In der Autor Highlight -Serie chatten die TDS -Redakteure mit Mitgliedern unserer Group über ihren Karriereweg in Knowledge Science und KI, ihr Schreiben und ihre Inspirationsquellen. Heute sind wir begeistert, unser Gespräch mit zu teilen Claudia Ng.
Claudia ist ein AI -Unternehmer und Datenwissenschaftler mit mehr als 6 Jahren Erfahrung im Aufbau von maschinellen Lernmodellen in Fintech. Sie belegte den zweiten Platz und gewann im Jahr 2024 einen ML -Wettbewerb von 10.000 US -Greenback.
Sie haben kürzlich 10.000 US -Greenback bei einem maschinellen Lernwettbewerb gewonnen – Glückwunsch! Was struggle die größte Lektion, die Sie aus dieser Erfahrung genommen haben, und wie hat sie Ihre Herangehensweise an ML-Probleme in der realen Welt geprägt?
Meine größte Lektion bestand darin, dass Area -Experience mehr wichtig ist als die algorithmische Komplexität. Es struggle ein ML -Wettbewerb von Web3 Credit score Scoring, und obwohl ich noch nie mit Blockchain -Daten oder neuronalen Netzwerken für die Kreditbewertung gearbeitet hatte, gaben mir meine mehr als 6 Jahre in Fintech die Geschäftsintuition, dies als Commonplace -Kreditrisikoproblem zu behandeln. Diese Perspektive erwies sich als wertvoller als ein beliebiger Abschluss oder eine tiefe Lernspezialisierung.
Diese Erfahrung verlagerte grundlegend, wie ich ML -Probleme auf zwei Arten nähere:
Zuerst habe ich gelernt, dass Versand besser als perfekt ist. Ich verbrachte nur 10 Stunden mit dem Wettbewerb und reichte eher einen „MVP“ -Ansatz ein, anstatt ihn zu überbinden. Dies gilt direkt für die Industriearbeit: Ein anständiges Modell, das in der Produktion ausgeführt wird, bietet mehr Wert als ein hoch optimiertes Modell, das in einem Jupyter -Notizbuch sitzt.
Zweitens stellte ich fest, dass die meisten Hindernisse psychological und nicht technisch sind. Ich habe quick nicht teilgenommen, weil ich Web3 nicht kannte oder mich wie eine „Wettbewerbsperson“ fühlte, aber im Nachhinein überlegte ich es. Während ich immer noch daran arbeite, diese Lektion allgemeiner anzuwenden, hat sie meine Möglichkeiten verändert. Ich konzentriere mich nun darauf, ob ich das Kernproblem verstehe und ob es mich begeistert, und vertraue darauf, dass ich es im Laufe des Gehens herausfinden kann.
Ihr Karriereweg umfasst Unternehmen, öffentliche Ordnung, maschinelles Lernen und jetzt AI -Berater. Was motivierte Ihre Verschiebung von Unternehmenstechnologie zum AI Freelance WorldUnd was erregt Sie am meisten über dieses neue Kapitel? Mit welchen Herausforderungen oder Kunden freuen Sie sich am meisten?
Die Verschiebung zu unabhängigen Arbeiten wurde durch das Aufbau von etwas angetrieben, das ich wirklich besitzen und wachsen konnte. In Unternehmensrollen erstellen Sie wertvolle Systeme, die Ihre Amtszeit überleben, aber Sie können sie nicht mitnehmen oder einen weiteren Kredit für ihren Erfolg erhalten. Wenn ich diesen Wettbewerb gewann, hatte ich die Fähigkeiten, meine eigenen Lösungen zu schaffen, anstatt nur zur Imaginative and prescient eines anderen beizutragen. Ich habe wertvolle Fähigkeiten in Unternehmensrollen erlernt, aber ich freue mich, sie auf Herausforderungen anzuwenden, die mir sehr wichtig sind.
Ich verfolge dies über zwei Hauptpfade: Beratungsprojekte, die meine Experience für Datenwissenschaft und maschinelles Lernen nutzen und ein Produkt -Lernprodukt von KI aufbauen. Die Beratungsarbeit bietet sofortige Einnahmen und hält mich mit echten Geschäftsproblemen in Verbindung, während das Sprachprodukt meine langfristige Imaginative and prescient darstellt. Ich lerne, öffentlich aufzubauen und meine Reise durch meine zu teilen Publication.
Als Polyglot, der neun Sprachen spricht, habe ich tief über die Herausforderungen nachgedacht, die Gesprächsfluenz zu erreichen, und nicht nur das Wissen des Lehrbuchs beim Erlernen einer Fremdsprache. Ich entwickle einen KI-Sprachlernpartner, der Menschen hilft, reale Szenarien und kulturelle Kontexte zu üben.
