Сайед Ашар Джавед — технический руководитель и старший инженер машинного обучения в компании PathAI (ИИ для цифровой патологии).
PathFinder стремится обеспечить прозрачность различных профессий в технологической индустрии.
Подпишитесь здесь, если вы хотите читать больше подобного контента. Мы только начинаем эту новую серию блогов и будем регулярно добавлять много контента. Мы любим отзывы и запросы блога!
Мы стремимся предоставлять качественный, полезный и лаконичный контент, чтобы вы могли изучить его и применить в своей карьере.
Можете ли вы представиться? (карьера, школа, личная жизнь и т. д. 3–6 предложений)
Я старший инженер по машинному обучению и технический руководитель машинного обучения в PathAI. В настоящее время я работаю над решением интересных проблем машинного обучения в области разработки лекарств и диагностики с помощью вычислительной патологии.
До этого я учился в аспирантуре Университета Карнеги-Меллона, специализируясь на компьютерном зрении. В те дни я работал с командой Amazon Astro над их домашним роботом над проблемой SLAM (как робот локализует себя в новой среде и как он строит карту для навигации). Я также уделил некоторое время проблеме того, как модели машинного обучения могут рассуждать о трехмерных пространствах на основе подсказок естественного языка.
Возвращаясь еще дальше, я работал в Индии над моделями языка зрения и конкретными проблемами зрения при самостоятельном вождении.
Что должны сделать другие, чтобы также стать участниками программы CMU MS Computer Vision?
Главный вопрос, который пытается решить любая приемная комиссия, увидев ваше заявление: «Успеет ли этот человек в нашей программе? Будут ли они хорошим дополнением к когорте этого года?»
Таким образом, важно понимать, что ищут программы каждого университета. Лучший показатель того, что они ищут в этом году, это, конечно же, то, что они искали в предыдущие годы! Так что проверьте LinkedIn, чтобы проанализировать профили выпускников.
Для программы PhD все немного по-другому, и основное внимание уделяется вашему исследовательскому профилю.
Говоря конкретно о программе CMU MSCV, она во многом обусловлена хорошим исследовательским опытом как в отрасли, так и в академических кругах. В долгосрочной перспективе, я думаю, лучший способ максимально увеличить свои шансы на получение MSCV — искренне интересоваться исследованиями и решением проблем, связанных со зрением, в отрасли. Это автоматически приведет к исследовательским стажировкам, публикациям, влиятельным проектам, вкладам в открытый исходный код и, что наиболее важно, сильным LOR, которые имеют большое значение в процессе отбора. В краткосрочной перспективе стремитесь к влиянию через стажировки, публикации и получение LOR от «известных» лабораторий/профессоров/институтов.
Конечно, другие вещи, такие как ваш средний балл, дифференцированная и страстная SOP и баллы GRE, в некоторой степени имеют значение.
Как ваши студенты подготовили вас к карьере и в каких аспектах вы промахнулись?
Я получил степень бакалавра в Индии, и самое лучшее в этом было то, что у меня была гибкость в изучении различных вещей, таких как стартапы, работа над исследовательскими идеями, создание крупномасштабного программного обеспечения с нуля и взаимодействие с людьми из разных областей. Знакомство с этой широтой очень важно, чтобы помочь вам сузить то, над чем вы хотите работать. Я превратился из человека, который хотел заниматься консалтингом и получить степень MBA, в человека, который заинтересовался исследованиями в области компьютерного зрения, и это было веселое путешествие.
Однако чего не хватало, так это целенаправленной и серьезной исследовательской среды. Это то, с чем я столкнулся только после окончания бакалавриата (а это значит, что никогда не поздно для тех, кто хочет начать позже).
Как программа CMU MS Computer Vision подготовила вас к вашей карьере и какие аспекты вы пропустили?
Среда CMU действительно уникальна. Для меня это сыграло важную роль в создании прочных основ исследований для концепций математики, машинного обучения, компьютерного зрения и робототехники. У вас есть доступ к лучшим профессорам и удивительно умным и целеустремленным коллегам. Лучшего быть не могло. Я многим обязан своим фундаментальным исследовательским знаниям, а также тесным связям с CMU.
Одна вещь, которую трудно оценить в любом академическом учреждении, включая CMU, это то, насколько шумным и неструктурированным является реальный мир. Применение машинного обучения или CV к структурированному набору данных сильно отличается от исследования реальной проблемы машинного обучения, когда улучшение одного набора данных на 2% может не иметь большого значения для пациентов, что опять же отличается от создания крупномасштабной системы машинного обучения и развертывание, поддержание и совершенствование. Эти нюансы становятся очевидными только тогда, когда мы начинаем применять эти концепции к реальным проблемам.
Можете ли вы рассказать о PathAI и о том, чем вы там занимаетесь?
PathAI использует инструменты и продукты машинного обучения для улучшения диагностики пациентов и принятия клинических/диагностических решений. Мы делаем это с помощью вычислительной патологии. Патология включает в себя микроскопическое исследование ткани и часто используется в качестве основы для принятия различных решений пациентами при многих заболеваниях, таких как рак. Эти изображения очень большие (думаю, 100 000 пикселей в ширину и высоту или больше!). Таким образом, можно себе представить, насколько сложной может быть задача применения машинного обучения к этим изображениям.
В PathAI я работал над основными исследовательскими проблемами, такими как, как эффективно учиться на этих гигапиксельных изображениях сквозным способом, как создавать обобщаемые модели, которые являются надежными в реальном мире, и способы обеспечения интерпретируемости в моделях машинного обучения. . Я также руководил разработкой продуктов машинного обучения для создания и развертывания этих конвейеров в масштабе.
