Saya seorang mahasiswa CS master di universitas Jerman sekarang sedang menulis tesis saya. Saya akan selesai dalam dua bulan saya harus membuat keputusan yang sangat sulit jika saya harus melanjutkan ke PhD atau mencari pekerjaan di industri.
Alasan saya melakukan PhD:
Saya orang yang sangat ingin tahu dan saya merasa saya masih kurang terlalu banyak pengetahuan. Saya ingin belajar banyak dan PhD akan membantu saya untuk itu, karena saya bisa melakukan lebih banyak kursus yang baik dan membaca banyak makalah dan menjadi ahli dalam penambangan data dan pembelajaran mesin. Saya suka matematika tetapi tidak pandai dalam hal undergrad saya (bad uni). Sekarang di Uni Jerman ini saya merasa telah mengembangkan banyak keterampilan matematika yang hebat dan saya ingin meningkatkannya karena saya benar-benar menyukai matematika! (Saya benar-benar sangat buruk dalam matematika di sarjana saya dan selama hidup saya, tetapi sekarang saya melihat saya bisa melakukan matematika dengan baik!)
Saya akan bekerja dengan hal-hal yang menantang secara intelektual.
Saya harus jujur dan mengatakan bahwa saya juga benci melihat orang lain dengan gelar lebih tinggi dari saya. Jadi jika saya berjalan ke jalan dan melihat seseorang dengan gelar PhD, saya tidak perlu mengatakan "oh wow orang ini lebih pintar daripada saya." Saya lebih suka berada di sisi lain. ;)
Alasan saya untuk TIDAK melakukan PhD:
Saya membaca di internet tentang melakukan PhD atau tidak. Saya menemukan bahwa dalam kebanyakan kasus dan biasanya orang-orang dengan gelar PhD melakukan pekerjaan yang sama dengan orang-orang dengan gelar master. (Itu adalah pengamatan umum dalam ilmu komputer, bukan tentang ML / DM).
Saya dapat memulai karier dan menghasilkan banyak uang dalam 1 atau 2 tahun, maka saya mungkin dapat memulai perusahaan sendiri.
Yang belum jelas:
Saya masih tidak tahu apa tujuan akhir saya pada akhirnya. Apakah memiliki perusahaan kecil yang terkenal? Atau menjadi ilmuwan terkenal? Saya masih belum memiliki jawaban untuk pertanyaan ini.
Untuk membantu saya mengambil keputusan, saya ingin tahu dua hal:
Bagaimana rasanya bekerja sebagai ilmuwan data / pelajar mesin dengan gelar master di industri? Pekerjaan seperti apa yang Anda lakukan? Terutama ketika saya membaca iklan itu di Amazon sebagai ilmuwan pembelajaran mesin, saya selalu bertanya-tanya apa yang mereka lakukan.
Pertanyaan yang sama seperti sebelumnya, tetapi dengan gelar PhD. Apakah Anda melakukan sesuatu yang berbeda atau sama dengan tuan?
Apakah saya akan menghadapi masalah menarik yang menantang? Atau hal-hal yang membosankan?
Sebagai catatan singkat: Saya telah melihat seorang pria dengan gelar PhD dalam pembelajaran mesin (di Jerman) dan bekerja di sebuah perusahaan yang mempromosikan perangkat lunak pembelajaran mesin. Seperti yang saya pahami sebagian besar pekerjaannya adalah melatih orang untuk menggunakan metode dan perangkat lunak (pohon keputusan .. dll).
Akan lebih bagus jika saya bisa mendapatkan jawaban dari pengalaman yang berhubungan dengan Jerman / Swiss di beberapa perusahaan terkenal yang bagus.
sumber
Jawaban:
Alex, saya tidak dapat berkomentar secara spesifik tentang Jerman atau Swiss, tetapi saya bekerja untuk perusahaan internasional dengan staf lebih dari 100.000 orang dari semua negara yang berbeda. Sebagian besar dari orang-orang ini memiliki setidaknya tingkat gelar pascasarjana, banyak yang memiliki gelar Master dan PhD dan, kecuali untuk staf SDM dan Admin, kebanyakan dari kita adalah ahli dalam satu atau lebih domain ilmiah yang berbeda. Saya memiliki lebih dari 30 tahun pengalaman, telah bekerja sebagai spesialis ilmiah / teknis yang terampil, manajer, manajer proyek dan akhirnya kembali ke peran ilmiah murni yang saya nikmati. Saya juga terlibat dengan mempekerjakan staf dan mungkin beberapa pengamatan saya yang mengikuti mungkin bermanfaat bagi Anda.
