مشین لرننگ کے ایمرجننگ فیلڈ میں نوکریاں

LinkedIn کی 2017 امریکی ایمرجننگ نوکری کی رپورٹ کے سب سے اوپر مشین سیکھنے کے میدان میں: مشین سیکھنا انجینئر اور ڈیٹا سائنسدان دو قبضے تھے. مشین سیکھنے کے انجینئرز کے لئے روزگار 2012 اور 2017 کے درمیان 9.8 گنا اضافہ ہوا اور اسی پانچ سال کی مدت کے دوران اعداد و شمار سائنسدانوں کی ملازمت 6.5 گنا بڑھ گئی. اگر رجحان جاری ہے تو، ان پر قبضے کو روزگار کا نقطہ نظر مل جائے گا جو بہت سے دوسرے کاموں پر قابو پاتے ہیں. مستقبل مستقبل میں بہت روشن ہے، کیا آپ اس فیلڈ میں کام کرسکتے ہیں؟

مشین سیکھنا کیا ہے؟

مشین سیکھنے (ایم ایل) صرف ایسا ہی لگتا ہے. اس ٹیکنالوجی میں مخصوص کاموں کو انجام دینے کے لئے تدریس مشینیں شامل ہیں. روایتی کوڈنگ کے برعکس جو ہدایات فراہم کرتا ہے وہ کمپیوٹر کو بتاتا ہے کہ، ایم ایل ان اعداد و شمار کو فراہم کرتا ہے جو ان کو اپنی خود کو معلوم کرنے میں مدد دیتا ہے، جیسے انسان یا جانور بہت زیادہ ہوتا ہے. جادو کی طرح آواز، لیکن یہ نہیں ہے. اس میں کمپیوٹر سائنسدانوں اور دوسروں سے متعلقہ مہارت کے ساتھ بات چیت شامل ہے. یہ آئی ٹی پروفیشنل ایسے پروگراموں کو تخلیق کرتے ہیں جو اس مسئلے کو حل کرنے والے قوانین کے الگورتھم - سیٹ کرتا ہے اور ان کو ان اعداد و شمار کے بڑے سیٹوں کو کھانا کھلاتے ہیں جو انہیں اس معلومات پر مبنی پیش گوئی کرنے کے لئے سکھا دیتے ہیں.

مشین سیکھنے ایک "مصنوعی انٹیلی جنس کا سب سے کم ہے جس میں کمپیوٹرز کو اس کاموں کو انجام دینے کے قابل بناتی ہے جو ان کو واضح طور پر نہیں کیا جارہا ہے" (ڈسنسن، بین. مہارت آپ کو زمین پر ایک مشین سیکھنا ملازمت ہے. یہ کیریئر فائنڈر. 18 جنوری، 2017.) اس سال میں کئی پیچیدہ، ابھی تک زیادہ پیچیدہ ہوسکتا ہے. سٹیون لوی نے ایک مضمون میں جو کمپنی کے انجنیئروں کی مشین سیکھنے اور مشینری کی بحالی کی گوگل کی ترجیحات سے بات کی ہے، لکھتا ہے، "بہت سے سالوں کے لئے، مشین سیکھنے ایک خاص سمجھا جاتا تھا، محدود ایک اشرافیہ کے لئے.

اس زمانہ میں ختم ہو گیا ہے، اس کے نتیجے میں حالیہ نتائج سے پتہ چلتا ہے کہ مشینری سیکھنے، "نیچرل نیٹ" کے ذریعہ طاقتور ہے جو حیاتیاتی دماغ چلاتا ہے، انسانوں کی قوتوں کے ساتھ کمپیوٹروں کو مثالی طور پر، اور بعض صورتوں میں، سپر انسان "(لوی، سٹیون. کس طرح گوگل خود کو یاد کر رہا ہے جیسے مشین مشین سیکھنے کی پہلی کمپنی وائرڈ ہے. 22 جون، 2016).

"حقیقی دنیا میں مشینری سیکھنے کی کس طرح استعمال کیا جاتا ہے؟" ہم میں سے اکثر اس ٹیکنالوجی میں روزانہ کی بنیاد پر آتے ہیں، اس سے زیادہ سوچنے کے بغیر. جب آپ Google یا کسی اور سرچ انجن کا استعمال کرتے ہیں، تو صفحے کے سب سے اوپر کے نتیجے میں نتائج مشین سیکھنے کا نتیجہ ہیں. آپ کے سمارٹ فون کے ٹیکسٹنگ ایپ پر پیش گوئی کا متن، اور بعض اوقات بدنام کردہ خود کار طریقے سے خصوصیت، مشین سیکھنے کا بھی نتیجہ ہے. Netflix اور Spotify پر سفارش کردہ فلموں اور گانےز مزید مثالیں ہیں کہ ہم اس طرح کی تیزی سے دیکھتے ہوئے اس تیز رفتار بڑھتی ہوئی ٹیکنالوجی کا استعمال کرتے ہیں.

