Eine wachsende Zahl britischer Arbeitnehmer bevorzugen kleine Unternehmen oder Begin-ups gegenüber multinationalen Konzernen, da das Vertrauen in große Arbeitgeber verloren geht. Nach neuen Daten von CareermindsUKZwei Drittel oder 67 % der britischen Arbeitnehmer äußerten eine Präferenz für kleinere Unternehmen.

Diese Verschiebung steht im Zusammenhang mit hochkarätigen Entlassungen in Sektoren wie dem Technologiesektor, wo laut „layoffs.fyi“ in diesem Jahr über 116.000 Arbeitnehmer ihren Arbeitsplatz verloren haben. Große Unternehmen wie Oracle, Intel, Amazon, Tesla, Google, Meta, Dell und Microsoft haben erheblich zu dieser Zahl beigetragen und Zehntausende entlassen.

Die Wahrnehmung, dass Großkonzerne die sichersten Arbeitsplätze bieten, hat sich abgeschwächt, da nur noch jeder Dritte (33 %) der Arbeitnehmer glaubt, dass sie sichere Arbeitsplätze und beruflichen Aufstieg bieten. Umgekehrt halten nur 20 % der Arbeitnehmer kleinere Unternehmen im heutigen Wirtschaftsklima für sicherer, was auf einen Development hindeutet, dass Arbeitnehmer von größeren Unternehmen verdrängt werden, anstatt sich von Natur aus zu kleineren Unternehmen hingezogen zu fühlen.

Quick die Hälfte (47 %) der Arbeitnehmer nannten den Wunsch, ihren Arbeitgeber zu unterstützen, als zwingenden Grund für den Einstieg in ein kleineres Unternehmen oder Startup. Der Bericht hebt hervor, dass die Bedeutung menschlicher Beziehungen und gemeinsamer Unternehmenswerte einen zunehmenden Einfluss auf Arbeitssuchende hat.

Karriereexpertin Amanda Augustine bemerkte: „Kleinere, weniger bekannte Arbeitgeber haben jetzt die einmalige Gelegenheit, Prime-Talente anzuziehen, die vielleicht noch nie zuvor daran gedacht hätten, für sie zu arbeiten.“ Dieser Wandel stellt für kleine und mittelständische Unternehmen eine große Likelihood auf dem aktuellen Arbeitsmarkt dar.

---

Hervorgehobener Bildnachweis

Sich mit maschinellem Lernen zu beschäftigen, dann ausgefallene Projekte durchzuführen und grundlegende Tutorials zu befolgen, ist wie der Versuch, ein Formel-1-Rennen in einem Go-Kart zu gewinnen.

Du wirst dich bewegen, aber du wirst nicht konkurrieren und schon gar nicht gewinnen.

Ich habe Hunderte von ML-Portfolios überprüft und Dutzende Kandidaten für echte Information Science- und ML-Rollen interviewt, und ich kann Ihnen Folgendes sagen: Die Leute, die eingestellt werden, bauen Projekte auf, die über Tutorials hinausgehen.

In diesem Artikel werde ich die genauen Arten von Projekten und Frameworks aufschlüsseln, die tatsächlich zu Vorstellungsgesprächen und Stellenangeboten führen.

Sie sind nicht einfach.

Aber genau deshalb funktionieren sie.

Reimplementieren Sie eine Forschungsarbeit

Denken Sie darüber nach.

Eine Forschungsarbeit zum maschinellen Lernen ist der Höhepunkt der mehrmonatigen Arbeit einiger der führenden Praktiker auf diesem Gebiet, zusammengefasst in wenigen Textseiten.

Der Wissensschatz dieser Arbeiten ist enorm.

Stellen Sie sich additionally vor, wie viel Sie lernen würden, wenn Sie diese Papiere selbst aufschlüsseln, analysieren und erneut umsetzen würden.

Es ist so, als würde man versuchen, ein Formel-1-Auto anhand von Bauplänen nachzubauen – man hat vielleicht nicht die gleichen Werkzeuge wie die ursprünglichen Ingenieure, aber wenn man jede Schraube und Mutter versteht, lernt man, wie die ganze Maschine funktioniert. Und wenn Sie endlich Ihre eigene Model zum Laufen bringen, werden Sie Rennen auf einem Niveau verstehen, das die meisten Menschen nie erreichen.

Durch die erneute Umsetzung einer Arbeit erlernen Sie viele Fähigkeiten:

• In der Lage sein, komplexe mathematische Zusammenhänge mit modernsten Modellen zu verstehen.
• In der Lage sein, anspruchsvolle Modelle mithilfe von Code von Grund auf oder mit einfachen Bibliotheken zu implementieren.
• In der Lage sein, kreativ zu denken und das eigene Wissen auf neue Ideen anzuwenden.

