Cela fait presque six ans depuis mon parcours dans l'Intelligence Artificielle (IA). C'était en 2016 lorsque je suis tombé sur le domaine par pur raisonnement logique. Par cela, je veux dire que j'ai réfléchi à des façons de canaliser mes forces pour résoudre des problèmes. Issu d'une formation quantitative, j'avais déjà les mathématiques et les statistiques de mon côté comme points forts. Ce que j'ai découvert, c'est que je ne pouvais pas facilement m'introduire avec seulement ces deux ensembles de compétences ; que j'avais besoin de calcul et d'une autre variable, faute d'un meilleur mot, qui serait le problème ou le domaine.

J'ai joué avec l'idée de la finance comme domaine et ainsi, vous aurez, par exemple, les mathématiques, les statistiques, le calcul et X, étant la finance. Le plus proche que j'ai rencontré concernant cette synergie de compétences est la finance computationnelle. C'est-à-dire utiliser les mathématiques, les statistiques et le calcul pour résoudre des problèmes en finance. Remplacez Finance par n'importe quel autre domaine, et vous obtiendrez la dérive du processus de réflexion.

Et c'était à l'époque où la science des données et l'intelligence artificielle n'étaient pas courantes ; vous les verrez même rarement dans les cursus universitaires. Il a été travaillé par des passionnés, des bricoleurs et des chercheurs indépendants.

Donc, je sais que j'avais besoin d'entrer par effraction dans le calcul. Et j'ai commencé à apprendre le langage Python. J'ai appris la syntaxe en moins d'un mois, et à ce moment-là, j'avais trouvé des plateformes comme Numerai et Quantopian, où vous échangez des algorithmes financiers contre de l'argent ou de la crypto-monnaie. Même la crypto-monnaie n'était pas courante à l'époque.

C'est plus tard que j'ai découvert que ce domaine est en fait Data Science , qui se traduit vaguement par la science d'extraire de la valeur des données, mais avec une torsion. Au lieu d'utiliser uniquement un stylo et du papier, ou de la craie et un tableau, vous utilisez le calcul et la base de données comme levier de vitesse et de volume de travail.

Grâce à la science des données, je suis tombé sur l'apprentissage automatique en tant qu'outil d'aide au processus de science des données. La science des données est simplement le processus scientifique appliqué aux données. Vous devez apprendre des informations à partir des données, mais au lieu de vous contenter d'apprendre, la « machine » vous aide dans le processus d'apprentissage. Il apprend automatiquement les modèles de données, en fonction des fonctionnalités que vous avez conçues à partir des données. Ensuite, à partir de Machine Learning, je suis tombé sur son sous-ensemble - Deep Learning . Ici, les modèles apprennent sans que vous fassiez l'ingénierie des fonctionnalités. Il extrait les fonctionnalités, en particulier les fonctionnalités masquées, pour vous apporter une meilleure valeur. Ainsi, l'apprentissage automatique et l'apprentissage en profondeur font partie d'un domaine plus vaste appelé intelligence artificielle .qui est un outil pour le processus Data Science. Vous pouvez utiliser votre intelligence naturelle pour extraire la valeur des données ; vous pouvez également en utiliser un artificiel pour faire de même, et c'est là que l'IA entre en jeu.

Dans mon parcours d'Intelligence Artificielle, j'aurais aimé les connaître :

1. C'EST EN RÉALITÉ UN LONG VOYAGE.

C'est un marathon, pas un sprint. Je ne savais pas que cela prendrait autant de temps. Et même en 2022, j'apprends encore. Il y a encore des documents de recherche que je dois lire et mettre en œuvre ; Codes GitHub à lire, digérer et bricoler. J'aurais dû préparer mon esprit pour profiter du processus.

2. LA RÉCOMPENSE EST DANS LE VOYAGE, PAS À UNE DESTINATION.

J'avais l'habitude de penser que lorsque je devenais bon, par exemple, en Deep Learning, alors j'étais "arrivé" . Ce que j'ai réalisé, c'est qu'après avoir suivi des cours de Deep Learning, il reste encore beaucoup à apprendre. Ou quand j'aurais obtenu un concert de Computer Vision, alors j'aurais réussi. Ce que je réalise, c'est que ce sont les résultats de la chose principale qui est le voyage, ou le processus. Le processus d'apprentissage, de lecture, d'expérimentation, de codage et de production de solutions aux problèmes. Et ce sont les récompenses en elles-mêmes.

3. COMMENCEZ À RÉSOUDRE LES PROBLÈMES TÔT.

Lorsque nous entrons dans le parcours de suivre des cours en ligne, si nous ne faisons pas attention, nous nous retrouvons dans la boucle perpétuelle de suivre un cours après l'autre, et nous tombons dans l'illusion d'avoir des connaissances simplement en suivant des cours. Savoir quand passer mentalement en production en écrivant des codes et en travaillant sur des projets ; savoir quand vous en avez pris assez pour commencer à produire. Votre meilleur CV n'est pas les cours que vous avez suivis, mais les projets sur lesquels vous avez osé travailler ; c'est votre profil GitHub, pas votre certification.

4. SUIVEZ VOS CURIOSITÉS.

J'aurais dû le savoir plus tôt, mais je suis tombé sur cette idée dans le tweetstorm de Naval Ravikant : "La connaissance spécifique est trouvée en poursuivant votre véritable curiosité et votre passion plutôt que tout ce qui est chaud en ce moment". Construire des connaissances spécifiques vous semblera un jeu, mais ressemblera à un travail pour les autres. Allumez votre enfant intérieur, devenez curieux. Poursuivez vos curiosités. C'est un long voyage, quand d'autres choses ont échoué, vos curiosités vous permettront de continuer. Travaillez sur les projets qui vous intéressent le plus en intelligence artificielle, cela ravivera votre passion et fera ressortir votre meilleur travail. Cela nous amène au point final.

5. ÊTRE DANS L'ÉTAT DE JEU.

Je sais que c'est apprendre, travailler, étudier et expérimenter. Mais maintenez l'état des lieux. Cela atténuera la tension du code qui ne fonctionne pas comme prévu ; l'inquiétude des idées qui ne sont pas faciles à comprendre, ou l'anxiété des autres obstacles que vous rencontrerez dans le voyage.

Ce sont quelques-unes des choses que j'aurais aimé savoir plus tôt lorsque j'ai commencé mon voyage vers l'intelligence artificielle, et j'espère qu'elles pourront également vous être utiles dans la poursuite de la vôtre.