LinkedIns Al-ledare delar tre egenskaper hos topptalanger inom datavetenskap

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

I en ny intervju med VentureBeat, Ya Xu, VP of engineering och chef för data och artificiell intelligens (AI) på LinkedIn, delar mer än gärna med sig av sina tankar om allt från hennes passion för att föra samman vetenskap och teknik till de bästa egenskaperna hon letar efter när hon intervjuar datavetenskap talang.

Hon har mycket mindre att säga om en New York Times artikel från förra helgen. Stycket fokuserade på en studie publicerad i Vetenskap att ”analyserade data från flera storskaliga randomiserade experiment på LinkedIns People You May Know-algoritm, som rekommenderar nya kopplingar till LinkedIn-medlemmar, för att testa i vilken utsträckning svaga band ökade jobbrörligheten i världens största professionella sociala nätverk.” The Times sa att LinkedIn körde ”experiment” på mer än 20 miljoner användare under fem år som, ”även om de var avsedda att förbättra hur plattformen fungerade för medlemmar, kunde ha påverkat vissa människors försörjning.”

Enligt Xu, som leder LinkedIns centraliserade datateam som inkluderar alla AI-, datavetenskaps- och integritetsteknikteam, involverade studien ”inga experimenterande.” Istället berättade hon för VentureBeat att forskningen ”baserades helt och hållet på observationell kausal studie – detta betyder att vi använde banbrytande samhällsvetenskapliga metoder (samma som vann Nobelpriset i ekonomi 2021) för att analysera historiska data och upptäcka orsaksmönster.”

En brygga mellan forskning och produkt

Xu sa att hon tänker mycket på de etiska konsekvenserna av LinkedIn-forskning, särskilt när det gäller att använda nya algoritmer och maskininlärningsarkitektur som GPT och Transformers. Samtidigt är AI kärnan i LinkedIn-produkter, som det är för så många av dagens företag — så hon förklarade att hennes filosofi är att forskning och produktgrupper måste arbeta hand i hand för att möta behoven hos företagets tre olika kundekosystem — arbetssökande och anställningsföretag; B2B köpare och säljare; och kunskapssökande/producenter.

”Sann magi kommer verkligen när vi kan skapa en mycket tät koppling och brygga mellan forskningen och de praktiska tillämpningarna,” sa hon.

Det börjar med organisationsstrukturen, med forskare och ingenjörer som arbetar tillsammans.

”Problemet i sig bör informera forskningsagendan, men samtidigt borde produktionsbegränsningarna faktiskt inspirera till själva forskningen”, förklarade hon. ”Till exempel, om du inte har några skalbarhetsbegränsningar kan du komma på den mest komplicerade algoritmen, men om du måste få plats med allt i detta minne måste du använda den här typen av beräkningsbegränsning, du har dessa latensbegränsningar, helt plötsligt inspirerar och motiverar man faktiskt forskningen att göras på ett annat sätt.”

3 toppegenskaper hos LinkedIn datavetenskapstalang

Den samarbetskulturen kräver rätt datavetenskapstalang – Xu sa att det finns tre viktiga saker som hon letar efter hos kandidater. För det första, är individen uppdragsdriven och påverkan?

”De vill uppnå något i slutändan,” förklarade hon. ”De kan ha olika tillvägagångssätt för att uppnå det … men i slutändan vill de göra rätt för medlemmar och kunder.”

Därefter vill Xu anställa personer som – inte överraskande – samarbetar. De borde vara de ”som verkligen bryr sig om varandra, som verkligen respekterar människor som kommer med olika färdigheter”, sa hon. ”Du vill inte anställa personer som säger ”hej, jag är den smartaste och den bästa och den smartaste och ingen annan har rätt.”

Slutligen sa Xu att hon vill ha människor som är villiga att lära sig, anpassa sig och vara nyfikna. ”Ingen kan komma in på det här fältet och säga ”Jag vet allt”, sa hon. ”Jag menar, jag hade min doktorsexamen. i maskininlärningsstatistik för 10 år sedan, och om jag jämför vad jag gjorde med vad som är [going on] idag, herregud, det är natt och dag”, sa hon.

LinkedIns AI- och datautmaningar

LinkedIns tre ekosystem skapar AI- och datautmaningar, sa Xu, eftersom deras heterogenitet gör det svårt att definiera ett ”true north”-värde. ”AI fungerar bäst om du kan säga ’Detta är den objektiva funktionen’ och optimera mot det”, sa hon.

Det betyder att det måste finnas en multi-objektiv optimeringsram för AI, vilket kompliceras ytterligare av det faktum att det finns så många olika personer involverade. ”Det är en annan utmanande sak att förstå vad deras behov är och hur man balanserar dessa olika behov,” sa hon.

Slutligen, ur teknisk synvinkel, kommer var och en av dessa personas med olika problem på olika skalor: ”Vi har mycket fler inlägg på LinkedIn än vad vi har om till exempel inlärningskurser,” sa hon. ”Och de kommer med olika latenskrav – du måste visa annonser inom millisekunder, men du har mycket mer flexibilitet när det kommer till, kanske, en sökning som returneras från vår Sales Navigator, eller rekommendationer via e-post.”

AI-möjligheter och ansvarsfull AI

De senaste framstegen inom AI, som stora språkmodeller inklusive GPT-3, erbjuder möjligheter för LinkedIn att knyta samman sina marknadsplatser med gemensam teknik som kan användas över hela linjen, sa Xu.

”Oavsett om det är ett flödesinlägg, en arbetsbeskrivning eller en medlems profil kan vi förstå den texten mycket bättre, och vi kan sedan mappa till ämnen som ett inlägg handlar om eller kanske jobbkunskaper och sedan koppla tillbaka det till vad den här medlemmen letar efter”, sa hon och tillade att framsteg inom algoritmer, hårdvara och mjukvara kommer att vara ett nyckelfokus överlag för att främja LinkedIns AI- och dataambitioner.

Hon tillade att det nu också finns bättre teknikmetoder för att bättre mäta AI-rättvisa i LinkedIns flödesrekommendationer eller anslutningsrekommendationer.

Rättvisa är dock bara ett område som LinkedIn investerar i när det kommer till ansvarsfull AI med hjälp av Microsofts ramverk för ansvarsfull AI.

”Inom området rättvisa trycker vi kontinuerligt på för både mätning och begränsning – hur kan vi förstå hur vår algoritm fungerar i förhållande till vad den är avsedd att göra?” Hon sa. ”Och då är begränsningen, om vi identifierar områden där det finns luckor, vilka tillvägagångssätt kan vi göra för att mildra det?”

Transparens är ett annat fokusområde. om att förklara vad algoritmer gör, sa hon: ”Kan modellbyggarna som bygger dessa algoritmer förklara dem för utvecklarna? Kan vi förklara det för användarna som interagerar med algoritmer?”

Det är ett ”mycket utmanande” utrymme, medger hon: ”Men det är verkligen, riktigt spännande ur teknisk synvinkel.”

Inlägget LinkedIns Al-ledare delar tre egenskaper hos topptalanger inom datavetenskap dök upp först Venture Beat.

Loading...