Und das Wesentliche daran ist, dass die Mehrheit, und ich meine quick 99 %, der Kandidaten dies nicht tun, sodass Sie sofort aus der Masse hervorstechen.

Allerdings ist es nicht einfach, und das kann ich Ihnen aus eigener Erfahrung sagen. Aber einfach wird man heutzutage nicht mehr eingestellt.

Wie Sie nun bei der Umsetzung des Papiers vorgehen, könnte einen ganzen Beitrag für sich umfassen, aber lassen Sie mich Ihnen die wichtigsten Schritte erläutern:

1. Lesen Sie die Zeitung. Lesen Sie es dann noch einmal und immer wieder, bis Sie vollständig verstanden haben, was die Arbeit lösen wollte, welchen Algorithmus verwendet wurde, welche Daten verwendet wurden und warum die Ergebnisse signifikant waren und ob sie schockierend oder erwartet waren. Abhängig von Ihrer Erfahrung kann dies eine Weile dauern.
2. Wenn Sie bestimmte Konzepte nicht verstehen, lernen Sie sie. Dies ist keine Zeitverschwendung, da Sie Ihre Wissenslücken aktiv schließen.
3. Skizzieren/kodieren Sie die Excessive-Stage-Architektur, wie die Ein- und Ausgänge, das grobe Design des Gesamtsystems und die Struktur des ML-Modells.
4. Beginnen Sie mit der Implementierung des einfachsten Teils und bringen Sie ihn zum Laufen.
5. Erstellen Sie einen grob funktionierenden Prototyp.
6. Optimieren Sie und versuchen Sie, die Ergebnisse zu reproduzieren.

Einige Papiere, die ich zur Implementierung empfehle:

Diese sind hauptsächlich im Deep-Studying-Bereich angesiedelt, aber Sie können auch Artikel finden, die für das Fachgebiet related sind, das Sie studieren möchten.

Einige nützliche Web sites zum Auffinden von Artikeln:

Lösen Sie Ihr eigenes Downside

„Welche Projekte soll ich bauen“?

Das ist die zweithäufigste Frage, die mir gestellt wird. Die erste ist, wie ich so gutaussehend geworden bin!

Die Sache ist die, dass die meisten Leute nicht verstehen, dass die Frage die falsche ist (die Projektfrage, nicht die schöne Frage).

Wenn ich Ihnen ein genaues Projekt nennen würde, gäbe es im Interview keine Geschichte dahinter.

Was wirst du sagen?

„Oh, irgendein Typ aus dem Web sagte, ich solle es bauen.“

Nicht gerade ein tolles Szenario.

Ein herausragendes Projekt ist für Sie zutiefst persönlich und Sie sind motiviert, es zu lösen. Das ist viel besser und interessanter und wird sich im Vorstellungsgespräch zeigen.

Beispielprojekt

Lassen Sie mich Ihnen ein Beispiel für ein großartiges Projekt geben.

Ich habe diese Geschichte in einem früheren Beitrag erwähnt, aber ich werde sie wiederholen, um wirklich hervorzuheben, welche Artwork von Projekten Sie erstellen sollten.

In meinem vorherigen Unternehmen haben wir einen Junior-Datenwissenschaftler eingestellt Operationsforschung Probleme.

Der Kandidat, den wir schließlich eingestellt haben, hatte ein herausragendes Projekt, das für die Stelle direkt related conflict und ein Downside darstellte, an dessen Lösung er interessiert conflict.

Sie interessierten sich für Fantasy Soccer (NFL) und entwickelten einen eigenen Optimierungsalgorithmus, um ihre Spielerauswahl jede Woche besser zuzuordnen.

Sie gingen sogar noch weiter, lasen Fachzeitschriften über die Lösungen anderer und setzten einige der Ideen um. Siehe den Hyperlink mit Forschungsarbeiten!

Mein Rahmen

Hier ist ein einfacher Rahmen, dem Sie folgen können, um ein ähnliches Projekt wie das gerade erwähnte zu entwickeln.

1. Pay attention Sie mindestens fünf Dinge auf, die Sie außerhalb der Arbeit interessieren.
2. Schreiben Sie zu jedem Thema fünf Fragen auf, die Sie gerne beantworten oder lösen möchten. Insgesamt haben Sie additionally 25 mögliche Fragen.
3. Denken Sie nun darüber nach, wie maschinelles Lernen bei der Beantwortung dieser Fragen helfen könnte. Machen Sie sich keine Sorgen, wenn die Frage völlig unmöglich erscheint. Seien Sie kreativ. Versuchen Sie jedoch natürlich nicht, Roboterhunde oder ähnliches zu erschaffen!
4. Wählen Sie abschließend eine Frage aus, die Sie am meisten begeistert. Wählen Sie im Idealfall etwas, das sich für Sie nur geringfügig außerhalb Ihrer Reichweite befindet. Auf diese Weise werden Sie wirklich lernen und Ihre Komfortzone verlassen.

