De toekomst van AI is aangebroken. Van technologie en financiën tot gezondheidszorg, detailhandel en productie: bijna elke industrie is tegenwoordig begonnen met het integreren van kunstmatige intelligentie (AI) in hun technologieplatforms en bedrijfsactiviteiten. Het resultaat is een groeiende vraag naar talent voor ingenieurs die AI-systemen kunnen ontwerpen, implementeren, exploiteren en beheren.
De komende tien jaar zal de behoefte aan AI-talent alleen maar groter worden. Het Amerikaanse Bureau of Labor Statistics verwacht een vraag naar AI-ingenieurs tegen 2030 met 23 procent toenemen en de vraag naar machine learning (ML)-ingenieurs, een deelgebied van kunstmatige intelligentie groeien naar 22 procent.
In de technologische industrie is deze vraag in volle gang. Het aantal vacatures waarin wordt gezocht naar vaardigheden op het gebied van generatieve kunstmatige intelligentie zal in 2023 met maar liefst 1.848 procent toenemen. blijkt uit een recente analyse van de arbeidsmarkt. Uit de analyse bleek ook dat er in 2023 ruim 385.000 vacatures waren voor functies op het gebied van kunstmatige intelligentie.
Figuur 1: Groei van het aantal vacatures waarvoor vaardigheden op het gebied van generatieve AI nodig zijn, 2022-2023
Om het transformatieve potentieel van AI te benutten, kunnen bedrijven niet zomaar nieuwe AI-ingenieurs inhuren: er zijn er simpelweg nog niet genoeg. Om het wereldwijde tekort aan AI-ingenieurstalent aan te pakken, moet u uw bestaande ingenieurs bijscholen en bijscholen.
Basisvaardigheden voor AI en ML
Bij AI en de deelgebieden ervan, machinaal leren (ML) en natuurlijke taalverwerking (NLP), zijn allemaal trainingsalgoritmen betrokken op grote datasets om modellen te produceren die complexe taken kunnen uitvoeren. Als gevolg hiervan vereisen verschillende soorten AI-engineeringrollen veel van dezelfde kernvaardigheden.
CodeSignal’s Talent Science-team en technische vakexperts voerden uitgebreide vaardigheden in kaart van AI-engineeringrollen om de vaardigheden te definiëren die nodig zijn voor deze rollen. Dit zijn de belangrijkste vaardigheden die ze hebben geïdentificeerd voor twee populaire AI-rollen: ML-engineering en NLP-engineering.
Ontwikkel AI-vaardigheden in uw teams
A een recent McKinsey-rapport laat zien dat bij- en omscholing belangrijke manieren zijn waarop organisaties de hiaten in AI-vaardigheden in hun teams kunnen opvullen. Alexander Sukharevsky, senior partner bij McKinsey, legt in het rapport uit: “Als het gaat om het vinden van AI-talent, is de meest populaire strategie onder alle respondenten het omscholen van bestaande werknemers. Bijna de helft van de door ons ondervraagde bedrijven doet dat.”
Dus: wat is de beste manier om de AI-vaardigheden te ontwikkelen die je nodig hebt binnen je bestaande teams? Om dat te beantwoorden moeten we eerst dieper ingaan op de manier waarop mensen nieuwe vaardigheden leren.
Componenten van effectieve ontwikkeling van vaardigheden
De meeste bedrijfsleerprogramma’s maken tegenwoordig gebruik van een traditioneel klassikaal leermodel, waarbij één leraar, met één les, veel studenten bedient. De medewerker begint met het kiezen van een programma, vaak met weinig begeleiding. Wanneer ze met de cursus beginnen, zullen de lessen waarschijnlijk video’s gebruiken om instructie te geven, gevolgd door quizzen om te beoordelen of ze informatie hebben onthouden.
Er zijn verschillende problemen met dit model:
- Tientallen jaren van onderzoek hebben aangetoond dat het traditionele één-op-veel-leermodel niet de meest effectieve manier is om te leren. Onderwijspsycholoog Benjamin Bloom merkte op dat studenten die leerden via één-op-één begeleiding twee standaarddeviaties beter presteerden dan hun leeftijdsgenoten; dat wil zeggen dat ze beter presteerden dan 98 procent van degenen die in traditionele klaslokalen leerden. De superioriteit van één-op-één instructie boven klassikaal leren wordt ook wel het 2-sigma-probleem in het onderwijs genoemd (zie figuur 2 hieronder).
