Integral Ad Sciences Paulo da Costa diskuterar sin dagliga roll som dataforskare och varför du inte ska underskatta vikten av att börja i det små.
Paulo da Costa är en personaldataforskare på Integral Ad Science, där han kombinerar datorseende, naturligt språkbehandling och ljudbehandlingstekniker för att skapa modeller för annonsverifiering och optimering, med fokus på videoinnehåll.
En typisk dag för da Costa börjar med teamuppdateringar där projektutveckling och schemaläggning diskuteras, tillsammans med allokerad tid för att skriva kod, granska papper och kodutvärderingar. Fler teammöten sker under dagen och veckan, där strategier och mål bedöms, anpassas och modifieras vid behov.
”För att hantera min arbetsbelastning effektivt använder jag strategier som att dela upp uppgifter i hanterbara bitar och blockera dem i min kalender för ansvarstagande och tidshantering”, säger da Costa.
”Allt som allt utvecklas varje dag lite annorlunda, och blandar lagarbete, problemlösning, intressenthantering, testning av idéer och personlig utveckling, med några välförtjänta kaffepauser för gott skull.”
Vilka typer av AI/analysprojekt arbetar du med?
Nuförtiden kretsar de flesta av mina projekt kring användningen av djupinlärning för multimedia- och videoinnehåll. Inom den breda domänen arbetar jag med olika arkitekturer och lärandemål skräddarsydda för specifika användningsfall. Till exempel skulle jag kunna utveckla detektionsmodeller som utnyttjar övervakat lärande, arbeta med ett tillvägagångssätt för informationssökning för att kategorisera videor effektivt eller använda självövervakning för att lära mig användbara representationer utan behov av mänskliga annoterade data. I synnerhet tycker jag om det arbete vi gör med multimodalitet, till exempel genom att kombinera olika modaliteter som vision och text för att skapa bättre modeller som kan behandla olika datasignaler precis som människor gör.
Vilka AI/analytiska färdigheter använder du dagligen?
I min roll befinner jag mig i en mängd olika uppgifter, från att hantera stora mängder data till att fördjupa mig mer i algoritmisk utveckling. Oavsett dagens fokus förblir algoritmiskt tänkande av största vikt, oavsett om det tillämpas på datateknik, produktionsmodeller eller att ta itu med utmaningar med maskininlärning (ML).
Anpassningsförmåga är nyckeln, särskilt när det kommer till de verktyg jag använder. Från att utnyttja Spark och SQL för databehandling till att dyka in i Python-bibliotek som TensorFlow och PyTorch för modellutveckling, mångsidighet är avgörande. Goda kunskaper i mjukvaruutveckling säkerställer dessutom att koden jag skriver inte bara är funktionell utan även underhållsbar och tillgänglig för mina kamrater.
Att bygga en solid grund inom datavetenskap, matematik och statistik är avgörande för att navigera i det ständigt växande utbudet av verktyg och tekniker. På den mjukare sidan spelar kompetensen att hantera människor en lika viktig roll. Effektiv kommunikation, ledarskap och främjande av teamtillväxt och engagemang förbises ofta men oumbärligt för framgång inom detta område.
Vilka är de svåraste delarna med att arbeta med AI/analytics, och hur navigerar du i dem?
Med AI- och ML-fält som rör sig så snabbt kan det vara svårt att hänga med i den aktuella utvecklingen. Effektiv kommunikation är en annan hörnsten, särskilt när man hanterar komplexa koncept. Ibland kan det vara svårt att formulera idéer tydligt och koncist, vilket säkerställer smidigt samarbete med olika team. En stor del av mitt arbete kräver koncentration. Med mängden anslutna enheter och verktyg vi har kan det vara riktigt svårt att minimera distraktioner och avsätta tid för fokuserat arbete.
För att möta dessa utmaningar har jag min egen uppsättning strategier. För det första prioriterar jag uppgifter och sätter tydliga gränser för att säkerställa att jag har nödvändig tid och resurser för att uppnå mina mål. Jag upprätthåller även skriftlig dokumentation om de projekt jag arbetar med för en effektivare och effektivare kommunikation. Dessutom begränsar jag medvetet min användning av sociala medier, och jag gör mitt bästa för att hålla mig uppdaterad med den senaste utvecklingen genom att ägna tid åt att utforska de senaste verken och hålla mig informerad om framsteg inom området.
Har du några produktivitetstips som hjälper dig genom dagen?
Jag anstränger mig för att ta regelbundna pauser, hålla mig hydrerad och se till att jag får tillräckligt med vila när det är möjligt. Jag tror att fysisk träning hjälper mig att lindra stress och säkerställer att jag prioriterar egenvård.