Diese Übung dauert 10 Minuten, Sie haben additionally keine Ausrede, sie nicht zu machen, und Sie erhalten eine Projektidee, die Ihnen dabei helfen wird, einen Job zu finden.

Komplexität und Umfang aufbauen

Allerdings wird die Idee allein nicht unbedingt ausreichen. Dafür benötigt das Projekt eine gewisse Komplexität und Größe.

Dies kann auf unterschiedliche Weise dargestellt und ausgedrückt werden.

• Sie können das Projekt durchgängig mithilfe von Produktionscode, Cloud-Systemen wie AWS und der Containerisierung des Algorithmus bereitstellen Docker Und Kubernetes.
• Sie können einen wirklich komplexen, hochmodernen Algorithmus oder ein Framework verwenden. Das Lesen von Forschungsarbeiten eignet sich hervorragend dafür!
• Sie können es so gestalten, dass Benutzer wie bei einer On-line-Anwendung mit dem Projekt interagieren können.
• Sie können damit eine Vielzahl von Problemen lösen, beispielsweise eine Reihe von Modellen.

Es gibt viele Möglichkeiten und man ist leicht überfordert.

Beginnen Sie und lernen Sie nach und nach. Das ist alles, was Sie tun müssen.

Andere Ideen

Wenn Sie aus irgendeinem Grund keine Lust auf die beiden oben genannten haben, obwohl Sie dadurch tatsächlich eingestellt werden, finden Sie hier eine Liste weiterer Projektideen.

• Bitten Sie AI um ein Projekt; Geben Sie ihm natürlich einen passenden Hinweis.
• Nehmen Sie an einem Kaggle-Wettbewerb teil, aber Sie müssen sich intestine platzieren, damit er heraussticht.
• Verwenden Sie ein KI-/Grundlagenmodell, um ein persönliches Downside zu lösen.
• Programmieren Sie Algorithmen für maschinelles Lernen von Grund auf mit einfachem Numpy oder, noch besser, nur mit nativem Python.

Wenn Sie möchten, dass ich Sie weiter unter die Lupe nehme, finden Sie hier eine Liste detaillierterer Projekte, die Sie ausprobieren können:

• Verstärkungslernen für Pac-Man oder jedes andere Spiel.
• Erstellen eines Sprachmodells von Grund auf.
• Pc-Imaginative and prescient-Modell zur Klassifizierung von Bildern von buchstäblich allem.
• Stimmungsanalyse auf einer Social-Media-Plattform zu einem bestimmten Thema.
• Empfehlungssystem für eine App, die Ihnen gefällt.
• Feinabstimmung eines LLM für einen bestimmten Anwendungsfall.

Auch hier präsentiere ich Ideen auf hohem Niveau, denn diese müssen für Sie persönlich sein, damit sie wirklich hervorstechen.

---

Nachdem Sie diese Projekte erstellt haben, können Sie mit der Bewerbung beginnen!

Aber um tatsächlich Vorstellungsgespräche zu bekommen, benötigen Sie einen grundsoliden Lebenslauf.

Was macht additionally den Unterschied zwischen einem Lebenslauf, der ignoriert wird, und einem, der auffällt?

Finden Sie es in meinem vorherigen Beitrag unten heraus.

Noch etwas!

Ich biete 1:1-Teaching-Gespräche an, bei denen wir uns über alles unterhalten können, was Sie brauchen – ob es sich um Projekte, Karriereberatung oder einfach nur darum, Ihren nächsten Schritt herauszufinden. Ich bin hier, um Ihnen zu helfen, voranzukommen!

https://topmate.io/egorhowell

Verbinde dich mit mir

Slingshots Bericht zu digitalen Arbeitstrends 2024 zeigt, dass Mitarbeiter das volle Potenzial der KI am Arbeitsplatz noch nicht ausgeschöpft haben

Schleuderdie Arbeitsmanagement-Plattform des Softwareunternehmens Infragistics, die Daten in den Mittelpunkt aller Arbeiten von Groups stellt, hat Teil 1 ihrer zweiteiligen Bericht zu digitalen Arbeitstrends 2024. Der zweite Jahresbericht offenbart eine Diskrepanz zwischen den Erwartungen der Führungskräfte an KI am Arbeitsplatz und der Artwork und Weise, wie Mitarbeiter KI in ihrer täglichen Arbeit nutzen. Während Arbeitgeber KI implementiert haben, um Mitarbeiter bei der anfänglichen Recherche für Aufgaben und Projekte zu unterstützen (62 %), helfen Sie den Mitarbeitern bei der Verwaltung ihres Arbeitsablaufs (58 %) und Daten analysieren (55 %), quick zwei Drittel der Arbeitnehmer (63 %) nutzen stattdessen vor allem KI, um ihre Arbeit zu überprüfen.