Was mich am meisten begeistert, ist die technische Herausforderung, KI -Lösungen aufzubauen, die den kulturellen Kontext und die Konversationsnuance berücksichtigen. Auf der Beratungsseite bin ich energetisiert, indem ich mit Unternehmen zusammenarbeite, die echte Probleme lösen möchten, anstatt nur KI umzusetzen, um KI zu haben. Egal, ob es sich um Risikomodelle oder das Abrufen von Informationen handelt, ich liebe Projekte, bei denen sich Area -Experten und praktische KI überschneiden.
Viele Unternehmen sind bestrebt, etwas mit KI zu tun, wissen aber nicht immer, wo sie anfangen sollen. Was ist Ihr typischer Prozess, um einem neuen Kunden zu helfen und seine erste AI -Initiative zu priorisieren?
Ich verfolge einen Downside mit dem ersten Ansatz, anstatt mit KI-Lösungen zu führen. Zu viele Unternehmen wollen „etwas mit KI tun“, ohne festzustellen, welches spezifische Geschäftsproblem sie lösen möchten, was normalerweise zu beeindruckenden Demos führt, die die Nadel nicht bewegen.
Mein typischer Prozess folgt drei Schritten:
Erstens konzentriere ich mich auf die Problemdiagnose. Wir identifizieren spezifische Schmerzpunkte mit messbaren Auswirkungen. Zum Beispiel habe ich kürzlich mit einem Kunden im Restaurantbereich zusammengearbeitet, um das Umsatzwachstum zu verlangsamen. Anstatt zu einer „KI-betriebenen Lösung“ zu springen, haben wir die Datenüberprüfungsdaten untersucht, um Muster zu identifizieren. Beispielsweise, welche Menüelemente Beschwerden vorgenommen haben, welche Serviceelemente positives Suggestions generierten und welche operativen Probleme am häufigsten erschienen. Diese datengesteuerte Diagnose führte eher zu spezifischen Empfehlungen als zu generischen KI-Implementierungen.
Zweitens definieren wir den Erfolg im Voraus. Ich bestehe auf quantifizierbaren Metriken wie Zeiteinsparungen, Qualitätsverbesserungen oder Umsatzsteigerungen. Wenn wir es nicht messen können, können wir nicht beweisen, dass es funktioniert hat. Dies verhindert das Kriechen des Umfangs und stellt sicher, dass wir echte Probleme lösen und nicht nur coole Technologien aufbauen.
Drittens durchlaufen wir lebensfähige Lösungen und richten uns auf das Beste aus. Manchmal ist das ein Visualisierungs -Dashboard, manchmal ist es ein Lappensystem, manchmal fügt es Vorhersagefunktionen hinzu. KI ist nicht immer die Antwort, aber wenn es so ist, wissen wir genau, warum wir es verwenden und wie der Erfolg aussieht.
Dieser Ansatz hat optimistic Ergebnisse erzielt. Kunden sehen in der Regel eine verbesserte Entscheidungsgeschwindigkeit und klarere Datenerkenntnisse. Während ich meine unabhängige Praxis aufbaue, struggle es wichtig, mich auf echte Probleme und nicht auf AI -Schlagworte zu konzentrieren, um die Kundenzufriedenheit und die Wiederholung von Engagements zu wiederholen.
Sie haben aufstrebende Datenwissenschaftler betreut – was ist eine gemeinsame Gefahr, die Sie unter Menschen sehen, die versuchen, in das Feld einzudringen, und wie raten Sie ihnen, dies zu vermeiden?
Die größte Gefahr, die ich sehe, ist es, alles zu lernen, anstatt sich auf eine Rolle zu konzentrieren. Viele Menschen, einschließlich mir früh, haben das Gefühl, jeden KI -Kurs belegen und jedes Konzept beherrschen, bevor sie „qualifiziert“ sind.
Die Realität ist, dass Knowledge Science sehr unterschiedliche Rollen umfasst: von Produktdatenwissenschaftlern, die A/B -Checks durch ML -Ingenieure durchführen, die Modelle in der Produktion einsetzen. Sie müssen kein Experte bei allem sein.
Mein Rat: Wählen Sie zuerst Ihre Spur aus. Finden Sie heraus, welche Rolle Sie am meisten erregt, und konzentrieren Sie sich dann darauf, diese Kernfähigkeiten zu schärfen. Ich habe persönlich vom Analyst zum ML -Ingenieur übergegangen, indem ich maschinelles Lernen intensiv studierte und echte Projekte übernommen habe (Sie können meine Übergangsgeschichte lesen Hier). Ich nutzte mein Area -Experience im Kredit- und Betrugsrisiko und beantragte dies auf Berechnungen für technische und geschäftliche Auswirkungen.
Der Schlüssel liegt darin, diese Fähigkeiten auf echte Probleme anzuwenden und nicht in der Tutorial -Hölle festzuhalten. Ich sehe dieses Muster ständig durch meinen Publication und Mentoring. Menschen, die durchbrechen, sind diejenigen, die anfangen zu bauen, auch wenn sie sich nicht bereit fühlen.
