By 다리아 바이다 코바, Toloka 교육 프로그램 디렉터.

데이터 관련 역할의 경력 환경 내에서 많은 직업이 공존하며, 그 정확한 정의는 수년간의 경험을 가진 사람들 사이에서도 종종 논쟁의 대상이됩니다. 증가하는 비즈니스 과제를 해결하기 위해 데이터 경력 환경이 지속적으로 진화하고 있으며 사실상 매년 새로운 역할이 추가되기 때문에 이것은 놀라운 일이 아닙니다.

최근에 너 겟츠 기사에서 가장 일반적인 데이터 관련 직업 중 소수가 설명되었습니다.

• 데이터 설계자 (데이터 관리 및 저장 관련).
• 데이터 엔지니어 (데이터 파이프 라인 구축 및 유지 관리 관련).
• 데이터 분석가 (데이터 분석 및 표현 관련).
• 기계 학습 엔지니어 (기계 학습 알고리즘 개발 및 최적화 관련).
• 데이터 과학자 (인사이트 데이터가 제공 할 수있는 것에 관심이 있음).

이 기사에서는 크라우드 솔루션 설계자의 또 다른 수요가있는 역할을 간략하게 평가합니다.

크라우드 소싱

오늘날 그 어느 때보 다 많은 개발자 필요 모든 단계에서 AI 모델을 제공하기위한 대량의 데이터. 결과적으로 데이터에 레이블 지정이 우선 순위가되었습니다. 무엇보다도 크라우드 소싱은 이러한 목적에 충분한 기회를 제공합니다. 데이터에 레이블을 지정해야합니다. 수십만 개의 웹 문서를 분류하거나 방대한 음성 녹음 세트를 텍스트로 변환하십시오. 기본적으로 이러한 작업을 처리하는 두 가지 방법이 있습니다.

• 작업 별 분야의 소수의 전문가 그룹을 확보하고 대가를 지불하고 배달을 위해 몇 주 또는 몇 달을 기다릴 수 있습니다.
• 대규모 사용자 풀을 끌어 들이고, 기술별로 필터링하고, 당면한 작업을 위해 신속하게 사전 교육하고, 각 사용자가 작은 부분에 기여하도록하고, 마지막 단계로 수집 할 수 있었던 것을 집계합니다. 이렇게하면 훨씬 짧은 시간에 더 낮은 비용으로 완료된 작업을 얻을 수 있습니다.

안에 MIT Press에서 출판 한 책, Daren Brabham은 크라우드 소싱을 단순히 "온라인 커뮤니티의 에너지 통합… 상향식, 개방형, 창의적 프로세스와 하향식 조직 목표를 고의적으로 혼합 한 것"으로 정의합니다. 따라서 크라우드 소싱은 본질적으로 데이터 생성을위한 대규모 아웃소싱 유형입니다.

그룹 인텔리전스 클러스터 (데이터 포인트가 서로 다른 의견 또는 작업 세그먼트를 나타냄) 출처 : Toloka.ai

CSA (Crowd Solutions Architect)

이제 약속 된 직업입니다. 크라우드 소싱 작업을 이해하고, 모델링하고, 궁극적으로 촉진하는 역할을하는 CSA 없이는 크라우드 소싱이 불가능합니다. 이 역할에 얼마나 편한지는 몇 가지 요인 (적어도 함께 작업 할 수있는 IT 인프라)에 따라 달라질 수 있지만 더 광범위하게 말하면이 직업은 초보자와 베테랑 모두에게 적합합니다. 입문을 열망하는 적절하게 훈련 된 신규 이민자, 기술 확장을 원하는 중간 수준의 머신 러닝 전문가 또는 회사의 데이터 라벨링을 위해 크라우드 소싱을 활용하려는 기존 전문가 등 모두 해당됩니다. 모든 곳에서 일어나는 가능한 시나리오.

귀하의 배경이 무엇이든 여전히 입학 요건이 있습니다. 가장 중요한 것은 코딩 기술 (Python, SQL, HTML, CSS 및 JavaScript)과 ML 및 통계에 대한 적절한 이해입니다. 하지만 그게 다가 아닙니다. CSA 직무가 다른 IT 직책과 차별화되는 점은 비즈니스 목표 및 전략을 이해하고 코드뿐만 아니라 인간과 함께 작업하는 방법을 아는 두 가지 핵심 기술이 필요하다는 것입니다. 전자는 업무의 상업적 목적 (단지 기술적 측면이 아닌)을 완전히 이해해야 함을 의미하지만 후자는 필요할 때 기여자를 지원할 준비가 된 사람 중심의 사람이어야 함을 의미합니다. 이러한 이유로 일부 사람들은이 직업을 "데이터와 사람 모두의 엔지니어"라고 생각합니다.

어플리케이션

작업중인 크라우드 소싱과 CSA는 모두 여러 연구 및 제품 개발 영역에서 관찰 할 수 있습니다. 그 중에는 자연어 처리, 컴퓨터 비전, 데이터 세트 강화 및 정보 검색이 있습니다.

오늘날 모든 AI 개발은 알고리즘, 하드웨어 / 성능 및 데이터 레이블링이라는 세 가지 고유 한 패러다임에 기반합니다. 처음 두 개는 이미 "상품"이되었으며 많은 플레이어가 동일한 도구와 기술을 사용하는 반면, 목록의 마지막 항목 인 데이터 라벨링은 대부분의 AI 프로젝트가 완료 되었음에도 불구하고 가장 적게 탐색되었습니다. 그들의 성공의 주요 부분을 빚지고있다 정확한 라벨링에.

출처 : Toloka.ai

데이터 레이블링 문제를 가장 효과적이고 신속하게 해결할 수있는 사람은 확장 가능한 데이터 레이블링 파이프 라인을 구축하고 유지하는 것이 비즈니스에서 우위를 차지합니다. 회사에서 더 많은 인력이이 중요한 측면에 전념할수록 해당 비즈니스와 그 요구 사항을 신속하게 간소화 할 가능성이 높아집니다. 이는 기계 학습을위한 더 많은 데이터 세트를 탐색하고 새로운 알고리즘을 지속적으로 실험하는 것을 의미합니다 (좋은 오래된 시행 착오).

CSA되기

CSA가되는 데 관심이 있으시면 Stanford 's에서 제공하는 고품질 교육 과정을 통해 업계에서 앞서 나갈 수 있습니다. Coursera의 머신 러닝 과정 하버드에 데이터 과학 전문 자격증, 코넬 스 ML 인증서및 MIT AI의 전문 인증 프로그램.

학계 외부의 크라우드 소싱 실무자로부터 배우기를 선호하는 사람들은 이제 제목이 붙은 새로운 과정에 등록 할 수 있습니다. 효율적인 기계 학습을위한 실용적인 크라우드 소싱. 이 실습 온라인 과정은 초보자에게 적합하며 완료하는 데 약 23 시간이 걸리며 완료시 공유 가능한 인증서를 제공합니다. 다른 과목 중에서 데이터 라벨링의 품질과 정확성에 대해 가르칩니다. 성공적인 졸업생은 전체주기 크라우드 소싱 프로젝트를 실행하여 알고리즘을 테스트 할 수있는 기회를 갖게됩니다.

관련 :

• 크라우드 소싱 vs. 관리 팀 : 데이터 라벨링 품질 연구
• 머신 러닝의 개방형 혁신 및 크라우드 소싱 – 데이터에서 프리미엄 가치 얻기
• 저렴한 비용으로 레이블이 지정된 고품질 교육 데이터를 얻는 7 가지 방법