„Der Arbeitsplatz unterliegt weiterhin einem rasanten Wandel, da immer mehr Arbeitgeber KI-Instruments in ihren Unternehmen implementieren, um die Effizienz zu steigern und die Produktivität zu erhöhen. Obwohl Arbeitgeber konkrete Absichten für KI am Arbeitsplatz haben, ist es klar, dass sie nicht auf die aktuelle Nutzung von KI durch die Mitarbeiter abgestimmt sind. Viel davon hängt von der Ausbildung und Schulung der Mitarbeiter im Umgang mit KI-Instruments ab“, sagte Dean Guida, Gründer von Slingshot.

Der neue Bericht, der auf einer Studie des Marktforschungsunternehmens Dynata im Auftrag von Slingshot basiert, zeigt, dass nur 23 % der Mitarbeiter fühlen sich umfassend über KI informiert und geschult. Und während 72 % der Arbeitgeber geben an, dass ihre Mitarbeiter zumindest angemessen im Bereich KI geschult sind, nur 53 % der Mitarbeiter glauben, dass dies der Fall ist. Auch bei der KI-Schulung gibt es einen erheblichen Unterschied zwischen den Geschlechtern: Zwei Drittel (66 %) der Männer fühlen sich ausreichend im Bereich KI geschult, während nur 44 % der Frauen sagen dasselbe.

Weitere Ergebnisse des Berichts:

• Arbeitgeber glauben, dass KI die Produktivität stärker steigert, als dies bei den Mitarbeitern der Fall ist: Während mehr als die Hälfte (60 %) der Arbeitgeber glauben, dass KI die Produktivität der Mitarbeiter deutlich steigert, nur 44 % der Mitarbeiter geben an, dass sie mit KI eine deutliche Steigerung ihrer Produktivität feststellen. Zehn Prozent (10 %) der Mitarbeiter geben an, dass KI ihre Produktivität überhaupt nicht steigert.
• Eine Mehrheit der Arbeitnehmer gewinnt durch KI mindestens ein bis zwei Stunden Arbeitszeit zurück. Neunundsiebzig Prozent (79 %) der Mitarbeiter sagen, dass sie durch KI mindestens 1-2 Stunden professional Tag sparen, mit 37 % der Mitarbeiter sparen 3-4 Stunden durch den Einsatz von KI-Instruments. Mit der zusätzlichen Zeit in ihrem Arbeitstag, 63 % der Mitarbeiter reduzieren ihre Arbeitsüberlastung, um Aufgaben rechtzeitig zu erledigen, und 54 % nutzen die eingesparte Zeit, um ihre Arbeitsbelastung neu zu priorisieren und effizienter zu bewältigen.
• Viele Arbeitgeber sagen, dass die Daten ihres Unternehmens nicht bereit sind, KI zu unterstützen. Quick die Hälfte (45 %) der Arbeitgeber geben an, dass sie KI noch nicht implementiert haben, weil die Daten ihres Unternehmens – oder Informationen, die Leistung, Prozesse, Mitarbeiter und Rentabilität verfolgen – noch nicht bereit sind. Für viele Unternehmen bedeutet dies, dass ihre Daten über Abteilungen, Plattformen und Kanäle hinweg isoliert sind und KI ohne zentralisierte Daten nicht funktionieren kann. Daten sind auch für Mitarbeiter von größter Bedeutung: 32 % der Mitarbeiter sagen, ihr Unternehmen wäre bereit, KI zu unterstützen, wenn es mehr Schulungen zum Thema Daten und KI anbieten würde.

„KI hat das Potenzial, die Arbeitsweise von Groups zu verändern, indem sie es ihnen ermöglicht, hochgradig repetitive, banale Aufgaben gegen anspruchsvollere, strategische Projekte einzutauschen. Aber die einzige Möglichkeit, das volle Potenzial von KI am Arbeitsplatz auszuschöpfen, besteht darin, Mitarbeiter und den gesamten Betrieb des Unternehmens richtig vorzubereiten. Arbeitgeber und Mitarbeiter sind sicherlich auf dem Weg dorthin, aber es bleibt noch viel zu tun, angefangen bei der Zentralisierung von Daten, der Verbesserung der Aufklärung über KI und der Umschulung und Weiterbildung von Mitarbeitern durch kontinuierliche Schulung“, so Guida weiter.

Der Digital Work Traits Report 2024 von Slingshot basiert auf den Antworten von 253 erwachsenen Befragten aus vier Altersgruppen und allen 50 Bundesstaaten. Teil 1 des Berichts kann eingesehen werden HIER.

Melden Sie sich für die kostenlosen insideAI Information an Publication.

