Die Zukunft der KI ist da. Von Technologie über Finanzen, Gesundheitswesen, Einzelhandel und Fertigung hat heute fast jede Branche damit begonnen, künstliche Intelligenz (KI) in ihre Technologieplattformen und kommerziellen Abläufe zu integrieren. Das Ergebnis ist ein wachsender Talentbedarf an Ingenieuren, die KI-Systeme entwerfen, implementieren, betreiben und verwalten können.
Im nächsten Jahrzehnt wird der Bedarf an KI-Talenten nur noch zunehmen. Das US Bureau of Labor Statistics geht davon aus, dass die Nachfrage nach KI-Ingenieuren steigen wird bis 2030 um 23 Prozent steigern und die Nachfrage nach Ingenieuren im maschinellen Lernen (ML), einem Teilgebiet der KI, zu auf 22 Prozent wachsen.
In der Technologiebranche ist diese Nachfrage in vollem Gange. Stellenausschreibungen mit generativen KI-Fähigkeiten stiegen im Jahr 2023 um unglaubliche 1.848 %, eine unglaubliche Zahl. Das zeigt eine aktuelle Analyse des Arbeitsmarktes. Die Analyse ergab außerdem, dass es im Jahr 2023 mehr als 385.000 offene Stellen für KI-Positionen gab.
Abbildung 1: Wachstum der Stellenausschreibungen, die generative KI-Fähigkeiten erfordern, 2022–2023
Um das transformative Potenzial der KI zu nutzen, können Unternehmen nicht einfach neue KI-Ingenieure einstellen: Es gibt einfach noch nicht genug davon. Um dem weltweiten Fachkräftemangel im Bereich KI-Ingenieure entgegenzuwirken, müssen Sie Ihre vorhandenen Ingenieure weiterbilden und umschulen.
Grundlegende Fähigkeiten für KI und ML
KI und ihre Teilgebiete, maschinelles Lernen (ML) und Verarbeitung natürlicher Sprache (NLP), umfassen alle das Training von Algorithmen anhand großer Datensätze, um Modelle zu erstellen, die in der Lage sind, komplexe Aufgaben auszuführen. Daher erfordern verschiedene Arten von KI-Engineering-Rollen viele der gleichen Grundkompetenzen.
CodeSignal Talent-Science-Team und technische Fachexperten führten eine detaillierte Kompetenzkartierung der KI-Engineering-Rollen durch, um die für diese Rollen erforderlichen Fähigkeiten zu definieren. Dies sind die Kernkompetenzen, die sie für zwei beliebte KI-Rollen identifiziert haben: ML-Engineering und NLP-Engineering.
Entwickeln Sie die KI-Fähigkeiten Ihrer Teams
A aktueller McKinsey-Bericht ist der Ansicht, dass Weiterbildung und Umschulung die wichtigsten Methoden sind, mit denen Unternehmen KI-Fähigkeitslücken in ihren Teams schließen. Alexander Sukharevsky, Senior Partner bei McKinsey, erklärt in dem Bericht: „Wenn es darum geht, KI-Talente zu finden, ist die Umschulung vorhandener Mitarbeiter die beliebteste Strategie aller Befragten.“ Fast die Hälfte der von uns befragten Unternehmen tun dies.
Also: Wie können Sie die KI-Fähigkeiten, die Sie benötigen, am besten in Ihren bestehenden Teams entwickeln? Um diese Frage zu beantworten, müssen wir uns zunächst eingehender mit der Art und Weise befassen, wie Menschen neue Fähigkeiten erlernen.
Komponenten einer effektiven Kompetenzentwicklung
Die meisten Unternehmensschulungsprogramme nutzen heute das traditionelle Lernmodell im Klassenzimmer, bei dem ein Lehrer mit einer einzigen Lektion viele Lernende betreut. Ein Mitarbeiter beginnt mit der Auswahl eines Programms, oft ohne Anleitung. Sobald der Kurs beginnt, werden in den Lektionen wahrscheinlich Videos zur Unterrichtsvermittlung eingesetzt, gefolgt von Quizfragen, um zu beurteilen, wie gut sich die Teilnehmer die Informationen merken.
Bei diesem Modell gibt es mehrere Probleme:
- Jahrzehntelange Forschung zeigt, dass das traditionelle One-to-Many-Lernmodell nicht die effektivste Lernmethode ist. Schulpsychologe Benjamin Bloom stellte fest, dass Schüler, die durch Einzelunterricht lernten, ihre Mitschüler um zwei Standardabweichungen übertrafen; das heißt, sie schnitten besser ab als 98 Prozent derjenigen, die in traditionellen Klassenzimmerumgebungen lernten. Die Überlegenheit des Einzelunterrichts gegenüber dem Lernen im Klassenzimmer wird als 2-Sigma-Problem in der Bildung bezeichnet (siehe Abbildung 2 unten).