Jag brukar börja min dag med att sätta upp tydliga mål och prioriteringar. Jag identifierar de mest kritiska uppgifterna som behöver min uppmärksamhet och fokuserar på dem först. Dessutom, när det är möjligt, försöker jag automatisera repetitiva uppgifter. Även om det kan ta lite tid till en början, kommer ditt framtida jag förmodligen att tacka dig för det.
Vilka färdigheter och verktyg använder du för att kommunicera dagligen med dina kollegor?
Min dagliga kommunikation med kollegor innebär en blandning av arbetsrelaterade och sociala interaktioner. Slack är ett primärt verktyg för realtidskommunikation med kollegor. Jag använder Slack-kanaler för arbetsrelaterade diskussioner, delar uppdateringar om projekt och koordinerar med teammedlemmar. Jag använder Jira som ett projektledningsverktyg som hjälper till att spåra och tilldela uppgifter, spåra status och prioritera arbete utifrån projektkrav. Versionskontroll är också viktigt för samarbetsutveckling i AI-projekt, vilket säkerställer sömlös integrering av kodändringar över hela teamet. Med tanke på vår globala arbetsstyrka använder vi dessutom mycket videokonferenser för möten och samarbetsdiskussioner.
”Framgång involverar ofta flera försök och enstaka bakslag”
Hur har denna roll förändrats i takt med att AI/analytiksektorn har växt och utvecklats?
Med uppkomsten av djupinlärning, särskilt med transformatorbaserade modeller som BERT och GPT, har det skett en anmärkningsvärd förändring i hur vi närmar oss uppgifter som naturlig språkbehandling och datorseende.
Denna förändring inkluderar en förändring av mängden data som krävs för träningsmodeller, där matning av mer data till större modeller har visat betydande prestandaförbättringar. Dessa framsteg har lett till snabba framsteg inom både hårdvara (GPU, TPU) och mjukvara (TensorFlow, PyTorch), vilket möjliggör experimenterande med större modeller och mer komplexa arkitekturer, vilket driver genombrott inom olika domäner.
Samtidigt är skalbarhet och effektivitet viktigt i dagens landskap, särskilt för beslutsfattande i realtid, vilket leder till utvecklingar inom distribuerade träningstekniker, modellkomprimering och implementeringsmetoder för resursbegränsade enheter. Dessutom har den växande användningen av AI väckt oro för datasekretess och algoritmisk ansvarighet, vilket ökar ansträngningarna för att skapa mer transparenta AI-system.
Vad gillar du mest med att arbeta inom AI/analys?
Det jag tycker är mest tillfredsställande med att arbeta inom AI/analytik är möjligheten att lösa verkliga utmaningar och arbeta med intressanta problem. Även om själva tekniken är fascinerande, är det som verkligen driver mig att bevittna dess praktiska tillämpning och den påtagliga inverkan den kan ha.
Att upptäcka innovativa lösningar och observera de positiva resultaten de ger är det som håller mig motiverad i vardagen. Dessutom värdesätter jag samarbete och kraften i lagarbete. Genom att arbeta tillsammans med andra kan vi kombinera vår expertis och perspektiv, vilket i slutändan leder till ännu bättre lösningar.
Vilket råd skulle du ge till någon som vill arbeta med AI/analytik?
Ägna dig åt kontinuerligt lärande och förbli ödmjuk inför nya utmaningar och kunskapsluckor. Fältet är stort och utvecklas snabbt, så en solid grund i kombination med en vilja att lära sig kommer att vara avgörande.
Var inte rädd för att ta dig an nya projekt och utmaningar. Samarbeta med andra, både inom och utanför ditt område, för att få olika perspektiv och olika synvinklar. Att arbeta i olika team kan ofta leda till mer innovativa lösningar och personlig utveckling. Du vet aldrig när du hittar din pärla.
Förstå att framgång ofta innebär flera försök och enstaka motgångar. Inom AI och analys är experiment lika avgörande som att uppnå resultat. Omfamna osäkerhet och försök att vara bekväm med att navigera genom tvetydighet.
Underskatta inte vikten av att börja smått. Det är vanligt att nykomlingar dyker in i komplexa modeller utan att etablera enklare baslinjer. Att förenkla vid behov kan ge klarhet och bana väg för mer effektiva och robusta lösningar.
Ta reda på hur nya tekniska trender förändras i morgon med vår nya podcast, Future Human: The Series. Lyssna nu Spotifypå Äpple eller var du än får dina poddar.