Folgen Sie uns auf Twitter: https://twitter.com/InsideBigData1

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insideainews/

Folgen Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Bild vom Autor | Canva

Wenn Sie den Arbeitsmarkt absuchen, sind Sie wahrscheinlich auf einige Stellenangebote gestoßen, für die ein Bachelor-Abschluss erforderlich ist. Diese zusätzliche Anforderung eines Abschlusses hat 64 % der Erwachsenen im arbeitsfähigen Alter ausgeschlossen, da sie keinen Abschluss besitzen, so Harvard Enterprise Faculty.

1. Google Cybersecurity-Zertifikat – Begeben Sie sich auf die Überholspur zu einer Karriere in der Cybersicherheit.

2. Natürliche Sprachverarbeitung in TensorFlow – Erstellen Sie NLP-Systeme

3. Python für alle – Entwickeln Sie Programme zum Sammeln, Bereinigen, Analysieren und Visualisieren von Daten

4. Google IT Help Skilled-Zertifikat

5. AWS Cloud-Lösungsarchitekt – Berufszertifikat

Natürlich bevorzugen Organisationen und Arbeitgeber Bachelor-Abschlüsse, da eine intestine ausgebildete Belegschaft tendenziell eine höhere Produktivität aufweist, wie aus der Institut für WirtschaftspolitikFür viele Unternehmen ist es ebenfalls ein einfacher Weg, den Bewerberpool durch die Anforderung eines Bachelor-Abschlusses einzugrenzen.

Die Dinge liegen jedoch anders. Mit dem Wachstum datengesteuerter Lösungen und neuen Möglichkeiten, die KI mit sich bringt, können Unternehmen nicht mehr die überqualifizierten Mitarbeiter finden, die sie einst wollten, sondern suchen nicht mehr nach Mitarbeitern, die bereit sind, sich weiterzubilden, und dies ist von entscheidender Bedeutung.

Wie alle anderen habe ich mich von diesen Stellenangeboten ferngehalten, weil ich keinen Abschluss hatte. Als ich mich für eine Karriere in der Datenwissenschaft entschied, hatte ich weder die Zeit noch die finanziellen Mittel für ein dreijähriges Studium. Meine Zeit conflict kostbar, da ich Geld verdienen musste, deshalb entschied ich mich für ein Bootcamp in Datenwissenschaft. Dieses Bootcamp würde 9 Monate dauern und ich müsste nur einen Prozentsatz zurückzahlen, sobald ich einen bestimmten Betrag überstieg.

Verstehen Sie Ihre Karriereziele

Wenn ich zurückgehen könnte und mich zwischen einem Zertifikat und einem Abschluss entscheiden müsste, würde ich sagen, dass keiner von beiden der falsche Weg ist. Sie müssen jedoch weiter in die Zukunft blicken. Ist dies ein kurzfristiges Ziel für Ihre Karriere oder möchten Sie Ihr langfristiges Karriereziel weiter ausbauen?

Harvard Enterprise Faculty In einem aktuellen Bericht wurde Folgendes zusammengefasst: „Arbeitsplätze erfordern keinen vierjährigen Abschluss, Arbeitgeber schon.“ Dennoch haben sich viele Arbeitgeber dazu entschieden, die Bachelor-Anforderung fallen zu lassen, um den aktuellen Anforderungen des Marktes gerecht zu werden.

Sie können ein Berufszertifikat erwerben, um Ihr kurzfristiges Ziel zu erreichen, in die Branche einzusteigen und ganz unten anzufangen. Wenn Sie jedoch irgendwann in Ihrer Karriere vorankommen und in andere Positionen wechseln möchten, was brauchen Sie dafür? Zu verstehen, was Sie jetzt und was Sie später wollen, ist der Schlüssel, um die richtige Wahl zu treffen.

Wie finden Sie das heraus? Durch Recherche.

Wenn Sie eine Vorstellung von Ihren kurzfristigen, mittelfristigen und langfristigen Zielen haben, sollten Sie sich damit befassen und ein wenig recherchieren. Sie möchten beispielsweise vielleicht als Junior-Datenwissenschaftler beginnen und sich dann schließlich zum leitenden Datenwissenschaftler hocharbeiten. Aber Ihre Ziele enden vielleicht nicht hier, Sie möchten vielleicht noch etwas weiter gehen und als Ihr Endziel die Place eines Chief Expertise Officer (CTO) festlegen.

Am besten recherchieren und überprüfen Sie Stellenausschreibungen für diese Positionen, vom Einstiegs- bis zum Senior-Degree. Informieren Sie sich über die Ausbildungsvoraussetzungen und die Berufserfahrung und suchen Sie auf Plattformen wie LinkedIn nach anderen Personen, deren Ausbildungsweg Sie überprüfen können.

Berufszertifizierung oder Abschluss?