Kebanyakan lulusan baru benar-benar tidak tahu persis apa yang mereka inginkan dan biasanya butuh beberapa tahun untuk mengetahuinya. Dalam kebanyakan kasus, pengalaman di tempat kerja mereka ternyata sangat berbeda dibandingkan dengan apa yang mereka harapkan karena berbagai alasan. Beberapa tempat kerja mengasyikkan, ada pula yang membosankan, membosankan, dan "politik di tempat kerja", bos yang buruk, dll terkadang bisa menjadi masalah besar. Tingkat yang lebih tinggi mungkin atau mungkin tidak membantu sama sekali dengan semua masalah ini.
Sebagian besar pengusaha menginginkan orang yang dapat "melakukan pekerjaan" dan menjadi produktif sesegera mungkin. Tingkat yang lebih tinggi mungkin penting atau tidak penting, tergantung pada pemberi kerja. Dalam beberapa situasi pintu ditutup KECUALI Anda memiliki gelar PhD. Dalam situasi lain, pintu mungkin ditutup KARENA Anda memiliki gelar PhD dan majikan menginginkan seseorang yang "kurang teoretis dan dengan pengalaman yang lebih praktis".
Gelar PhD tidak selalu berarti promosi yang lebih cepat atau bahkan perbedaan gaji yang besar dan mungkin atau mungkin tidak membuat perbedaan pada jenis posisi yang dapat Anda peroleh. Secara umum ketika saya mewawancarai kandidat, saya paling tertarik untuk menemukan orang-orang dengan pengalaman terkait pekerjaan yang relevan. PhD mungkin menjadi faktor penentu akhir dalam mengamankan posisi, JIKA topik tesis kandidat secara khusus relevan.
Orang-orang cenderung berganti pekerjaan lebih sering sekarang daripada dulu. Usia Anda dibagi 2 * pi bukan aturan praktis yang buruk selama beberapa tahun untuk tetap bekerja sebelum Anda mulai berputar-putar. Beberapa orang bekerja sebentar dan kemudian kembali ke studi yang lebih tinggi. Beberapa orang (seperti saya) memulai PhD dan kemudian mendapatkan "tawaran yang terlalu bagus untuk ditolak" dan meninggalkan PhD untuk pergi dan bekerja. Apakah saya menyesal telah melakukannya? TIDAK, tidak sama sekali, dan jika saya mulai dari awal lagi saya akan melakukan PhD dalam topik yang sama sekali berbeda.
Saran terbaik yang bisa saya berikan kepada Anda adalah melakukan apa yang paling Anda sukai lakukan dan lihat bagaimana itu berkembang. Tidak ada orang lain yang bisa memberi tahu Anda apa yang terbaik untuk Anda. Kadang-kadang Anda hanya perlu mencoba sesuatu dan, jika tidak berhasil, maka pelajari sebanyak mungkin dari itu dan beralih ke sesuatu yang lain. Seperti yang dikatakan Rodin: Tidak ada yang membuang-buang waktu jika Anda menggunakan pengalaman itu dengan bijak.
sumber
Sebelum saya jelaskan pendapat saya tentang rutinitas pekerjaan, saya akan memilih beberapa posting Anda yang menurut saya relevan (penekanan saya):
Berdasarkan 1 dan 2, Anda tampaknya memiliki pandangan yang sangat romantis tentang ilmu data dan penelitian pada umumnya. Ya, Anda akan mulai mengerjakan masalah yang menarik, tetapi tentu saja 24/7 (ini berlaku untuk industri dan penelitian).
Berdasarkan 2 dan 3, Anda tampaknya mempertimbangkan penelitian puncak kecerdasan manusia dan menganggap PhD sebagai sertifikasi kecerdasan Anda. Saya tidak setuju, karena:
Menurut pendapat pribadi saya, orang yang paling cerdas adalah orang-orang yang pada akhirnya menjalani kehidupan yang bahagia dengan pilihan yang mereka buat, apakah itu berarti menjadi ahli fisika nuklir atau tukang kayu. Jangan membuat keputusan berdasarkan apakah mereka memberi Anda sesuatu untuk dipamerkan atau tidak.
Berdasarkan 4 dan 5, sepertinya Anda membayangkan memulai perusahaan sendiri di beberapa titik. Ketahuilah bahwa ketika melakukan startup, bahkan yang berorientasi teknologi, Anda kemungkinan besar tidak akan menghabiskan sebagian besar waktu Anda dengan teknologi yang sebenarnya. Pemasaran, rencana bisnis, manajemen, dll. Semuanya sama-sama (jika tidak lebih) penting bagi startup yang sukses. Bagaimana Anda mengharapkan gelar PhD membantu?
Sekarang karena pendahuluan ini sudah tidak ada: pendapat pribadi saya tentang rutinitas pekerjaan ilmuwan mesin pembelajaran. Pertama-tama: Anda mulai bekerja dengan metode canggih pada set data besar / rumit / menarik dengan penekanan pada pilihan Anda. Ini tentu saja merupakan pekerjaan yang sangat menarik.
