El líder Al de LinkedIn comparte 3 rasgos de los mejores talentos en ciencia de datos

LinkedIn’s Al leader shares 3 traits of top data science talent

En una nueva entrevista con VentureBeat, Ya Xu, vicepresidente de ingeniería y jefe de datos y inteligencia artificial (AI) en LinkedIn, está más que feliz de compartir sus pensamientos sobre todo, desde su pasión por unir la ciencia y la ingeniería hasta los principales rasgos que busca cuando entrevista Ciencia de los datos talento.

Ella tiene mucho menos que decir sobre un New York Times artículo del fin de semana pasado. El artículo se centró en un estudio publicado en Ciencias que «analizó datos de múltiples experimentos aleatorios a gran escala en el algoritmo People You May Know de LinkedIn, que recomienda nuevas conexiones a los miembros de LinkedIn, para probar hasta qué punto los vínculos débiles aumentaron la movilidad laboral en la red social profesional más grande del mundo». The Times dijo que LinkedIn realizó «experimentos» en más de 20 millones de usuarios durante cinco años que, «si bien tenían la intención de mejorar el funcionamiento de la plataforma para los miembros, podrían haber afectado el sustento de algunas personas».

Según Xu, quien dirige el equipo de datos centralizados de LinkedIn que incluye todos los equipos de inteligencia artificial, ciencia de datos e ingeniería de privacidad, el estudio no implicó «experimentar». En cambio, le dijo a VentureBeat que la investigación «se basó completamente en un estudio causal observacional; esto significa que usamos métodos de ciencias sociales de vanguardia (los mismos que ganaron el Premio Nobel de Economía 2021) para analizar datos históricos y descubrir patrones causales».

Un puente entre la investigación y el producto

Xu dijo que piensa mucho en las implicaciones éticas de la investigación de LinkedIn, especialmente cuando se trata de usar nuevos algoritmos y arquitecturas de aprendizaje automático como GPT y Transformers. Al mismo tiempo, la IA es fundamental para los productos de LinkedIn, como lo es para muchas de las empresas actuales, por lo que explicó que su filosofía es que los grupos de investigación y de productos deben trabajar de la mano para satisfacer las necesidades de los tres de la empresa. diferentes ecosistemas de clientes: buscadores de empleo y empresas de contratación; Compradores y vendedores B2B; y buscadores/productores de conocimiento.

“La verdadera magia realmente surge cuando podemos crear una conexión muy estrecha y un puente entre la investigación y las aplicaciones prácticas”, dijo.

Eso comienza con la estructura organizacional, con investigadores e ingenieros trabajando juntos.

“El problema en sí debería informar la agenda de investigación, pero al mismo tiempo las limitaciones de producción deberían inspirar la investigación en sí”, explicó. “Por ejemplo, si no tiene restricciones de escalabilidad, puede crear el algoritmo más complicado, pero si tiene que ajustar todo dentro de esta memoria, debe usar este tipo de restricción computacional, tiene estas restricciones de latencia, de repente inspiras y motivas la investigación para que se haga de una manera diferente”.

3 rasgos principales del talento en ciencia de datos de LinkedIn

Esa cultura colaborativa requiere el talento adecuado en ciencia de datos: Xu dijo que hay tres cosas importantes que busca en los candidatos. Primero, ¿el individuo está impulsado por la misión y el impacto?

“Quieren lograr algo al final”, explicó. «Pueden tener diferentes enfoques para lograrlo… pero en última instancia quieren hacer lo correcto para los miembros y clientes».

A continuación, Xu quiere contratar personas que, como era de esperar, sean colaborativas. Deberían ser aquellos “que realmente se preocupan unos por otros, que realmente respetan a las personas que vienen con diferentes conjuntos de habilidades”, dijo. “No quieres contratar a personas que digan: ‘Oye, soy el más inteligente, el mejor y el más brillante y nadie más tiene razón’”.

Finalmente, Xu dijo que quiere personas que estén dispuestas a aprender, adaptarse y mantener la curiosidad. “Nadie puede entrar en este campo y decir: ‘Lo sé todo’”, dijo. “Quiero decir, obtuve mi doctorado. en estadísticas de aprendizaje automático hace 10 años, y si comparo lo que hice con lo que es [going on] hoy, oh Dios mío, es de día y de noche”, dijo.

Los desafíos de datos e IA de LinkedIn

Los tres ecosistemas de LinkedIn crean desafíos de inteligencia artificial y datos, dijo Xu, porque su heterogeneidad hace que sea difícil definir un valor de «verdadero norte». «La IA funciona mejor si puedes decir ‘Esta es la función objetivo’ y optimizarla», dijo.

Eso significa que debe haber un marco de optimización de múltiples objetivos para la IA, lo que se complica aún más por el hecho de que hay tantas personas diferentes involucradas. “Es otro desafío entender cuáles son sus necesidades y cómo equilibrar esas diferentes necesidades”, dijo.

Finalmente, desde un punto de vista técnico, cada una de esas personas tiene varios problemas a diferentes escalas: “Tenemos muchas más publicaciones en LinkedIn que en cursos de aprendizaje, por ejemplo”, dijo. “Y vienen con diferentes requisitos de latencia: debe devolver los anuncios en milisegundos, pero tiene mucha más flexibilidad cuando se trata, tal vez, de una búsqueda devuelta por nuestro Sales Navigator o recomendaciones por correo electrónico”.

Oportunidades de IA e IA responsable

Los últimos avances de IA, como los modelos de lenguaje grande, incluido GPT-3, ofrecen oportunidades para que LinkedIn vincule sus mercados con tecnología común que se puede usar en todos los ámbitos, dijo Xu.

“Ya sea una publicación de noticias, una descripción del trabajo o el perfil de un miembro, podemos entender ese texto mucho mejor, y luego podemos mapear los temas sobre los que trata una publicación o tal vez las habilidades laborales y luego conectarlo con lo que este miembro está buscando”, dijo, y agregó que los avances en algoritmos, hardware y software serán un enfoque clave en general para avanzar en las ambiciones de datos e inteligencia artificial de LinkedIn.

Agregó que ahora también existen mejores métodos tecnológicos para medir mejor la equidad de la IA en las recomendaciones de alimentación o recomendaciones de conexión de LinkedIn.

Sin embargo, la equidad es solo un área en la que LinkedIn está invirtiendo cuando se trata de IA responsable utilizando el marco de IA responsable de Microsoft.

«En el área de equidad, estamos presionando continuamente tanto para la medición como para la mitigación. ¿Cómo podemos entender cómo está funcionando nuestro algoritmo en relación con lo que se supone que debe hacer?» ella dijo. “Y luego, la mitigación es, si identificamos áreas en las que hay brechas, ¿cuáles son los enfoques que podemos hacer para mitigarlo?”

La transparencia es otra área de enfoque. sobre explicar qué hacen los algoritmos, dijo: “¿Pueden los modeladores que están construyendo estos algoritmos explicárselos a los desarrolladores? ¿Podemos explicárselo entonces a los usuarios que interactúan con los algoritmos?”.

Es un espacio «muy desafiante», admite: «Pero es muy, muy emocionante desde el punto de vista tecnológico».

El cargo El líder Al de LinkedIn comparte 3 rasgos de los mejores talentos en ciencia de datos apareció por primera vez en Ritmo de riesgo.

Loading...