- Multiple-Choice-Tests bieten einen schlechten Einblick in die Fähigkeiten der Mitarbeiter, insbesondere in Bezug auf spezielle technische Fähigkeiten wie KI- und ML-Engineering. Quizfragen geben den Lernenden auch nicht die Möglichkeit, das Gelernte in einem realistischen Kontext oder im Arbeitsablauf anzuwenden.
- Ohne eine auf ihren aktuellen Fähigkeiten, Stärken und Zielen sowie den Bedürfnissen ihres Teams basierende Anleitung wählen Mitarbeiter möglicherweise Kurse oder Lernprogramme aus, die nicht ihrem Qualifikationsniveau oder ihren Zielen entsprechen.
Abbildung 2: Der Vergleich der Leistungsverteilungen der Schüler nach Unterrichtsstil zeigt einen Unterschied von 2 Sigma bei den durchschnittlichen Leistungswerten.
Um die Kenntnisse Ihrer Teammitglieder in Bezug auf die von Ihrem Team benötigten KI- und ML-Fähigkeiten zu verbessern, ist ein Lernprogramm erforderlich, das Folgendes bietet:
- Individuelle Nachhilfe. Die besten technischen Lernprogramme von heute verwenden KI-gestützte Assistenten, die kontextbewusst und vollständig in die Lernumgebung integriert sind, um den Lernenden in großem Umfang personalisierte, individuelle Anleitung und Feedback zu bieten.
Der Einsatz von KI zur Lernunterstützung wird Ihre Entwickler und andere technische Mitarbeiter nicht überraschen: aktuelle Umfrage zeigt, dass 81 % der Entwickler bereits KI-Tools bei ihrer Arbeit nutzen und 76 % davon nutzen sie, um neue Kenntnisse und Fähigkeiten zu erlernen.
- Praxisorientiertes Lernen. Das zeigen jahrzehntelange Forschungen Menschen lernen besser durch aktives Üben, keine passive Informationsaufnahme. Das Lernprogramm, mit dem Sie die KI- und ML-Fähigkeiten Ihres Teams verbessern, sollte praxisorientiert sein und Codierungsübungen verwenden, die echte KI- und ML-Ingenieurarbeiten simulieren.
- Ergebnisorientierte Tools. Schließlich stellen die besten technischen Entwicklungsprogramme sicher, dass Mitarbeiter tatsächlich die relevanten Fähigkeiten erlernen (und nicht nur ein Kästchen ankreuzen) und das Gelernte am Arbeitsplatz anwenden. Lernprogramme müssen Managern auch Einblick in die Entwicklung und Beherrschung der Fähigkeiten ihrer Teammitglieder geben. Ihre Plattform sollte Benchmarking-Daten umfassen, damit Sie die Fähigkeiten Ihres Teams mit der breiteren Population technischer Talente vergleichen können, sowie Integrationen in Ihre bestehenden Lernsysteme.
Deep Dive: Praxisbasiertes Lernen für KI-Fähigkeiten
Nachfolgend finden Sie ein Beispiel für eine fortgeschrittene Übungsübung von Kurseinführung in neuronale Netze mit TensorFlow In CodeSignal entwickeln.
Praxisbeispiel: Implementierung von Schichten in einem neuronalen Netzwerk
In dieser praktischen Übung entwickeln die Lernenden ihre Fähigkeiten beim Entwerfen von Schichten neuronaler Netzwerke, um die Netzwerkleistung zu verbessern. Die Lernenden implementieren ihre Lösung in einer realistischen IDE und einem integrierten Terminal auf der rechten Seite des Bildschirms und interagieren mit Cosmo, einem KI-gestützten Tutor und Leitfaden, im Panel auf der linken Seite des Bildschirms.
Beschreibung der Praxis: Nachdem Sie nun ein Modell mit zusätzlichen Epochen trainiert haben, ändern wir die Architektur des neuronalen Netzwerks. Ihre Aufgabe besteht darin, eine zweite dichte Schicht in das neuronale Netzwerk zu implementieren, um dessen Lernfähigkeiten möglicherweise zu verbessern. Denken Sie daran: Ein effizienter Layer-Aufbau ist entscheidend für die Modellleistung!
Abschluss
Die Nachfrage nach KI- und ML-Ingenieuren ist da und wird in den kommenden Jahren weiter wachsen, da KI-Technologien für immer mehr Unternehmen aller Branchen unverzichtbar werden. Unternehmen, die KI- und ML-Kompetenzlücken in ihren Teams schließen möchten, sollten in die Weiterqualifizierung und Umschulung ihrer bestehenden technischen Teams mit wichtigen KI- und ML-Kompetenzen investieren.