Стоит ли получать онлайн-магистерскую степень в области искусственного интеллекта?

Рассмотрим реальную ценность онлайн-программ магистратуры по искусственному интеллекту, сочетающих объективные данные с практическим опытом работы инженера по машинному обучению в крупной технологической компании.

Делиться

Я опытный инженер по машинному обучению с опытом работы в крупных технологических компаниях, таких как Meta, Google и LinkedIn. Даже имея работу в ведущей технологической компании и возможность работать над действительно интересными задачами машинного обучения, я решил получить степень магистра в заочной форме обучения в Техасском университете в Остине и недавно завершил её. В этом посте я делюсь своими мыслями о том, стоит ли получать степень магистра в области искусственного интеллекта, анализа данных или информатики для построения карьеры в этой сфере.

Онлайн-магистерские программы по искусственному интеллекту

В последние несколько лет ряд ведущих университетов предлагают онлайн-магистерские программы по информатике, искусственному интеллекту и анализу данных. Среди наиболее известных программ от известных университетов можно выделить следующие:

• OMSCS в Технологическом институте Джорджии
• Магистерская программа по информатике в Стэнфордском университете (только для жителей США)
• Магистерская программа по информатике, искусственному интеллекту или науке о данных в Техасском университете в Остине.
• Магистр наук в области машинного обучения и анализа данных в Имперском колледже Лондона.
• Магистр информационных и данных наук в Калифорнийском университете в Беркли.

Эти программы в точности идентичны своим очным аналогам. Студенты проходят те же курсы, учатся у тех же преподавателей, выполняют те же задания и получают тот же диплом по окончании обучения (например, в Техасском университете в Остине студенты онлайн-магистратуры также приглашаются на ту же церемонию вручения дипломов, что и студенты очного отделения).

Единственное отличие — это способ проведения занятий. Лекции записываются и просматриваются онлайн, все взаимодействия между преподавателями, ассистентами преподавателей и студентами происходят онлайн (через Zoom, внутренние форумы или чаты), все задания и экзамены выполняются и загружаются онлайн.

Стоят ли они того?

Для людей, уже работающих в отрасли, я считаю, что это возможно, при условии, что у вас есть веские причины для участия в программе и вы выберете хорошую программу. В остальной части поста я объясню свои рассуждения, подкрепленные реальными данными и личным опытом.

Преимущества

Учебная программа поощряет завершение обучения (и, следовательно, усвоение знаний).

Несмотря на то, что большая часть знаний в области науки о данных, машинного обучения и искусственного интеллекта сегодня свободно доступна в интернете, структурированная программа обучения побуждает вас к реальной работе над ними и доведению их до конца.

Рассмотрим реальные данные. Показатель завершения таких программ получения степени значительно выше, чем у МООК, что подтверждается следующей диаграммой, на которой представлены данные по различным программам с разными формами обучения — МООК, онлайн-обучение и обучение в кампусе. В этих данных онлайн-программы, как правило, имеют значительно более высокий показатель завершения, чем МООК. Конечно, программы обучения в кампусе имеют самые высокие показатели завершения, но они значительно дороже по сравнению с онлайн-программами (подробнее об этом ниже в этой статье).

Из личного опыта: до начала обучения в магистратуре я добавил в закладки десятки плейлистов на YouTube, купил книги и онлайн-курсы по обучению с подкреплением и продвинутой линейной алгебре. Однако я так и не дочитал их все до конца. Список только рос. Но когда я поступил в магистратуру, меня подтолкнули к тому, чтобы действительно завершить курсы, на которые я записался. Например, в рамках курса по обучению с подкреплением меня заставили полностью прочитать эталонную книгу по обучению с подкреплением Барто и Саттона, делать заметки, выполнять задания и готовиться к экзаменам. Могу с уверенностью сказать, что если бы не эта программа, я бы никогда не изучил этот предмет так глубоко.

