Lorsqu'Alejandro Coy a entendu parler pour la première fois du cours de technicien ML I d'Amii lors du AI Meetup de Calgary, l'idée l'a enthousiasmé. Il programmait dans son temps libre depuis quelques années, ce qui l'a amené à envisager une carrière en science des données et en apprentissage automatique. Dans le certificat de technicien ML, il a vu une opportunité d'apporter sa passion dans son travail de jour.

Originaire de Colombie, Alejandro est venu au Canada pour terminer sa maîtrise en génie pétrolier à l'Université de Calgary. Lorsque son travail d'ingénieur chimiste a commencé à ralentir à l'été 2019, il a décidé que le moment était venu de faire le grand saut et de postuler pour le cours de technicien ML I.

"Il y a cinq ans, j'ai commencé à programmer pendant mon temps libre. J'ai commencé à faire du JavaScript et à essayer de créer une page web - des choses simples, mais amusantes. C'était mon passe-temps", explique-t-il. "Et il y a deux ou trois ans, j'ai commencé à m'intéresser à la science des données et à la façon dont je pouvais appliquer la programmation à mon travail. C'était mon objectif : programmer dans mon travail toute la journée, pas seulement le week-end."

La réception de l'e-mail d'acceptation du programme a été un moment de validation pour Alejandro. Le dossier de candidature posait des questions techniques et l'acceptation lui a indiqué qu'il était sur la bonne voie. En tant que personne dont l'emploi avait été affecté par le COVID-19 et qui appartenait à une communauté sous-représentée dans le domaine des STIM (sciences, technologies, ingénierie et mathématiques), la candidature d'Alejandro correspondait parfaitement aux priorités du programme de bourses Microsoft. bourse Microsoft.

"J'ai eu la chance de demander une aide financière, car je n'avais pas beaucoup de travail d'ingénieur pendant le semestre... donc cela m'a aussi beaucoup aidé. J'en suis très reconnaissant."

Trouver une nouvelle perspective

Les premières sessions du programme comprenaient des informations fondamentales pour s'assurer que tous les étudiants étaient sur la même longueur d'onde. Après avoir établi une base de connaissances, ils sont passés à des sujets techniques plus complexes et ont introduit des sujets commerciaux.

"Lorsque nous sommes passés au module commercial, c'était vraiment, vraiment intéressant. En ligne, vous pouvez trouver des cours et des tutoriels vous enseignant comment faire de l'apprentissage automatique ou de la science des données, mais pas l'application dans l'industrie", a-t-il expliqué. "Nous avons eu quelques discussions vraiment intéressantes pendant le cours qui vous ont montré comment vous appliquez cela dans la vie réelle, dans des projets réels. J'ai vraiment apprécié cela. Cela m'a donné une perspective différente."

"Il ne s'agit pas seulement des compétences techniques que vous devez connaître. Vous devez voir le problème dans son contexte, comment vous allez l'appliquer. Oui, vous pouvez obtenir une solution avec une grande précision - mais qu'est-ce que cela signifie ?"

Comme ML Tech I est basé sur des projets, les étudiants sont répartis en groupes pendant toute la durée du cours. Ensuite, pendant 13 semaines, les étudiants réalisent plusieurs étapes de programmation, qui contribuent toutes au projet de fin de cours. Ces projets imitent le type de conditions auxquelles les apprenants peuvent s'attendre lorsqu'ils travaillent sur une solution ML dans un environnement professionnel.

"Depuis le début, nous étions dans un seul groupe, et nous avons tous des compétences, des niveaux de codage et de résolution de problèmes différents. C'était mon plus grand défi, mais je pense que c'était bien parce que vous devez apprendre à travailler avec des personnes ayant des compétences différentes. C'est ce qui va se passer dans le cadre du travail."

Assembler les pièces du projet

Dans le cadre du projet de base, chaque groupe devait présenter sa solution à des experts du secteur et du domaine. L'objectif est de préparer les étudiants à faire des présentations techniques à la direction de manière convaincante et informative, en expliquant le fonctionnement et les avantages du produit.