حال ہی میں، گوگل نے Gmail میں سمارٹ جوابی متعارف کرایا. ایک پیغام کے اختتام پر، یہ صارف کے ذریعہ مواد کے لحاظ سے تین ممنوع جوابات فراہم کرتا ہے. اوبر اور دیگر کمپنیاں فی الحال خود ڈرائیور کاروں کی جانچ کر رہے ہیں.

انڈسٹری مشین سیکھنے کا استعمال کرتے ہوئے

مشین کی تعلیم کا استعمال ٹیک دنیا کے باہر تک پہنچ جاتا ہے. ایک تجزیاتی سافٹ ویئر کمپنی SAS، رپورٹ کرتا ہے کہ بہت سے صنعت نے اس ٹیکنالوجی کو اپنایا ہے. سرمایہ کاری کے مواقع کی شناخت کرنے کے لئے مالیاتی خدمات کی صنعت ایم ایل کا استعمال کرتی ہے، سرمایہ کاروں کو یہ جاننا ہے کہ جب تجارت کرنا ہے، اس بات کو تسلیم کرتے ہیں کہ گاہکوں کو اعلی خطرہ کی پروفائلز ہیں، اور دھوکہ دہی کا پتہ لگانا ہے. صحت کی دیکھ بھال میں، الورگتھیم غیر معمولی اقدامات اٹھا کر بیماریوں کی تشخیص میں مدد کرتے ہیں.

کیا آپ نے کبھی سوال پوچھا ہے، "اس پروڈکٹ کے لئے ایک اشتہار کیوں ہے، میں اپنے دورے پر ہر ویب صفحے پر دیکھنا خرید رہا ہوں؟" ایم ایل مارکیٹنگ اور سیلز صنعت کو ان کی خرید اور تلاش کی تاریخوں پر مبنی صارفین کا تجزیہ کرنے کی اجازت دیتا ہے. اس ٹیکنالوجی کی نقل و حرکت کی صنعت کے موافقت راستے پر ممکنہ مسائل کا سامنا کرتی ہے اور انہیں زیادہ موثر بنانے میں مدد ملتی ہے. ایم ایل کا شکریہ، تیل اور گیس انڈسٹری نئے انرجی وسائل (مشین سیکھنے: یہ کیا ہے اور یہ کیوں معاملات ہیں) کی شناخت کر سکتا ہے.

کس طرح مشین سیکھنا کام جگہ تبدیل کر رہا ہے

ہماری تمام ملازمتوں پر چلنے والی مشینوں کے بارے میں پیش گوئی کئی دہائیوں تک پہنچ چکی ہے، لیکن آخر میں ایم ایل اس حقیقت کو کیسے بنا سکتا ہے؟ ماہرین نے اس ٹیکنالوجی کی پیشن گوئی کی ہے اور کام کی جگہ کو تبدیل کرنے کے لئے جاری رکھیں گے. لیکن جہاں تک ہماری تمام ملازمتیں لے جا رہے ہیں؟ زیادہ تر ماہرین یہ نہیں سوچتے کہ ایسا ہوگا.

جبکہ مشین سیکھنے میں تمام پیشوں میں انسانوں کی جگہ نہیں لے جا سکتا، اس سے منسلک کام کے بہت سے کاموں کو تبدیل کر سکتا ہے. بائرن اسپیس کا کہنا ہے کہ "اعداد و شمار پر مبنی فوری فیصلے کرنے والے کاموں میں ایم ایل پروگراموں کے لئے ایک اچھا فٹ ہے؛ لہذا اگر یہ فیصلہ استدلال، متنوع پس منظر کے علم یا عام احساس پر منحصر ہے تو اس پر منحصر نہیں ہے" مسٹر بائرن اسپیس کہتے ہیں. مسٹر کارنیجی میلن میں میڈیا تعلقات کے ڈائریکٹر ہیں. یونیورسٹی آف کمپیوٹر آف کمپیوٹر سائنس (اسپیس، بائرن. مشین سیکھنا جابز بدل جائے گا. کارنیگی میلن یونیورسٹی.

دسمبر 21، 2017).