По завершении курсов программы я начал видеть положительное влияние на свою работу в качестве инженера по машинному обучению. Например, я смог применить контекстные бандиты (которые я изучил на курсе по обучению с подкреплением) для персонализации ранжирования рекламы для пользователей, а также квантизацию и адаптеры низкого ранга в глубоком обучении (из курса «Достижения в глубоком обучении») в больших моделях. Кроме того, полученные знания помогли мне активно участвовать в обсуждениях с коллегами по работе, проверять их работу и поддерживать свою роль технического лидера. Некоторые из этих проектов и мероприятий могли бы показаться слишком сложными без прочных базовых знаний, полученных на курсах.

Но чтобы правильно оценить ситуацию, я в целом обнаружил, что задачи машинного обучения на работе теоретически проще и решаются с помощью более простых методов по сравнению со сложными и разнообразными концепциями, которые я изучал в рамках программы обучения. Однако в индустрии задачи невероятно сложны в плане внедрения и масштабирования в производство, к чему может подготовить только практический опыт.

Они предлагают широкий выбор курсов по искусственному интеллекту.

Большинство хороших программ, которые я рассматривал, предлагают широкий выбор модулей, связанных с искусственным интеллектом и наукой о данных. Очень приятно видеть, что некоторые материалы модулей основаны на статьях, опубликованных всего год или два назад, что свидетельствует о стремлении университетов поддерживать актуальность изучаемого материала.

Ниже приведён пример различных модулей, которые я изучил в разных университетах (в произвольном порядке). Я проверил, что их онлайн-программы магистратуры предлагают каждый из этих модулей.

Курсы математики

Математика — это основа искусственного интеллекта. Овладение линейной алгеброй, теорией вероятности и математическим анализом необходимо для понимания внутренних механизмов моделей и уверенной интерпретации сложных научных работ.

• Расширенная линейная алгебра от Техасского университета в Остине.
• Численный анализ, проведенный Университетом Иллинойса в Урбана-Шампейн.
• Математические основы машинного обучения (из Университета Пенсильвании)

курсы статистики

Статистическая точность имеет важное значение как для промышленности, так и для академической среды, поскольку позволяет проводить надежные эксперименты, справляться с неопределенностью и принимать решения на основе данных, которые являются одновременно надежными и воспроизводимыми.

• Эксперименты и причинно-следственная связь (Калифорнийский университет в Беркли)
• Байесовская статистика (Технологический институт Джорджии)

Общие курсы по машинному обучению / глубокому обучению / обучению с подкреплением

Эта область исследований сосредоточена на классическом машинном обучении, с особым акцентом на глубоком обучении — повсеместно распространенной сегодня форме машинного обучения, наряду с обучением с подкреплением, которое приобрело значительную известность благодаря своему применению в сложных системах логического мышления и робототехнике.

• Более теоретический курс по машинному обучению от Техасского университета в Остине.
• Глубокое обучение (и достижения в области глубокого обучения) от Техасского университета в Остине.
• Обучение с подкреплением (Технологический университет Остина)
• Программа «Обучение с помощью машинного обучения» от Университета Колорадо.

Курсы по генеративному искусственному интеллекту

Данная тема охватывает область, которая вывела искусственный интеллект на передний план в современном мире, способствуя расширению границ исследований и применения ИИ.

• Достижения в области глубоких генеративных моделей: весьма актуальный курс, посвященный генеративным моделям, таким как генеративно-состязательные модели и автокодировщики.
• Курс по генеративному искусственному интеллекту от Калифорнийского университета в Беркли.
• Курс по НЛП от Стэнфордского университета с упором на модели на основе трансформеров.
• ChatGPT от Johns Hopkins University разработан с нуля.

Но, пожалуйста, обязательно изучите информацию о любом курсе, который вы планируете пройти, на сайтах с отзывами, созданных самими студентами.

Учетные данные полезны.

Искусственный интеллект дал людям возможность самостоятельно (или в небольших командах) создавать потрясающие продукты, но даже сегодня реальность такова, что если вы хотите работать в компании или найти соучредителей для своего стартапа в сфере ИИ, ваши квалификации, скорее всего, будут иметь большое значение. ИИ поднял базовый уровень производительности и качества работы каждого человека до определенного уровня, поэтому еще один способ выделиться — это получить хорошую квалификацию. Я хочу подчеркнуть, что диплом престижной магистратуры — это не украшение, а реальный показатель вашей целеустремленности и навыков, необходимых для прохождения сложной программы обучения из собственного желания учиться. Поверьте, завершение такой программы, работая полный рабочий день, требует большой самоотдачи и усердия.