... TAPI
Pembelajaran mesin nyata melibatkan banyak pekerjaan kasar
Anda tidak akan menghabiskan setiap jam kerja di dunia utopis yang penuh dengan keanggunan matematis sementara pasukan komputer melakukan penawaran Anda. Sebagian besar waktu Anda akan dihabiskan untuk melakukan pekerjaan kasar: manajemen basis data, menyiapkan set data, menormalkan hal-hal, berurusan dengan ketidakkonsistenan, dll. Saya menghabiskan sebagian besar waktu saya melakukan tugas-tugas seperti ini. Mereka tidak tumbuh lebih menarik dari waktu ke waktu. Jika Anda tidak bergairah dengan topik Anda, pada akhirnya Anda akan kehilangan motivasi untuk melakukan hal-hal ini.
Jika Anda telah mengambil kelas pembelajaran mesin, Anda biasanya mendapatkan set data berlabel baik tanpa inkonsistensi, tidak ada data yang hilang, di mana semuanya seperti yang seharusnya. Ini bukan pembelajaran mesin kehidupan nyata. Anda akan menghabiskan sebagian besar waktu Anda untuk mencoba sampai ke titik di mana Anda siap untuk menjalankan algoritma favorit Anda.
Manajemen harapan dalam kolaborasi
Jika Anda ingin melakukan proyek interdisipliner, Anda harus belajar bagaimana bekerja dengan orang-orang yang tidak tahu banyak tentang apa yang Anda lakukan (ini berlaku untuk spesialisasi apa pun). Dalam pembelajaran mesin yang sering menyiratkan salah satu dari dua skenario:
sumber
Masalah bisnis tidak benar-benar berubah tergantung pada gelar Anda, sehingga Anda akan melihat hal-hal yang sama atau serupa. Jika Anda bekerja di organisasi besar, Anda bekerja pada dataset besar perusahaan. Ini biasanya dapat berupa data produk / klien atau data operasional (data proses kimia, data pasar keuangan, data lalu lintas situs web, dll.). Tujuan akhir generik adalah memanfaatkan data untuk menghemat uang atau menghasilkan uang bagi perusahaan.
Jawabannya seperti di atas, Anda akan melakukan hal yang hampir sama. Namun, dalam penelitian / analisis kuantitatif / atau departemen teknis serupa dari sebuah perusahaan internasional besar, jika Anda memiliki gelar PhD, Anda memiliki keunggulan atas seseorang dengan gelar MSc. dalam hal perkembangan karir. PhD mengajarkan (atau seharusnya mengajar) Anda untuk menjadi peneliti independen, jadi dengan gelar doktor, perusahaan biasanya 'menghargai' tenaga kerja Anda (keterampilan ingin tahu dan ketekunan) sedikit lebih banyak. TETAPI saya akan sangat menyarankan untuk tidak melakukan PhD, hanya demi (berpotensi) perkembangan karir yang lebih cepat. Melakukan PhD adalah sulit dan -terutama menuju proses akhir-menyakitkan, Anda harus menyukai (idealnya cinta) subjek Anda dan juga menurut pendapat saya memiliki potensi minat untuk tetap di akademi (yang merupakan proxy untuk mengungkapkan ketertarikan Anda terhadap penelitian dan topik partiuclar) untuk membuatnya tertahankan.
Juga ingatlah bahwa kembali ke industri dengan gelar PhD, Anda akan tertinggal dalam jenjang karier dan mungkin pada akhirnya akan disalurkan ke peran dukungan yang berorientasi teknis (yang membayar lebih sedikit dibandingkan dengan orang-orang yang menghasilkan uang nyata untuk perusahaan) - yang mungkin bukan tujuan utama Anda. Akhirnya, jika Anda bekerja di perusahaan berskala kecil, di perusahaan Anda sendiri, keunggulan memiliki gelar PhD hampir hilang dalam hal perkembangan karier atau gaji.
Saya kira tidak ada jawaban umum untuk ini. ML adalah lintas disiplin. Jika Anda bekerja sebagai seorang analis, Anda biasanya akan melihat data dan mencoba membangun model, jika Anda berada di sisi pengembangan, Anda akhirnya berurusan dengan knitt-gritties implementasi. Jika Anda menghadapi klien, Anda mungkin harus melakukan banyak pegangan dan pelatihan klien (tetapi kemungkinan mendapatkan lebih banyak uang). Biasanya, jawaban atas pertanyaan Anda tergantung pada preferensi pribadi dan juga seberapa banyak fleksibilitas yang diberikan majikan Anda.
sumber
Atau Anda dapat mencoba untuk bergabung dengan beberapa kelompok penelitian di mana ahli statistik dan pelajar mesin bukanlah penampilan sehari-hari. Misalnya infestasi dan penyebaran penyakit, botani atau ekologi, serangga sosial atau mungkin ilmu sosial?