Nachdem Sie Ihren Karriereweg und Ihre Ziele gründlich erforscht haben, müssen Sie sich die Frage stellen: „Möchte ich mein erstes Ziel sofort erreichen oder bin ich bereit, dafür ein paar Jahre in Kauf zu nehmen?“

Das Absolvieren von Berufszertifikaten dauert nicht lange und ist im Vergleich zu Abschlüssen viel günstiger. Sie konzentrieren sich auf die Entwicklung technischer Fähigkeiten statt auf Gentle Expertise, die Ihnen dabei helfen, im Berufsleben voranzukommen. Berufszertifikate können für Sie eine großartige Möglichkeit sein, Ihr Interesse in kurzer Zeit zu verfolgen und sicherzustellen, dass dies das ist, was Sie tun möchten. Sie können Ihre Fähigkeiten ohne großen Zeitverlust erweitern, wie dies bei einem Bachelor- oder Grasp-Abschluss der Fall wäre.

Bachelor- und Masterabschlüsse hingegen sind zeitaufwändiger und kosten Geld. Sie können sich jedoch lohnen. Sie entwickeln nicht nur technische Fähigkeiten, sondern auch Gentle Expertise wie kritisches Denken und Kreativität. Arduous- und Gentle Expertise gehen Hand in Hand, wenn Sie im Berufsleben erfolgreich sein wollen. Es ist auch bekannt, dass Abschlüsse Ihr Gehalt erhöhen und Sie im Vergleich zu Arbeitnehmern ohne Hochschulbildung einem geringeren Arbeitslosigkeitsrisiko ausgesetzt sind. Obwohl für Einstiegspositionen die Bachelor-Anforderungen immer geringer werden, benötigen Sie für den beruflichen Aufstieg möglicherweise einen.

Wo soll ich anfangen?

Sie müssen zu Ihren Zielen zurückkehren. Ihre Ziele helfen Ihnen zu verstehen, was Ihre nächsten Schritte sind. Wenn Sie etwas völlig Neues beginnen, beispielsweise vom Advertising and marketing zur Datenanalyse wechseln, beginnen Sie am besten mit kurzfristigen Programmen wie beruflichen Zertifizierungen.

Die meisten Menschen wechseln im Laufe ihres Erwachsenenlebens mehrmals den Beruf – das ist regular. Das Letzte, was Sie tun möchten, ist, sich nur deshalb für einen Beruf zu entscheiden, weil Sie drei oder vier Jahre an der Universität geopfert haben.

Das Schöne an der heutigen Zeit ist, dass Sie eine Vielzahl von Optionen haben, wenn Sie beide Wege einschlagen möchten. Die verschiedenen E-Studying-Plattformen ermöglichen es Ihnen, in Ihrem eigenen Tempo berufliche Zertifikate und Abschlüsse zu erwerben. Zeit ist kein entscheidender Faktor mehr, Sie müssen nur noch entscheiden, ob Sie den kurzfristigen oder den langfristigen Weg einschlagen möchten.

Hier sind einige verschiedene Karrierewege, die Sie auf beiden Wegen einschlagen können:

Datenwissenschaft

Berufszertifikate:

Hochschulabschlüsse:

Datentechnik

Berufszertifikate:

Hochschulabschlüsse:

Datenanalyst

Berufszertifikate:

Hochschulabschlüsse:

Einpacken

Wenn Sie sich die obige Liste der Berufszertifikate und -abschlüsse ansehen, können Sie einen wesentlichen Unterschied und eine Ähnlichkeit erkennen. Die meisten Berufszertifikate sind auf einen bestimmten Beruf abgestimmt, beispielsweise Knowledge Science oder Knowledge Engineering. Die Abschlüsse sind jedoch breiter gefächert und decken alle Arten von Jobs ab.

Wenn Sie sich jedoch nicht sicher sind, welchen Weg Sie konkret einschlagen möchten, ist ein Studium möglicherweise die bessere Choice, da Sie dies unterwegs herausfinden können.

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Neighborhood-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.

Bild vom Autor

Die meisten Menschen ohne technisches Wissen denken vielleicht, dass die Arbeit mit KI oder LLMs (Massive Language Fashions) eine Herausforderung darstellt und Experten und Ingenieuren vorbehalten ist. Was wäre jedoch, wenn ich Ihnen sagen würde, dass Sie lediglich Python-Kenntnisse benötigen, um eine breite Palette von LLM-Projekten zu erstellen, von Q&A-Systemen bis hin zu YouTube-Zusammenfassungen? Sie können sogar Ihre eigene GPT-4o-Anwendung mit mehreren Open-Supply-Modellen und -Komponenten erstellen.

In diesem Projekt werden wir interessante und leicht umsetzbare LLM-Projektideen erkunden, die Sie mit kostenlosen oder erschwinglichen Ressourcen umsetzen können. Darüber hinaus wird jede Projektidee von einem Beispielprojektlink begleitet, den Sie sich ansehen können, um besser zu verstehen, wie es funktioniert.