سائنس میگزین، ایرک برانجفلفسن اور ٹام مچیل لکھتے ہیں، "لیبر کی طلب ایم ایل کی صلاحیتوں کے قریبی متبادل ہیں، لیکن ان نظاموں کے لئے تکمیل کے کاموں کے لئے زیادہ سے زیادہ کام کرنے کے لئے زیادہ سے زیادہ کام کرنے کے لئے زیادہ امکان ہے کہ کام کے لئے گر کر مطالبہ ہے. ہر وقت ایک ایم ایل نظام اس حد سے تجاوز کرتی ہے جہاں انسانوں کے مقابلے میں اس سے زیادہ سرمایہ کاری مؤثر ہو جاتا ہے، منافع کو زیادہ سے زیادہ کاروباری اداروں اور مینیجرز تیزی سے لوگوں کے لئے مشینوں کو متبادل بنانا چاہتی ہیں. اس میں معیشت بھر میں اثرات پیدا ہونے، قیمتوں میں اضافہ، لیبر کی طلب کو بڑھانے، اور بحالی کی صنعتوں (Brynjolfsson، ایرک اور مچل، ٹام.

کیا مشین سیکھنا کر سکتا ہے؟ افرادی قوت کے اثرات. سائنس. دسمبر 22، 2017).

کیا آپ مشین سیکھنا میں ایک کیریئر چاہتے ہیں؟

کمپیوٹر سائنس، اعداد و شمار، اور ریاضی میں مہارت کی مشینری سیکھنے میں کیریئرز کی ضرورت ہوتی ہے. بہت سے لوگ ان شعبوں میں پس منظر کے ساتھ اس میدان میں آتے ہیں. بہت سے کالج جو مشینی مشق میں پیش کرتے ہیں ان میں ایک نصاب کے ساتھ ایک کثیر نظریاتی نقطہ نظر ہے جس میں کمپیوٹر سائنس، برقی اور کمپیوٹر انجینئرنگ، ریاضی اور اعداد و شمار کے علاوہ بھی شامل ہے (مشین سیکھنا کے لئے اوپر 16 اسکولوں.

ان لوگوں کے لئے جو پہلے سے ہی انفارمیشن ٹیکنالوجی انڈسٹری میں ملوث ہیں، ایم ایل کام میں منتقلی بہت دور نہیں ہے. آپ پہلے سے ہی بہت ساری مہارت حاصل کر سکتے ہیں. آپ کا آجر آپ کو بھی اس منتقلی میں مدد مل سکتی ہے. سٹیون لیوی کے آرٹیکل کے مطابق، "فی الحال وہاں بہت سے لوگ نہیں ہیں جو ایم ایل میں ماہرین ہیں لہذا Google اور فیس بک جیسے کمپنیاں دوبارہ بازی انجینئرز ہیں جن کی مہارت روایتی کوڈنگ میں ہے."

اگرچہ آپ کو پیشہ ورانہ ٹیکنالوجی کے طور پر تیار کردہ بہت سے مہارتیں مشین سیکھنے میں منتقل ہوجائے گی، یہ تھوڑا سا مشکل ہوسکتا ہے. امید ہے کہ، آپ اپنے کالج کے اعداد و شمار کی کلاسوں کے دوران جاگ رہے ہیں کیونکہ ایم ایل اس موضوع کے ساتھ ساتھ مضبوط ریاضی پر منحصر ہے. لیوی لکھتے ہیں کہ کوڈر کو ان کے کنٹرول کے نظام کو ختم کرنے کے لۓ کل کنٹرول دینے کے لئے تیار ہونا پڑے گا.

آپ قسمت سے باہر نہیں ہیں اگر آپ ٹیک ٹیکجر نگار کو گوگل اور فیس بک کو واپس نہیں دے رہا ہے تو نہیں. کالجوں اور یونیورسٹیاں، ساتھ ساتھ ادومی اور کورسرا کی طرح آن لائن سیکھنے کے پلیٹ فارمز، ایسے کلاس پیش کرتے ہیں جو مشین سیکھنے کے بنیادی اصولوں کو سکھاتے ہیں. تاہم، اعداد و شمار اور ریاضی کلاسوں کو لے کر اپنی مہارت کو دور کرنے کے لئے یہ اہم ہے.

ملازمت کے عنوانات اور آمدنی

بنیادی کام کے عنوانات آپ اس میدان میں کام کرتے ہیں جب آپ بھر میں آ جائیں گے، مشین سیکھنے کا انجنیئر اور ڈیٹا سائنسدان شامل ہیں.