Это подтверждается данными о реальном образовании людей, работающих в США на должностях инженеров-программистов, специалистов по анализу данных и научных сотрудников. Среди специалистов в области анализа данных и научных исследований гораздо больше тех, кто имеет степень магистра или доктора наук, в то время как традиционная разработка программного обеспечения по-прежнему преимущественно требует степени бакалавра. В последних объявлениях о вакансиях требования к специалистам в области искусственного интеллекта и машинного обучения еще сильнее смещаются в сторону получения высшего образования, что читатель может узнать из собственных источников данных на сайтах по подбору персонала.

Это, в сочетании с тем фактом, что конкуренция на рынке труда возросла, подтверждает важность получения этих квалификаций. Следующие диаграммы показывают процентное изменение количества вакансий по ролям в период с 2020 по 2025 год в США. В то время как количество вакансий в области разработки программного обеспечения в целом сократилось, наблюдается рост числа вакансий в сфере машинного обучения.

Надлежащие меры обеспечения академической честности

Перед зачислением я немного опасался, что онлайн-формат программы может каким-то образом подорвать академическую честность, которая обеспечивается в очных программах. Но вскоре я понял, что мои опасения были совершенно необоснованны. Вот два важных момента, которые заставили меня поверить в академическую честность этой программы.

Контроль за проведением экспериментов и обнаружение плагиата.

Многие экзамены в рамках курса проводились под наблюдением, а это означало, что нам нужно было включить камеру ноутбука, включить демонстрацию экрана, а затем сдать экзамен в режиме реального времени. В большинстве образовательных программ сегодня широко распространены автоматические проверки на плагиат при выполнении заданий, и это справедливо даже для онлайн-программ.

Кодекс чести студентов

В студенческом сообществе мы общались в чатах и на созданном университетом форуме. Во всех этих взаимодействиях я неизменно наблюдал здоровый, самоподдерживающийся кодекс чести среди студентов, что означало, что мы коллективно следили за тем, чтобы ничто из обсуждаемого не противоречило кодексу поведения. Например, мы всегда следили за тем, чтобы до истечения срока сдачи экзамена и завершения его всеми участниками никто ничего не обсуждал по этому поводу.

Снижение затрат и альтернативных издержек

Получив степень магистра в онлайн-формате, вы можете продолжать работать на своей текущей работе и одновременно получать образование. Это означает, что затраты на обучение по такой программе минимальны. Вы не только продолжаете зарабатывать деньги на своей работе, но и сохраняете стабильность в отрасли, не теряя возможностей для продвижения по службе.

Здесь представлен анализ затрат на различные программы, сравнивающий огромные суммы за обучение и упущенную выгоду, а также преимущества онлайн-обучения. Плата за обучение в онлайн-программах не только значительно ниже, но и экономия на упущенной выгоде, связанная с сохранением работы, может быть существенной.

Практические проблемы, связанные с иммиграцией

Несколько лет назад традиционный путь получения высшего образования в области науки о данных и машинного обучения был простым: нужно было найти лучшую в мире программу, в которую можно было поступить, получить диплом, устроиться на отличную работу и зарабатывать достаточно, чтобы компенсировать время и деньги, потраченные на образование.

Однако в современном мире иммиграция становится все более сложной, особенно если вы хотите получить опыт работы в принимающей стране после окончания учебы. Одним из подтверждений этому является снижение количества выданных рабочих виз (для иностранных студентов, решивших работать после окончания учебы) в Великобритании за последние несколько лет.

Онлайн-программы, с другой стороны, полностью обходят эти иммиграционные правила – вы можете пройти программу прямо из своей страны.

Недостатки

Трудности при написании диссертаций

Написание диссертации может стать отличным способом углубиться в исследования. Искусственный интеллект, безусловно, является областью, в которой ведутся активные исследования (в отличие от более традиционных форм разработки программного обеспечения). Однако наладить онлайн-связи и заручиться поддержкой профессора для своей диссертации гораздо сложнее. Абхишек Дивекар, мой однокурсник из Техасского университета в Остине, подробно рассказывает в этом кратком обзоре, как он связался с профессорами по электронной почте, получил одобрение на написание диссертации и впоследствии опубликовал статью на конференции EMNLP 2024. Так что, хотя это может быть сложно, это, безусловно, возможно.

