Cómo conseguir un trabajo en aprendizaje automático como programador de software que lo estudia por su cuenta pero nunca tiene la oportunidad de utilizarlo en el trabajo? Cuál es la mejor manera de hacer saber al mundo que puedo implementar el ML aparte de obtener un doctorado/máster

El ML se ha convertido rápidamente en un campo competitivo para entrar: para los recién graduados, los ingenieros de software con experiencia, los fundadores de startups e incluso los ejecutivos. Debido a la democratización del software (por ejemplo, Tensorflow) y el conocimiento de las técnicas (ArXiV), cualquiera que tenga una base de cálculo y codificación y un fuerte impulso puede construir modelos de aprendizaje automático interesantes. La ventaja es que el número de puestos de trabajo de ingeniería de ML también está aumentando a medida que las industrias se dan cuenta del potencial de las optimizaciones que el ML puede lograr.

Con respecto a aterrizar un trabajo de ingeniería de ML, no hay un estándar de oro. Quora buscará un conjunto de habilidades diferente al de Airbnb, al de Google, al de McKinsey, ... Algunas empresas quieren matemáticos con poca experiencia en software. Otras quieren ingenieros de software fuertes que puedan aprender ML cuando sea necesario. Te daré algunos consejos genéricos sobre cómo reforzar tu currículum, pero debes saber que parte del proceso de entrevistas implica que hables con miembros de estas empresas y que entiendas el conjunto de habilidades que están buscando.

A un nivel alto, algunas cosas que recomendaría para destacar como ingeniero de ML:

* Trabajar en problemas y publicar tus avances en el dominio público. Esto podría incluir competir en las competiciones de Kaggle, trabajar en un problema de investigación de ML de un documento que te inspiró, desarrollar un punto de referencia estándar para comparar el método de ML moderno, ¡cualquier cosa!

* Construir un producto de ML, incluso si no consigue mucha tracción. Por ejemplo, construye un bot de chat, un sistema de recomendación de café, una plataforma de análisis de ADN; ¡lo que te interese!

* Abre el código de todo lo que escribas: tu código de Kaggle, tus funciones de ayuda, tus ideas al azar. Publica tu software en Github y tus pensamientos y resultados en ArXiV o en un blog personal

* Comprométete con el código abierto de una manera no trivial. Ayuda a desarrollar ejemplos para Keras a partir de literatura moderna, un hook de Julia para Numpy, ¡cualquier cosa! Vuélvete activo en la comunidad de código abierto

* Ponte en contacto de forma proactiva con los miembros de la comunidad (ingenieros, jefes de producto, líderes de código abierto, ejecutivos) para escuchar los problemas en los que están trabajando; mira cómo puedes contribuir a la solución de estos problemas. Y comunique su progreso en las áreas anteriores y pida sus sugerencias sobre cómo avanzar.

No tiene que hacer todos estos puntos. Con hacer uno, bien es suficiente. Tómate un tiempo para pensar en cuáles suenan más interesantes y dedícale algo de tiempo libre. Si el ML es un campo que te gusta, obtendrás placer al trabajar en estas áreas.

¡Y buena suerte!