Programmatori, sviluppatori, data analyst, big data architect: tante sono le figure che hanno iniziato a popolare il mondo delle nuove professioni digitali. Sono i mestieri del futuro, ce lo ripetiamo da tempo. Ma ce n’è una in particolare che sta emergendo su percorsi e binari diversi rispetto a quelli a cui abbiamo assistito finora. È il machine learning specialist, una figura vicina al settore del data science e una delle professionalità più ricercate (e remunerate) del momento. Tanto che, secondo Stack Overflow, è oggi tra le quattro posizioni meglio pagate in ambito software, di pari passo con data scientist e sviluppatori con background in statistica e matematica.
Il machine learning specialist combina statistica e informatica per sviluppare algoritmi di apprendimento che si evolvono e migliorano continuamente.
Ma chi è e che cosa fa un machine learning specialist? Si tratta di un professionista specializzato nello sviluppo del machine learning, una branca dell’intelligenza artificiale incentrata sullo sviluppo di algoritmi che possono “imparare” adattandosi ai dati e facendo previsioni. Qualche esempio pratico? Se la guida autonoma rappresenta l’essenza del machine learning, i suggerimenti per offerte online (come quelli di Amazon o Netflix) e la misurazione della reputazione aziendale sui social (machine learning abbinato alla creazione di regole linguistiche) sono solo alcuni dei molti impieghi che l’apprendimento automatico può arrivare a svolgere.
Il machine learning specialist, insomma, combina statistica e informatica per sviluppare algoritmi di apprendimento che si evolvono e migliorano continuamente. Secondo la descrizione di Talent Lyft, in particolare questo esperto si occupa di progettazione e sviluppo di algoritmi; esecuzione di analisi esplicative dei dati; scoperta, progettazione e sviluppo di metodi analitici a sostegno di nuovi approcci all’elaborazione dei dati e delle informazioni; generazione e controllo di ipotesi di lavoro; supporto tecnico per la gestione del programma e le attività di sviluppo commerciale; gestione della condivisione delle conoscenze all’interno di una community di riferimento.
Perché il machine learning specialist è una figura così fondamentale? Le organizzazioni che hanno compreso il potenziale dei Big data si sono attrezzate per centralizzare la mole di dati contenuti nei loro archivi in database più grandi, ma ora servono gli specialisti in grado di gestirli (e non bastano semplici informatici). La cosa interessante, infatti, è che il machine learning, rispetto ad altre professionalità, non è di interesse soltanto per gli esperti IT, ma è potenzialmente un campo dove si possono spendere sia matematici che statistici e programmatori.
Oggi soltanto il 30% delle persone arriva a frequentare un corso di machine learning o di data science tra le proprie materie accademiche.
Ma come si diventa machine learning specialist? Com’è (purtroppo) noto, il tasso di aggiornamento dei contenuti e dei profili dei corsi di studio universitari stenta a tenere il passo con l’evoluzione delle tecnologie e dell’intelligenza artificiale: secondo un sondaggio di Kaggle, oggi soltanto il 30% delle persone arriva a frequentare un corso di machine learning o di data science tra le proprie materie accademiche. Il fatto è che nemmeno un percorso universitario dedicato potrebbe mai essere davvero completo, perché i contenuti si sviluppano così rapidamente che la figura del machine learning specialist è per antonomasia esemplificativa della necessità del “lifelong learning”, ovvero di un aggiornamento costante delle proprie competenze lungo tutto l’arco della propria carriera professionale. Essere intraprendenti e autodidatti, allora, diventa fondamentale: così infatti il 66% degli intervistati di Kaggle dichiara di aver appreso le nozioni necessarie, mentre poco più della metà si è rivolto a corsi online.
Tra questi, ve ne sono diversi forniti anche da importanti università come Stanford o da piattaforme come Coursera, Udemy e Springboard, un motore di ricerca per corsi online, dove si trova anche la lista delle università e società che offrono formazione in questo ambito. Per una panoramica interessante (e gratuita) sull’argomento, le lezioni video di questo summer camp del MIT esplorano il funzionamento del cervello umano e come questo viene replicato nelle macchine.
La figura del machine learning specialist è per antonomasia esemplificativa della necessità del “lifelong learning”.
Fortunatamente, comunque, il machine learning è un campo molto aperto anche a chi ha competenze in ambiti diversi, ed entrare nel settore dell’intelligenza artificiale è più facile di quanto possa sembrare – almeno stando a quanto dichiara Andrew Ng, uno dei pionieri del deep learning (un metodo di ricerca basato su gerarchie di fattori e concetti e quindi su livelli stratificati di rappresentazione). Perché? Semplice: all’aumentare della mole di informazioni disponibili, gli algoritmi che le analizzano diventano sempre più semplici e di facile intuizione.
L’aspetto più importante del machine learning è infatti la ripetitività, perché più i modelli sono esposti ai dati, maggiore è la loro capacità di adattarsi in modo autonomo, imparando da elaborazioni precedenti per produrre risultati e prendere decisioni che siano affidabili e replicabili.
Il punto debole della professione? Essendo un settore complesso e ancora poco integrato nelle dinamiche quotidiane delle aziende, e vista la conoscenza ancora non consolidata dei requisiti e delle modalità di lavoro necessari da parte dei manager e dei datori di lavoro, alcune aziende potrebbero non riuscire a fornire un insieme di dati sufficientemente valido per ottenere buoni risultati, oppure avanzare richieste imprecise o irrealizzabili. Il naturale e ideale sbocco per i machine learning specialist sono quindi i contesti aziendali che sono cresciuti su Internet e abituati a raccogliere grandi moli di informazioni sul comportamento dei propri utenti, utilizzando tecniche come l’A/B test (test di verifica di ipotesi, usato soprattutto nel web experience design) per migliorare i propri servizi. Un esempio, tra l’altro, a cui le aziende che vogliono essere competitive e accaparrarsi i talenti chiave di domani dovrebbero ispirarsi, implementando processi complementari.
I Paesi più promettenti per trovare lavoro in questo campo? Gli Stati Uniti, naturalmente, ma anche paesi come l’India e la Cina, spaziando in ambiti come aziende tech e Internet, ma anche finanza e assicurazioni e, per finire, l’ambito accademico. Acquisire le giuste competenze non sarà un gioco da ragazzi, ma le possibilità sono infinite, quindi vale la pena iniziare a interessarsi da subito.