1. Feinabstimmung von Llama 3 und lokale Verwendung

Der Feinabstimmung von Llama 3 und lokale Verwendung ist ein richtiges Projekt mit mehreren Schritten und Dateien. Ziel ist es, das Modell anhand eines Datensatzes von Patienten-Arzt-Gesprächen mithilfe kostenloser Ressourcen von Kaggle zu optimieren. Sobald das Modell erfolgreich optimiert ist, kann es medizinische Fragen auf hochprofessionelle Weise beantworten.

Bild aus dem Projekt

Um das Modell offline auf Ihrem Laptop computer zu verwenden, können Sie die folgenden Schritte ausführen:

1. Führen Sie die Adopter-Ebene mit dem Basismodell zusammen.
2. Konvertieren Sie das Modell in das Llama.cpp-Format, bekannt als GGUF.
3. Reduzieren Sie die Größe des Modells mithilfe der Quantisierungsmethode.
4. Verwenden Sie das Modell schließlich mit der Home windows Jan-Anwendung auf Ihrem Laptop computer.

Es ist wichtig, dass medizinische Gespräche zwischen Arzt und Affected person vertraulich bleiben. Daher ist es notwendig, die Lösung lokal zu nutzen und die Privatsphäre zu wahren.

2. Q&A-Abrufsystem

Wenn Sie das Modell nicht optimieren möchten, können Sie mit Instruments wie LangChain, Chroma DB und Ollama trotzdem kontextsensitive KI-Anwendungen lokal erstellen. Diese Anwendung verwendet Ihren Datensatz als Kontext, bevor sie die Antwort generiert.

Zum Erstellen der RAG-Anwendung (Retrieval-augmented technology) können Sie die folgenden Schritte ausführen:

1. PDF-Dateien laden: Laden Sie zunächst alle PDF-Dateien aus dem angegebenen Ordner.
2. Textual content teilen: Teilen Sie den Textual content zur effizienteren Verarbeitung in kleinere Abschnitte auf.
3. In Einbettungen konvertieren: Wandeln Sie den Textual content in Einbettungen um und speichern Sie diese in der Vektordatenbank.
4. Abrufkette erstellen: Erstellen Sie mit LangChain eine Abrufkette.
5. Python-Anwendung entwickeln: Erstellen Sie eine entsprechende Python-Anwendung, um ein nahtloses Chat-Erlebnis zu gewährleisten.

Bild aus Projekt

LangChain vereinfacht den Prozess, indem es eine hochrangige API und einfach zu verwendende Befehle bereitstellt. Indem Sie dem Tutorial auf „So führen Sie Llama 3 lokal aus„können Sie eine kontextsensitive, intelligente LLM-Anwendung erstellen.

3. Bereitstellen einer LLM-Anwendung als API-Endpunkt mit FastAPI in Python

In diesem Projekt erstellen Sie mithilfe der OpenAI API und FastAPI eine API für die Übersetzung von Englisch nach Französisch. Das Projekt besteht aus zwei Hauptteilen: Verstehen, wie Sie mithilfe der OpenAI API sicherstellen, dass die generierte Ausgabe immer auf Französisch ist, und Erstellen einer REST-API mithilfe von FastAPI, um Textual content aufzunehmen und über einen einfachen CURL-Befehl eine Ausgabe zu generieren.

Wenn Sie mit FastAPI vertraut sind, können Sie in 30 Minuten eine noch bessere LLM-Anwendung erstellen, die als API-Endpunkt dienen kann.

Bild aus Projekt

Als Referenz folgen Sie der Anleitung „Bereitstellen einer LLM-Anwendung als API-Endpunkt mithilfe von FastAPI in Python“ und versuchen Sie, Ihr LLM bereitzustellen. Es kann auch ein Modell sein, das Sie lokal ausführen.

4. Urlaubsplanungsassistent

Einen Urlaub ohne Reisebüro zu planen, kann schwierig sein. Es gibt so viele bewegliche Teile und manchmal wissen die Leute nicht einmal, was sie tun sollen. Warum additionally nicht Ihre eigene Reiserouten-App erstellen, die Ihre Reiseroute auf einer Karte anzeigt und detaillierte Pläne und verschiedene Sehenswürdigkeiten bereitstellt?

In diesem Projekt erstellen Sie eine Webanwendung, die Benutzeranweisungen zu ihren Reiseplänen entgegennimmt und Reiseroutenvorschläge macht und diese auf einer Karte anzeigt.

Bild aus Projekt

Das Projekt erfordert, dass Sie einige Grundlagen über Gradio, Launching und die Google Maps API lernen, bevor Sie in das Projekt eintauchen. Sie können beginnen, indem Sie den „Erstellen eines intelligenten Reiseroutenvorschlags mit LangChain, Google Maps API und Gradio (Teil 1)„-Tutorial, aber wenn Sie den Urlaubsplanungsassistenten erstellen möchten, müssen Sie Ihrer Anwendung möglicherweise weitere Komponenten hinzufügen und sie robuster machen.