مشین سیکھنے کے انجینئرز "ایک مشین سیکھنے کے منصوبے کے عمل کو چلاتے ہیں اور انفراسٹرکچر اور ڈیٹا پائپ لائنز کے انتظام کے لئے ذمہ دار ہیں جو کوڈ کو لانے کے لئے ضروری ہے." اعداد و شمار سائنسدان کوڈنگ کے بجائے، ترقی یافتہ الگورتھم کے اعداد و شمار اور تجزیہ کی طرف ہیں. وہ بھی جمع، صاف، اور ڈیٹا تیار کرتے ہیں (زو، ایڈلین.) مصنوعی انٹیلی جنس ملازمت کے عنوانات: مشین مشین سیکھنا انجینئر کیا ہے؟ "فوربیس، 27 نومبر، 2017).

ان کاموں میں کام کرنے والے افراد کی جانب سے صارفین کی پیشکشوں کے مطابق، Glassdoor.com نے رپورٹ کیا ہے کہ ایم ایل انجینئرز اور اعداد و شمار سائنسدانوں نے اوسط بیس تنخواہ $ 120،931 حاصل کی ہے. تنخواہوں نے کم از کم $ 87،000 سے زیادہ $ 158،000 (مشین سیکھنا انجینئر تنخواہ. Glassdoor.com. 1 مارچ، 2018) تک کی حد تک کی ہے. اگرچہ شیشے کے دروازے کے گروپ اس عنوان کے باوجود، ان کے درمیان کچھ اختلافات موجود ہیں.

مشین سیکھنے کی ملازمتوں کے لئے ضروریات

ایم ایل انجینئرز اور ڈیٹا سائنسدان مختلف ملازمت کرتے ہیں، لیکن ان کے درمیان بہت زیادہ اوپریپ ہے. دونوں عہدوں کے لئے ملازمت کے اعلانات میں اکثر اسی طرح کے ضروریات ہیں. بہت سارے ملازمین کو کمپیوٹر سائنس یا انجینئرنگ، اعداد و شمار، یا ریاضی میں بیچلر، ماسٹر، یا ڈاکٹر ڈگری کی ترجیح دیتے ہیں.

ایک مشین سیکھنے کے پیشہ ورانہ بننے کے لئے، آپ کو اسکول میں یا نوکری اور نرم مہارت پر سیکھا تکنیکی مہارت - مہارتوں کا ایک مجموعہ ہوگا. نرم مہارت اس کی صلاحیت ہیں کہ وہ کلاس روم میں نہیں سیکھتے بلکہ اس کے بجائے زندگی کے تجربے کے ذریعے پیدا ہوتے ہیں یا حاصل کرتے ہیں. پھر، ایم ایل انجینئرز اور ڈیٹا سائنسدانوں کے لئے مطلوبہ مہارت کے درمیان اوورلوپ کا ایک بڑا معاملہ ہے.

ملازمت کے اعلانات سے پتہ چلتا ہے کہ ایم ایل انجینئرنگ کی ملازمتوں میں کام کرنے والے افراد کو TensorFlow، Mlib، H20 اور Theano جیسے مشین سیکھنے کے فریم ورک سے واقف ہونا چاہئے. انہیں کوڈنگ میں مضبوط پس منظر کی ضرورت ہوتی ہے بشمول پروگرامنگ زبانوں جیسے جاوا یا سی / سی ++ اور سکرپٹ زبان جیسے پرل یا پجنا کے ساتھ تجربہ. اعداد و شمار کے بڑے سیٹوں کا تجزیہ کرنے کے لئے اعداد و شمار کے سوفٹ ویئر پیکجوں کا استعمال کرتے ہوئے اعداد و شمار اور تجربے میں مہارت میں بھی وضاحتیں شامل ہیں.

نرم مہارت کی ایک قسم آپ کو اس میدان میں کامیاب ہونے کی اجازت دے گی. ان میں سے لچکدار، مطابقت پذیر، اور اطمینان رکھتے ہیں. ایک الگورتھم کی ترقی بہت آزمائش اور غلطی کی ضرورت ہے، اور اس وجہ سے، صبر. کسی کو ایک الگورتھم کی جانچ پڑتال کرنا پڑتا ہے کہ یہ کام کرتا ہے اور اگر نہیں، تو نیا نیا بنانا.

بہترین مواصلات کی مہارت ضروری ہے. مشین سیکھنے والے پیشہ ور، جو اکثر ٹیموں پر کام کرتے ہیں، دوسروں کے ساتھ تعاون کرنے کے لئے اعلی سننے، بولنے، اور باہمی مہارت کی ضرورت ہوتی ہے، اور ان کے نتائج اپنے ساتھیوں کو بھی پیش کریں. ان کے علاوہ، فعال سیکھنے والوں کو بھی شامل ہونا چاہئے جو اپنی معلومات میں نئی ​​معلومات شامل کر سکتے ہیں. ایک ایسی صنعت میں جہاں جدت طے کی جاتی ہے، ایک ایکسل کے لئے تخلیقی ہونا ضروری ہے.