Международные ярмарки вакансий не проводятся.

Для иностранных студентов, завершающих онлайн-программу из своих стран, поиск работы остаётся наедине с собой, поскольку местные ярмарки вакансий проводиться не будут. Однако для большинства это вряд ли станет проблемой. Как и я, большинство участников таких программ уже работают полный рабочий день и не обязательно планируют немедленно сменить работу после окончания программы.

Заключительные мысли

Я определенно считаю, что подобные онлайн-программы полезны для специалистов в этой отрасли, прежде всего из-за ускоренного процесса обучения, особенно в мире искусственного интеллекта, где все меняется каждый день. Крайне важно идти в ногу со временем, и прохождение такой программы может оказать огромную помощь.

Поэтому я рекомендую сделать этот шаг, если к вам относятся все следующие условия:

1. У вас есть твердое намерение изучать конкретные предметы : заранее изучите учебный план программы и составьте конкретный список курсов, которые вас действительно интересуют (для меня это были обучение с подкреплением, генеративный ИИ, продвинутая линейная алгебра и другие). Поищите сайты с отзывами о курсах в выбранном вами университете (например, в Техасском университете в Остине был студенческий сайт с отзывами о курсах от бывших студентов).
2. Вы можете поступить в хорошую программу : не все программы одинаковы по качеству. Разумно проверить, насколько известна очная версия той или иной программы, и преподают ли те же профессора также онлайн-курсы. Остерегайтесь программ, реализуемых исключительно онлайн, которые не имеют сильной очной версии.
3. У вас реалистичные ожидания : я думаю, что главной мотивацией должно быть получение глубоких базовых знаний по предметам. Применение этих навыков для продвижения по карьерной лестнице — это путь, который вам придётся прокладывать самостоятельно. Кроме того, я не думаю, что одного получения такой степени будет достаточно, чтобы получить первую работу в отрасли.

Ссылки

• Это статья с курса CS50x Дэвида Дж. Малана: https://cs50.medium.com/this-was-cs50x-82be0995862b
• Джордан, К. (2015). Пересмотр показателей завершения массовых открытых онлайн-курсов: оценка, продолжительность и отсев. Международный обзор исследований в области открытого и распределенного обучения, 16(3), 341-358.
• Халил, Х., и Эбнер, М. (2014, июнь). Показатели завершения MOOC и возможные методы повышения уровня удержания студентов — обзор литературы. В EdMedia (стр. 1305-1313). Ассоциация содействия развитию компьютерного образования (AACE).
• Джойнер, Д.А., Исбелл, К., Старнер, Т., и Гоэль, А. (2019, май). Пять лет онлайн-образования в области компьютерных наук в масштабах всей страны. В сборнике трудов конференции ACM по глобальному компьютерному образованию (стр. 16-22).
• «Замораживание найма в технологическом секторе США продолжается» (Брендан Бернард, 2015) и «Требования к опыту ужесточились на фоне замораживания найма в технологическом секторе» (Брендан Бернард, Hiring Lab, 2015).
  • Данные взяты из их собственного репозитория на GitHub: https://github.com/hiring-lab/job_postings_tracker/ (Creative Commons Attribution 4.0)
• Сайты университетов с информацией о стоимости обучения: UT Austin – Computer & Data Science Online (CDSO) | UT Austin – Registrar / Texas One Stop – Тарифы на обучение | Georgia Tech – Bursar | Общая стоимость обучения за осенний семестр 2025 года, Georgia Tech – программа OMSCS | UIUC – Office of the Registrar, Стоимость обучения в магистратуре 2025–26 | UIUC – Страница стоимости обучения и сборов Siebel School MCS | UIUC – MCS Online (Coursera)
• Бюро статистики труда США – Разработчики программного обеспечения (OOH)
• Статистические данные по иммиграционной системе предоставлены Министерством внутренних дел Великобритании (лицензия Open Government License).

Сачин Хосмани. Все материалы от Сачина Хосмани.

Источник: towardsdatascience.com