Что вы сделали, чтобы пройти путь от инженера по машинному обучению до следующего уровня — MLE 2 до технического руководителя и старшего MLE?
Во-первых, я считаю, что подниматься по уровням — неоптимальная цель, к которой стоит стремиться. Это недальновидно, и вам нужно много внешнего подтверждения, чтобы сохранять мотивацию, если вы просто двигаетесь вверх по карьерной лестнице. Совет, который я получил от нескольких наставников, заключался в том, чтобы: а) быть искренне увлеченным тем, что вы делаете; б) проявлять инициативу в поиске серьезных проблем и совместной работе над их решением. Карьерный рост может произойти как побочный продукт следования этим основным принципам. Решение серьезных проблем в команде имеет много важных аспектов. Определить, что оказывает влияние, обычно сложно, и это становится все труднее по мере повышения вашего уровня (поскольку более высокие уровни имеют более широкий охват, который, в свою очередь, имеет тенденцию быть более сложным и плохо определенным). Иногда вам нужно изменить свое положение, чтобы вы могли работать в этих высокоэффективных командах или на должностях. Даже после того, как вы его определили, построение видения и плана на его основе, а также передача ваших идей другим — это навык, на освоение которого требуется время. Влияние с властью и без нее, создание команд, дополняющих опыт друг друга, следование плану и последовательное выполнение — все это кажется решающим для решения серьезных проблем. В конце концов, все дело в том, чтобы продолжать учиться, находя проекты, которые соответствуют вашим сильным сторонам.
Каковы ваши карьерные планы на ближайшие 5 лет? Следующие 10 лет?
У меня нет планов на 10 лет. Слишком много времени, чтобы предсказать, каким будет мир. Кроме того, я чувствую, что определение таких планов похоже на ограничение того, что я хочу исследовать и достичь. Лучшие вещи в моей жизни, личной или профессиональной, произошли по счастливой случайности, и я действительно надеюсь, что моя карьера будет больше, чем я могу себе представить сегодня. Быть любопытным и всегда искать наиболее интересный и эффективный способ внести свой вклад — вот чем я планирую заниматься в ближайшие 10 лет.
Что вы думаете о карьере в области машинного обучения в цифровой патологии? Машинное обучение в здравоохранении в целом?
ML в здравоохранении обладает нереализованным потенциалом. Многие вещи, которые мы делаем при разработке лекарств и диагностике пациентов, на самом деле являются вычислительными задачами, но они не решаются таким образом в традиционной установке. Цифровая патология и здравоохранение в целом увидят тенденцию, когда многие из этих сложных проблем будут интегрированы в процесс принятия решений на основе машинного обучения. Это означает, что спрос на квалифицированных специалистов по машинному обучению со временем будет расти. Так же как и спрос на инженеров машинного обучения, которые создают автоматизацию и инструменты для этих конвейеров машинного обучения. Однако одно наблюдение, которое я сделал, заключается в том, что важно знать область, к которой вы применяете машинное обучение. У меня нет биологического образования, и я не смогу стабильно выполнять эффективную работу, если не сделаю все возможное, чтобы понять тонкости как биологии, так и индустрии здравоохранения. Быть многоязычным в этом смысле важно для всех, кто применяет машинное обучение в конкретных отраслях, особенно в здравоохранении.
Есть ли какие-нибудь заключительные мысли или советы для более молодой аудитории, которая также делает карьеру в машинном обучении? (Супер открытый конец, все, чем вы хотели бы поделиться)
Будьте любопытны и сосредоточьтесь на основах. Сегодня легко потеряться в мире машинного обучения. Там так много активности, так много новых современных статей, новых инструментов и фреймворков, не так много ясности в том, над какими проблемами нужно работать, и нет уверенности в том, как могут выглядеть будущие роли машинного обучения. Но если вы глубоко понимаете основы, будь то машинное обучение или инженерия, вы можете переназначить многие из них и развиваться со временем. Также легче сформировать интуицию в отношении решения исследовательских задач или разработки сложных систем машинного обучения, если вы начнете с основ и зададите вопросы в самом начале, когда начинаете работать с этими предметами. Я не делал этого во время учебы в бакалавриате, и впоследствии мне пришлось вернуться ко многим темам, но как только вы делаете это правильно, это прилипает. Кроме того, машинное обучение и инженерная интуиция позволяют постепенно создавать более сложные вещи, работая на разных уровнях абстракции. Как только вы достигнете старшего этапа в своей карьере, вы поймете, насколько важен и применим этот навык.
Еще одна практическая вещь, которая очень помогла мне в мои первые годы в ML, — это чтение одной и той же концепции из нескольких источников. Профессора, видео на YouTube, газеты и блоги — у всех разные ментальные модели при описании чего-либо. Понимание вещей с разных точек зрения укрепляет концепцию в вашей голове (вот почему собеседования и экзамены проверяют вас, искажая одну и ту же концепцию новыми, невидимыми способами).
Наконец, лучший совет, который я получил слишком поздно, — это обратиться к пожилым людям за конкретным советом. Кривые обучения могут быть крутыми, и легко почувствовать себя подавленным. Но есть и другие, кто делал это раньше и может поделиться уроками. Обязательно протяни руку и найди наставников. Это будет иметь большое значение в вашей карьере.
Подпишитесь здесь,если вы хотите не только читать больше подобного контента, но и задавать вопросы напрямую нашим собеседникам на нашей платформе. В ближайшее время наши собеседники проведут сеансы AMA на нашей платформе. Это также новая серия блогов, в которой будет регулярно появляться много контента.