場合、良い結果を得るために数学を深く理解する必要はありません。 TensorFlow や PyTorch などのライブラリを使用すると、Python の経験がほとんどない人でも、舞台裏で計算処理を行いながら最先端のモデルを構築できます。

博士課程やそれに類するプログラムを通じて機械学習や AI 研究をさらに深く探求したい場合は、強力な数学的背景が必要になります。

個人的には、数学を深く学ぶつもりはありません。それは私より賢い人に任せます。問題を解決するには、TensorFlow や PyTorch などのライブラリを使用する方が楽しいです。

機械学習エンジニアは何をしますか?

機械学習エンジニアが実際に行うことは、あなたが考えていることとは異なるかもしれません。

多くのオンライン記事の表紙写真に赤い目のロボットが使われていても、だからといってロボットを研究しているわけではありません。

機械学習エンジニアが毎日自問する質問をいくつか紹介します。

  • コンテキスト: 問題を理解するために機械学習をどのように活用できるでしょうか?
  • データ: さらにデータが必要ですか?データはどのような形式にすべきでしょうか?データが失われたらどうしますか?
  • モデリング: どのモデルを使用すればよいですか?モデルはデータに適合しすぎていませんか (過剰適合)?あるいは、なぜモデルがデータにうまく適合しないのか (適合不足)?
  • 生産: モデルを生産するにはどうすればよいでしょうか?オンライン モデルにすべきでしょうか、それとも定期的に更新されるモデルにすべきでしょうか?
  • 進行中: モデルが故障するとどうなるでしょうか?より多くのデータを使用してモデルを改善するにはどうすればよいでしょうか?もっと良い方法はあるでしょうか?

これらの質問は、fast.ai の共同設立者である Rachel Thomas 氏の記事 (http://www.fast.ai/2018/07/12/auto-ml-1/) から引用したものです。

確立された道はない

機械学習や AI の分野に参入するのに正しい方法も間違った方法もありません。

この分野の素晴らしい点は、世界最高のテクノロジーにアクセスでき、それをどのように使うかを学ぶだけでよいことです。

まず、Python を学び、微積分と統計を研究し、意思決定の哲学を学ぶ必要があります。

機械学習と AI はこれらの領域の交差点にあり、そこが私にとって興味深いところです。これについて学べば学ぶほど、学ぶべきことがたくさんあることに気づきます。これによって私はやる気を維持できます。

コードが機能しなかったり、概念が理解できなかったりすると、イライラしてしまうことがあります。こういう時は、問題を一時的に脇に置いて、休憩を取ったり、散歩に出かけたりします。改めてこの問題を振り返ってみると、視点が変わったようで、情熱が戻ってきました!

この分野では常に多くのことが起きているため、始めること自体が困難な場合があります。選択肢が多すぎると選択の余地がなくなります。無視してください。

興味のあるところから始めて、その道を進み続けましょう。もしそれが行き止まりに繋がったとしても、それは素晴らしいことです。あなたは自分が何に興味がないかを知ることになるでしょう。新しい方法を見つけましょう!

コンピュータは賢いですが、それでも自分で学習することはできません。彼らはあなたの助けを必要としています。

<<:  人工知能システム:無制限の核融合反応を現実のものに

>>:  JavaScript は機械学習にも使えます。オープンソースの JavaScript 機械学習フレームワーク 5 つを推奨します

ブログ    
ブログ    

推薦する

人工知能認識により、物流会社はダブルイレブンの注文に簡単に対応できます。

2018年のダブルイレブンは、「富豪」に対する私の認識を新たにしました。その前に、アリババの張勇は...

人工知能チュートリアル (V): Anaconda とさらなる確率理論

このシリーズの前回の記事では、まず TensorFlow の使い方を紹介しました。これは、人工知能お...

...

AIで意思決定を自動化するのは超簡単ですか?

人工知能とは何を意味するのでしょうか?人工知能はコンピュータサイエンスの範囲を指し、AI とは、設計...

iPhoneXの顔認識はどのようなデータセキュリティの考え方を誘発するのでしょうか?

[[204618]]今年のAppleカンファレンスでは、iPhone Xの「フロントバン」が観客の...

Nature 誌に「なぜディープラーニング システムは騙されやすいのか?」という記事が掲載されました。

数枚のステッカーで交通標識の認識結果が「変わる」ことがあり、方向を変えると写真に写っている動物の種類...

...

2019 年のディープラーニング自然言語処理のトップ 10 開発トレンド

この記事では、最近 FloydHub ブログで Cathal Horan が紹介した自然言語処理のト...

...

...

...

自然言語処理 (NLP) はコンピューター ビジョン (CV) よりも開発が遅く、より困難です。

[[248743]] 1. 先を行くNLP NLP 開発の歴史は非常に古く、コンピュータが発明され...

物流自動化への人工知能導入の大きな影響

自動化はテクノロジーを利用して、人間がより多くのタスクを完了できるようにします。物流の自動化をあらゆ...

小型モデルは大型モデルとどう比較できるのか?北京理工大学はMindの大型モデルであるMindLLMをリリースし、小型モデルの大きな可能性を示した。

大規模言語モデル (LLM) は、さまざまな自然言語タスクで優れたパフォーマンスを発揮しています。た...

プロの債権回収業者は失業するのでしょうか?人工知能はこうやって人々にお金を返済させる

他人に代わって借金を回収する「プロの債権回収業者」というと、恐ろしいイメージを抱く人も多いだろう。 ...