5 façons de passer à l’IA à partir d’un fond non technique
- Intelligence Artificielle
Noesis News- 0
- 15 minutes de lecture
Image de l’auteur | Toile
Pensez-vous que seuls les mathématiciens et les ingénieurs logiciels peuvent travailler dans l’IA? Eh bien, vous vous trompez si vous le faites. Beaucoup de gens qui réussissent dans la science des données et l’IA n’ont pas de formation technologique.
Donc, oui, vous pouvez passer à l’IA même si vous avez commencé votre carrière, par exemple, le marketing, la psychologie, le droit, le design, etc.
Voici cinq façons pratiques de le faire.
1. Devenez la personne de l’IA de votre équipe
Vous n’avez pas besoin d’autorisation pour commencer à utiliser l’IA dans votre équipe. Eh bien, dans la plupart des cas, vous ne le faites pas. Un problème pourrait être de partager les données de l’entreprise avec les outils d’IA. Néanmoins, soyez celui qui explorera ces outils, se familiariser avec eux et éventuellement apporter plus d’efficacité à votre équipe.
Vous savez comment dans chaque équipe il y a un champion Excel ou un dieu SQL? Vous pouvez être cette personne pour l’IA. L’idée est de commencer petit, par exemple:
2. Apprenez les bases techniques
Vous n’avez pas besoin de commencer à coder immédiatement un modèle d’apprentissage automatique. Commencez par les bases de ce que sont l’apprentissage automatique et l’IA. Familiez-vous avec la terminologie et les outils de base.
Voici un aperçu de la technologie que vous devez connaître.
Voici également des outils avec lesquels vous pouvez commencer à vous familiariser.
Ressources pour plus d’informations:
3. Positionnez-vous en tant que traducteur de l’IA
L’IA n’existe pas dans le vide; Il est là pour résoudre des problèmes réels. Si nous parlons de problèmes commerciaux, l’expertise du domaine est nécessaire pour l’apprentissage automatique et l’IA pour fournir des solutions adéquates. Devinez qui fournit cette expertise? C’est exact. Toi!
Utilisez ces connaissances pour vous positionner en tant que traducteur de l’IA, un pont entre la technologie et les parties prenantes non techniques. Tu peux:
- Traduire les problèmes commerciaux en problèmes de données
- Sachez comment l’IA s’intègre
- Déposez les défauts dans les hypothèses du modèle d’apprentissage automatique
- Expliquer les résultats du modèle à des parties prenantes non techniques
De cette façon, vous commencez par comprendre certains aspects de la modélisation de l’apprentissage automatique, par exemple, traduire les résultats du modèle, tels que le Matrice de confusion et précisiondans un impact réel. De cette compréhension de haut niveau de l’IA, vous pouvez lentement passer à la construction de modèles réels, si c’est votre objectif.
4. Commencez avec des outils sans code ou à faible code
Vous n’avez pas à travailler pendant des années sur votre compétence Python avant de commencer à construire des modèles d’apprentissage automatique moins complexes. Aujourd’hui, il existe déjà de nombreux outils qui vous permettent de construire un projet d’IA avec un code non ou bas en utilisant leurs interfaces de glisser-déposer.
Ils vous aideront également à vous positionner en tant que traducteur. Ces outils + vos connaissances de domaine peuvent démontrer que vous:
- Comprendre un problème réel
- Peut identifier une solution d’IA
- Utilisez cette solution AI pour résoudre le problème
Voici quelques outils que vous trouverez utiles.
| Catégorie | Outil | Ce que tu peux faire |
|---|---|---|
| Constructeurs AI sans code | Lobe.ai | Classificateurs d’images de train avec une interface utilisateur de glisser-déposer. |
| Machine enseignable | Créez des modèles de classification simples dans le navigateur. | |
| Singe | Créez des modèles NLP personnalisés pour le sentiment, le sujet ou l’intention. | |
| Évidemment AI / Zams | Téléchargez un CSV et exécutez la classification ou la régression binaire. | |
| Constructeurs AI à faible code | Knime | Créez des workflows ML à l’aide de nœuds visuels (faible code, bon pour les données tabulaires). |
| Datarobot | Téléchargez des données, sélectionnez les modèles et déploiez avec un codage minimal. | |
| Microsoft Azure ML Designer | Créer et déployer des modèles d’apprentissage automatique à l’aide de modules de glisser-déposer pour la préparation des données, la formation et l’évaluation. | |
| Outils créatifs et de productivité alimentés par l’IA | Piste ML | Supprimez les arrière-plans vidéo, générez des images à partir du texte. |
| Durable | Construisez une page de destination pour une entreprise en quelques secondes. | |
| Jasper Ai | Écrivez une copie d’annonce, des descriptions de produits, des intros de blog. | |
| Canva Ai | Générer automatiquement les légendes, supprimer les arrière-plans de l’image. | |
| Notion ai | Résumez les notes, rédiger le contenu, extraire des points clés. | |
| Description | Modifiez les podcasts ou les vidéos comme un Doc texte. | |
| Chatte | Réfléchir aux idées, résumer les rapports, rédiger du contenu. |
5. Pivot dans des rôles adjacents AI
Un excellent début pour pivoter à l’IA consiste à passer dans des rôles qui nécessitent des connaissances sur l’IA, mais ne nécessitent pas de construire un modèle réel. Ces positions sont:
- Chefs de projet – pour la coordination entre les parties prenantes et les ingénieurs de l’apprentissage automatique / scientifiques des données
- Rédacteurs techniques – pour documenter les workflows et écrire des guides utilisateur
- Concepteurs de produits – pour comprendre comment les utilisateurs interagissent avec les systèmes d’IA
- Analystes politiques – pour faire échouer des risques tels que l’équité et l’explication dans les systèmes d’IA
Tous ces postes vous donneront également l’occasion d’apprendre au fur et à mesure. Il peut fournir une base solide pour la transition vers le bâtiment de modèle réel, comme L’IA fait de plus en plus partie de nombreux rôles d’emploi.
Conclusion
Les scientifiques des données et les ingénieurs d’apprentissage automatique ne sont pas les seuls postes qui fonctionnent dans l’IA. Beaucoup de gens issus de fond non techniques le font également.
Pendant la transition, ne rangez pas ce que vous connaissez déjà comme inutile. Trouvez une intersection entre l’apprentissage automatique et les connaissances du domaine et commencez à partir de ce point. Ensuite, à mesure que vous en apprenez davantage sur l’IA, vous pouvez décider si vous souhaitez consulter des modèles d’apprentissage automatique réels ou rester un pont entre les parties prenantes techniques et non techniques.
Nate Rosidi est un scientifique des données et en stratégie de produit. Il est également professeur auxiliaire qui enseigne l’analyse et est le fondateur de Stratascratch, une plate-forme aidant les scientifiques des données à se préparer à leurs entretiens avec de véritables questions d’entrevue de grandes entreprises. Nate écrit sur les dernières tendances du marché de la carrière, donne des conseils d’entrevue, partage des projets de science des données et couvre tout SQL.
Source link