"Notre analyse de rentabilité consistait à montrer à la NASA que nous pouvons prédire la défaillance d'un moteur dans une fourchette de 25 cycles. Vous me donnez les données d'un moteur, je peux vous dire si dans les 25 prochains cycles il va tomber en panne ou non. Cela affecte le programme de maintenance et l'échelle d'utilisation des moteurs. Si nous pouvons réduire cette fenêtre, cela permettra d'économiser de l'argent sur le long terme."

Lorsque le groupe d'Alejandro est arrivé au projet de base, il a constaté qu'il avait tellement appris pendant le cours qu'il était capable de revenir sur les devoirs qu'il avait effectués auparavant, de les améliorer et de les développer.

"Je pense que l'ordre des devoirs est très logique. Nous avons tellement appris pendant le cours que lorsque nous sommes arrivés au projet final, nous avons voulu en inclure davantage -- c'était une progression. "

Journée de présentation

Le groupe d'Alejandro est allé au-delà d'un diaporama standard en créant une application Dash pour accompagner sa présentation. Grâce à l'application, ils ont pu afficher les données de manière interactive, ce qui leur a permis d'exécuter des scénarios, de filtrer les données et de modifier les graphiques en temps réel.

"On avait vraiment l'impression de présenter le projet à des managers. Le volet commercial était le plus important pour moi, car une grande partie du projet final réside dans la façon dont vous le présentez, dont vous expliquez les objectifs et dont vous convainquez les managers de se lancer dans le projet."

Et à la fin, comment s'en sont-ils sortis ? Selon l'éducateur scientifique d'Amii et l'enseignante du cours ML Tech I, Blanca Miller :

"Le projet de ce groupe se distingue comme l'un des meilleurs projets que nous avons vus jusqu'à présent dans ce cours. Le groupe a fourni un travail considérable pour s'assurer que les évaluations de ses modèles d'apprentissage automatique s'alignaient sur les objectifs stratégiques de son organisation, la NASA, et il a également développé une analyse de rentabilité convaincante avec des visualisations dynamiques, ce qui a rendu le matériel accessible à la fois aux scientifiques et aux experts en affaires - ceci est largement dû aux efforts d'Alejandro."

"Après la présentation, nous avons parlé de la façon dont ça s'est passé, et nous étions très heureux", a partagé Alejandro. "C'était beaucoup de travail pour en arriver là, et c'était un soulagement de voir que tout avait fonctionné. Nous avions une très bonne analyse de rentabilité, et nous avons montré aux gens l'impact que cela pouvait avoir. Nous étions très fiers de ce que nous avons fait."

Conclusion

Alejandro travaille actuellement en tant que spécialiste principal des données, efficacité des données, à l'Alberta Investment Management Corporation (AIMCo). Son hobby, qu'il pratiquait autrefois les soirs et les week-ends, est devenu sa carrière.

"Cela fait deux mois que j'ai commencé à travailler à l'AIMCo et je ne pourrais pas être plus heureuse. La formation Amii a été un facteur énorme et j'ai appris à connaître l'emploi grâce au réseautage dans le cours. Lors de mon entretien d'embauche, j'ai présenté le projet capstone et ils ont été très impressionnés."

Il affirme que la chose la plus précieuse qu'il a apprise de ce cours est que le ML est applicable à tous les secteurs.

"Il ne s'agit pas seulement de technologie", explique Alejandro. "Il y a une grande variété d'applications, et ce n'est pas si difficile à mettre en œuvre. Dans la plupart des situations de la vie réelle, vous n'avez pas besoin de cette complexité. Vous pouvez appliquer l'apprentissage automatique à de nombreux problèmes sans avoir un modèle complexe - il suffit de commencer avec un modèle de base, et vous pouvez déterminer si vous êtes sur la bonne voie ou non."