- Meerkeuzevragen geven een slecht signaal over de vaardigheden van een werknemer, vooral als het gaat om gespecialiseerde technische vaardigheden zoals AI en ML-engineering. Quizzen geven studenten ook niet de kans om het geleerde toe te passen in een echte context of tijdens hun werk.
- Zonder begeleiding op basis van hun huidige vaardigheden, sterke punten en doelen (en ook op de behoeften van hun team) kunnen werknemers cursussen of leerprogramma’s kiezen die niet aansluiten bij hun vaardigheidsniveaus of doelen.
Figuur 2: Een vergelijking van de verdeling van de prestaties van leerlingen naar onderwijsstijl laat een verschil van 2 sigma zien in de gemiddelde scores.
Om de beheersing van de AI- en ML-vaardigheden van uw teamleden te ontwikkelen die uw team nodig heeft, is een leerprogramma vereist dat het volgende biedt:
- Eén op één begeleiding. De beste technische leerprogramma’s van vandaag maken gebruik van kunstmatige intelligentie-assistenten die contextueel bewust zijn en volledig geïntegreerd zijn met de leeromgeving om gepersonaliseerde, één-op-één begeleiding en feedback te bieden aan leerlingen in het algemeen.
Het gebruik van AI om hun leerproces te ondersteunen zal geen verrassing zijn voor uw ontwikkelaars en andere technische medewerkers: recent onderzoek laat zien dat 81 procent van de ontwikkelaars al AI-tools gebruikt in hun werk – en daarvan gebruikt 76 procent deze om nieuwe kennis en vaardigheden te leren.
- Praktijkgericht leren. Dat blijkt uit tientallen jaren onderzoek mensen leren het beste door actief te oefenen, in plaats van passief informatie op te nemen. Het leerprogramma dat u gebruikt om uw team bij te scholen in AI en ML moet praktijkgericht zijn en gebruik maken van codeeroefeningen die feitelijk AI- en ML-engineeringwerk simuleren.
- Resultaatgerichte hulpmiddelen. Ten slotte zorgen de beste technische trainingsprogramma’s ervoor dat werknemers daadwerkelijk relevante vaardigheden opbouwen (niet alleen het raamwerk valideren) en toepassen wat ze leren op de werkvloer. Leerprogramma’s moeten managers ook inzicht geven in de vaardighedenontwikkeling en beheersing van hun teamleden. Uw platform moet benchmarkinggegevens bevatten, zodat u de vaardigheden van uw team kunt vergelijken met de grotere populatie technisch talent, evenals integraties met uw bestaande leersystemen.
Deep dive: praktijkgericht leren voor AI-vaardigheden
Hieronder ziet u een voorbeeld van een geavanceerde oefening uit Cursus Inleiding tot neurale netwerken met TensorFlow in CodeSignaal ontwikkelen.
Praktijkvoorbeeld: Implementatie van lagen in een neuraal netwerk
In deze oefening ontwikkelen leerlingen hun vaardigheden in het ontwerpen van neurale netwerklagen om de netwerkprestaties te verbeteren. Studenten implementeren hun oplossing in een realistische IDE en ingebouwde terminal aan de rechterkant van het scherm en communiceren met Cosmo, een door AI aangedreven docent en gids, in een paneel aan de linkerkant van het scherm.
Beschrijving van de oefening: Nu u het model met extra tijdvakken hebt getraind, gaan we de architectuur van het neurale netwerk aanpassen. Het is jouw taak om een tweede dichte laag in het neurale netwerk te implementeren om mogelijk de leermogelijkheden ervan te verbeteren. Onthoud: efficiënte laagconfiguratie is van cruciaal belang voor de modelprestaties!
Conclusie
De vraag naar AI- en ML-ingenieurs is er en zal de komende jaren blijven groeien naarmate AI-technologieën van cruciaal belang worden voor meer organisaties in alle sectoren. Bedrijven die de hiaten in de AI- en ML-vaardigheden in hun teams willen opvullen, moeten investeren in het bij- en omscholen van hun bestaande technische teams met belangrijke AI- en ML-vaardigheden.