Saya tidak bisa memberikan contoh yang tepat, tetapi jika Anda adalah ahli statistik / ML yang baik di tempat di mana hanya ada sedikit, daripada orang dan proposal penelitian yang berbeda akan menemukan Anda. Intinya adalah, bahwa Anda akan benar-benar diminati tanpa terlalu banyak usaha dari pihak Anda.
Jika Anda menyukai gagasan itu, daripada mencoba mencari masalah pembelajaran mesin di luar topik Anda saat ini (industri), dan mungkin Anda akan menemukan cara bagaimana menemukan "masalah menarik yang menantang" dan "bekerja dengan hal-hal yang menantang secara intelektual".
sumber
Saya setuju dengan jawaban yang lain. Saya hanya akan menekankan bahwa satu cara umum (setidaknya di AS) untuk orang-orang seperti Anda yang ragu antara melanjutkan dengan PhD atau melakukan industri setelah gelar sarjana mereka adalah untuk mengajukan PhD, kemudian mengambil cuti (satu tahun atau lebih) jika hal-hal tidak sehebat yang mereka harapkan atau hanya ingin menjelajahi industri. Secara umum lebih mudah untuk mengajukan PhD tepat setelah sarjana: Anda belum lupa kebiasaan untuk menjejalkan ujian (GRE), profesor yang akan menulis surat rekomendasi untuk Anda masih mengingat Anda dengan baik, dll.
Juga, dalam perbandingan Anda antara PhD dan industri, di antara peluang yang Anda miliki, Anda mungkin ingin membandingkan akses ke kumpulan data yang menarik, ketersediaan cluster komputer, keterampilan rekayasa perangkat lunak tempat itu dan berapa banyak orang yang ditugaskan untuk setiap proyek.
Terakhir, Anda juga dapat menemukan banyak hal yang menantang secara intelektual dalam industri ini, misalnya, periksa IBM / Google / Microsoft / Nuansa / Facebook / dll. departemen penelitian (seperti halnya Anda dapat menemukan banyak hal akademis yang tidak menantang secara intelektual). Misalnya orang-orang di belakang SVM bekerja di AT&T, IBM Watson di IBM, Google Translate adalah salah satu sistem terjemahan mesin terbaik, Nuance dan Google memiliki sistem pengenalan suara terbaik, dan mereka sangat jauh dari contoh-contoh yang terisolasi. Bahkan saya selalu bertanya-tanya siapa di antara industri dan akademisi yang berkontribusi paling besar terhadap penelitian pembelajaran mesin (saya telah mengajukan pertanyaan yang sama mengenai penelitian basis data tentang Quora: Apakah penelitian basis data sebagian besar didorong oleh industri selama dekade terakhir? ).
sumber
Untuk mendapatkan gelar PhD, Anda harus meningkatkan pengetahuan manusia. Anda tidak hanya harus belajar lebih banyak hal. Anda harus menghasilkan sesuatu yang asli. Ini adalah proses yang panjang, lambat, dan menyakitkan, dan tidak semua orang berhasil melakukannya. Jadi, Anda harus melakukan PhD hanya jika Anda berpikir Anda memiliki kontribusi baru, kreatif, untuk bidang di dalam Anda.
Jika Anda hanya ingin mempelajari bidang tersebut dan menerapkan bidang tersebut, ambil Master Anda paling banyak, dan kemudian habiskan sisa hidup Anda untuk belajar selagi Anda melamar. Baca beberapa hal. Ikuti lokakarya sesekali. Jika pada suatu saat Anda terinfeksi keinginan untuk melakukan sesuatu yang benar-benar orisinal, berhentilah sejenak dari karier dan cobalah untuk mendapatkan gelar PhD itu.
sumber
Ketika Anda memilih / perusahaan kecil yang terkenal / rute, Anda memiliki kebebasan untuk mendirikan departemen penelitian di perusahaan Anda.
Di sini, Anda bisa menjadi kreatif yang menyebalkan, seperti di, tidak terkendali ... jelajahi semua fantasi masa kecil Anda, hal-hal yang menantang secara intelektual ... Anda atur langkahnya ... Anda akan menjadi / lelaki /.
Anda tidak harus duduk di Laboratorium Universitas untuk menulis makalah / Pembunuh / penelitian.
Meskipun demikian, saat itu, Anda selalu dapat berkoordinasi dengan departemen penelitian yang relevan di Univ. Lihat...? zwei vögel mit eines stein :-)
Ya, kesombongan, dalam jumlah sedang, memotivasi kita untuk mencari yang terbaik yang bisa ada.
Semoga berhasil.
yb
sumber