Die Landschaft der KI -Rollen entwickelt sich weiter. Wie sollten Neuankömmlinge entscheiden, wo sie sich konzentrieren sollen – ML Engineering, Knowledge Analytics, LLMs oder etwas ganz anderes?
Beginnen Sie mit Ihren aktuellen Fähigkeiten und dem, was Sie interessiert, nicht das, was am prestigeträchtigsten klingt. Ich habe über verschiedene Rollen gearbeitet (Analyst, Datenwissenschaftler, ML -Ingenieur) und haben jeweils wertvolle, übertragbare Fähigkeiten mitgebracht.
So würde ich mich der Entscheidung nähern:
Wenn Sie aus einem geschäftlichen Hintergrund kommen: Produktdatenwissenschaftlerrollen sind häufig der einfachste Einstiegspunkt. Konzentrieren Sie sich auf SQL-, A/B -Take a look at- und Datenvisualisierungsfähigkeiten. Diese Rollen schätzen die Geschäftsintuition häufig über tiefe technische Fähigkeiten.
Wenn Sie Programmiererfahrung haben: Betrachten Sie ML Engineering oder AI Engineering. Die Nachfrage ist hoch und Sie können auf vorhandenen Fähigkeiten zur Softwareentwicklung aufbauen.
Wenn Sie von der Infrastruktur angezogen werden: Mlops Engineering ist sehr gefragt, insbesondere da mehr Unternehmen ML- und KI -Modelle im Maßstab einsetzen.
Die Landschaft entwickelt sich weiterentwickelt, aber wie oben erwähnt, ist Area -Experience häufig wichtiger als dem neuesten Pattern. Ich habe diesen ML -Wettbewerb gewonnen, weil ich das Credit score -Risiko -Grundlagen verstanden habe, nicht weil ich die schicksten Algorithmen kannte.
Konzentrieren Sie sich auf die Lösung realer Probleme in Domänen, die Sie verstehen, und lassen Sie die technischen Fähigkeiten folgen. Um mehr über verschiedene Rollen zu erfahren, habe ich über die 5 Arten von Knowledge Science -Karrierewege geschrieben Hier.
Was ist ein KI- oder Knowledge -Science -Thema, über das mehr Menschen schreiben sollten, oder über einen Pattern, den Sie gerade genau beobachten?
Ich bin von der Geschwindigkeit und Qualität der TTS-Technologie (Textual content-to-Speech) überwältigt, um echte Konversationsmuster und -ton nachzuahmen. Ich denke, mehr Menschen sollten über die TTS -Technologie für gefährdete Sprachbewahrung schreiben.
Als Polyglot, der sich für interkulturelles Verständnis begeistern, bin ich fasziniert davon, wie KI dazu beitragen kann, dass Sprachen vollständig verschwinden. Die meisten TTS -Entwicklung konzentriert sich auf wichtige Sprachen mit massiven Datensätzen, es gibt jedoch weltweit über 7.000 Sprachen, und viele sind aus dem Aussterben bedroht.
Was mich erregt, ist das Potenzial für KI, die Sprachsynthese für Sprachen zu erstellen, bei denen nur noch wenige hundert Sprecher übrig sind. Dies ist Technologie, die die Menschheit und die kulturelle Erhaltung von seiner besten Seite dienen! Wenn eine Sprache stirbt, verlieren wir einzigartige Denkweise über die Welt, spezifische Wissenssysteme und das kulturelle Gedächtnis, die nicht übersetzt werden können.
Der Pattern, den ich genau beobachte, ist, wie Transferlernen und Sprachklonen dies technisch machbar machen. Wir erreichen einen Punkt, an dem Sie möglicherweise nur Stunden anstelle von Tausenden von Stunden Audio -Daten benötigen, um hochwertige TTs für neue Sprachen zu erstellen, insbesondere mit vorhandenen mehrsprachigen Modellen. Während diese Technologie gültige Bedenken hinsichtlich des Missbrauchs hervorruft, zeigen Anwendungen wie Spracherhaltung, wie wir diese Funktionen verantwortungsbewusst für kulturelles Intestine nutzen können.
Während ich mein Sprachlernprodukt weiterentwickle und meine Beratungspraxis aufbaue, werde ich ständig daran erinnert, dass die interessantesten KI -Anwendungen häufig aus der Kombination von technischen Funktionen mit tiefem Domänenverständnis herrühren. Egal, ob es sich um maschinelle Lernmodelle oder kulturelle Kommunikationsinstrumente handelt, die Magie findet an der Kreuzung statt.
Mehr darüber erfahren Claudias Arbeit und bleiben Sie mit ihren neuesten Artikeln auf dem Laufenden, Sie können ihr folgen TdsAnwesend Substanzoder LinkedIn.