Promotion oder Wirtschaft? (im Bereich künstlicher Intelligenz) Melde Dich an, um diesen Inhalt zu abonnieren 8 8

[raining 7]

vor 34 Minuten, Jingang schrieb:

Genau. Deswegen sollen das andere machen. Sehe das gerade bei ner Freundin - wird immer mehr Richtung Programmierung/DevOps gedrängt und ihr Feld wäre eigentlich DataScience/Mathe/Probleme simplifizieren. It's an uphill battle, wozu?

Ich vermute, dass es schwer ist „DataScience/Mathe/Probleme simplifizieren“ und Implementierung zu entflechten. Und sobald man programmiert, werden SWE Fähigkeiten relevant. Ein ML-Interview Buch formuliert das folgendermaßen:

„In fact, several hiring managers have told me that they’d rather hire people who are great engineers but don’t know much ML because it’s easier for great engineers to pick up ML than for ML experts to pick up good engineering practices.“ 

Ich würde mich freuen, wenn du recht hast. Allerdings vermute ich, dass die Realität oft anders aussieht.

[TriiaZ 406]

vor 13 Minuten, raining schrieb:

Ich vermute, dass es schwer ist „DataScience/Mathe/Probleme simplifizieren“ und Implementierung zu entflechten. Und sobald man programmiert, werden SWE Fähigkeiten relevant. Ein ML-Interview Buch formuliert das folgendermaßen:

„In fact, several hiring managers have told me that they’d rather hire people who are great engineers but don’t know much ML because it’s easier for great engineers to pick up ML than for ML experts to pick up good engineering practices.“ 

Ich würde mich freuen, wenn du recht hast. Allerdings vermute ich, dass die Realität oft anders aussieht.

Nochmal etwas zum Thema coding: 

Vorweg wird es nie die Eierlegende Wollmilch Sau geben. Auch ein SWE wird "ML" nicht einfach so nebenbei aufschnappen (und will es vielleicht auch gar nicht). In einem Projekt kam ich zufällig auch stark mit SWE in Berührung (bin sozusagen in das Projekt reingerutscht) hatte jedoch schon einige Python Skils, wenn auch nicht die Denkweise eines SWEs.

Somit habe ich mir die fehlenden Konzepte peu-à-peu on the Job angeeignet bzw. wurde von den Kollegen eingearbeitet. Ich weiß, dass ich niemals ein Vollblut SWE werde, aber um mit zu entwickeln reicht es allemal.

Statt sein Skillset als etwas starres zu sehen, würde ich es als eine Art Flow sehen und lebenslanges lernen. Das wichtige ist eher, in einer Domäne den Eintstiegspunkt zu finden und dich dann sukzessiv vorzuarbeiten. Des Weiteren sind die PMs / Leute in den Projekten meist sehr locker und supporten dich schon, wenn du dich lernfähig zeigst.  

[Jingang 4655]

vor 50 Minuten, raining schrieb:

Ich vermute, dass es schwer ist „DataScience/Mathe/Probleme simplifizieren“ und Implementierung zu entflechten. Und sobald man programmiert, werden SWE Fähigkeiten relevant. Ein ML-Interview Buch formuliert das folgendermaßen:

„In fact, several hiring managers have told me that they’d rather hire people who are great engineers but don’t know much ML because it’s easier for great engineers to pick up ML than for ML experts to pick up good engineering practices.“ 

Ich würde mich freuen, wenn du recht hast. Allerdings vermute ich, dass die Realität oft anders aussieht.

Schwer zu sagen. Ich seh's ja immer so, daß ML Leute dir einen Prototypen/Proof of Concept geben (think Matlab, R..), wo dann ein SWE was Produktionsreifes draus erstellen. Und halt miteinander reden, kann jeder seine Skills optimal einbringen. Aber Wunschenken von Chefs, Personalsituation.. holzt alles rein.