5. YouTube-Zusammenfassung

YouTube Summarizer ist ein anfängerfreundliches Projekt, das sich perfekt für Studenten und Neueinsteiger in APIs und natürlicher Sprachverarbeitung eignet. Das Projekt beinhaltet die Verwendung der YouTube-API zum Extrahieren von Transkripten aus Movies und der OpenAI-API zum Zusammenfassen dieser Transkripte. Da einige Movies lang sein können und das Kontextfenster von Modellen wie ChatGPT möglicherweise begrenzt ist, muss das Transkript für das Projekt in überschaubare Teile aufgeteilt werden. Jeder Teil wird einzeln zusammengefasst und die zusammengefassten Abschnitte werden dann kombiniert, um eine zusammenhängende Zusammenfassung des gesamten Movies zu erstellen.

Bild aus Projekt

Folgen Sie den Anweisungen unter „Erstellen Sie in nur 3 einfachen Schritten Ihre eigene YouTube-Videozusammenfassungs-App„-Tutorial und erleben Sie die Großartigkeit selbst.

Notiz: Das Projekt verwendet die alte API. Sie können jederzeit die OpenAI API-Dokumentation prüfen, um auf die neue Struktur zu aktualisieren.

6. Internet Scraping mit LLMs

Internet Scraping kann ein lukratives Geschäft sein, mit dem Einzelpersonen bis zu 200 Greenback professional Tag verdienen können, indem sie ein einfaches Skript ausführen. Es gilt als lukrativ, weil es schwierig sein kann, bestimmte Web site-Strukturen zu umgehen. In solchen Fällen kann die Erstellung eines LLM-gestützten Internet Scrapers mit Scrapy und Ollama helfen, das Internet-Parsing zu automatisieren oder zu verbessern.

Bild von books.toscrape.com

Folgen Sie der Anleitung „Internet Scraping mit LLMs,“ können Sie lernen, LLM auf jeder Webseite zu verwenden, um bestimmte Attribute wie Produktname und Preis zu extrahieren. Mit LLM ist keine manuelle Codierung mehr erforderlich, um diese Attribute aus der Webseite zu extrahieren. Sie müssen lediglich die Eingabeaufforderung immediate.e ändern.

7. Erstellen Sie GPT4o mit Open Fashions

Der Aufbau einer All-in-One-KI-Anwendung erfordert in der Regel Millionen von Greenback und jahrelange Forschung. Was wäre, wenn ich Ihnen sagen würde, dass Sie Ihr eigenes GPT-4o-Modell mithilfe eines Open-Supply-Modells kostenlos und in nur einem Tag erstellen können?

In diesem Projekt werden wir eine umfassende Open GPT-4o-Anwendung erstellen, die Audio-, Bild- und Textdaten verstehen kann. Sie wird eine Stay-Voice-Chat-Funktion und Video-Chat-Funktionen enthalten. Darüber hinaus können Sie damit Bilder und Movies generieren. Kurz gesagt, es wird Ihre AGI-Anwendung (Synthetic Normal Intelligence) sein.

Bitte beachten Sie, dass für das Projekt weder eine Anleitung noch ein Tutorial mitgeliefert wird. Sie müssen sich additionally alles aneignen, indem Sie den Quellcode verstehen: app.py · KingNish/OpenGPT-4o bei principal (huggingface.co)

Bild von OpenGPT 4o

Bevor Sie Ihre LLM-Anwendung erstellen, empfehle ich Ihnen dringend, OpenGPT 4o. Informieren Sie sich über die verschiedenen Funktionen und den verwendeten Modelltyp. Erfahren Sie, wie effizient und schnell es ist.

Abschließende Gedanken

Der Aufbau eines LLM-Portfolioprojekts kann Ihre Karriereaussichten erheblich verbessern. Wenn Sie Scholar auf Arbeitssuche sind, werden Ihnen diese 7 Projekte helfen, schneller als andere einen Job zu finden. Personalvermittler und Personalmanager sind besonders von Projekten beeindruckt, die die neuesten Technologien wie KI integrieren.

Setzen Sie zunächst ein Lesezeichen auf diese Seite und beginnen Sie mit der Erstellung einfacher Projekte. Wenn Sie zu komplexeren Projekten übergehen, achten Sie darauf, Ihre Arbeit konsequent auf LinkedIn zu präsentieren. Auf diese Weise werden Sie bald die Aufmerksamkeit von Personalvermittlern erregen.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu Technologien für maschinelles Lernen und Datenwissenschaft. Abid hat einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, mithilfe eines Graph-Neural-Networks ein KI-Produkt für Studenten zu entwickeln, die mit psychischen Erkrankungen zu kämpfen haben.