В этом репозитории содержатся материалы, которые помогут новичкам сориентироваться на пути изучения обработки естественного языка. Материалы представляют собой 5 диаграмм в папке diagrams
, которые были составлены из анализа около 50 вакансий с зарубежных и российских платформ поиска работы (на начало января 2023 года), а также на основе моего личного опыта. Диаграммы лежат в формате svg, но источником и местом для редактирования является файл competencies_nlp.drawio
. Разберем эти диаграммы ниже. По соседству лежит сборик обучающих ресурсов с туториалами, книгами, лекциями т.д.
7.01.2024 в дорожную карту добавлены разделы с большими языковыми моделями и PEFT. В "Навыки" и в граф "навык-обязанность" добавлен навык "Большие языковые модели", правда не на основе статистики, а на основе, что он мне просто на глаза попадался. Обновлены библиотеки Питона.
7.01.2023: первый залив.
Это диаграммы Венна, на которой отображены навыки и обязанности трех ролей: ML инженера/разработчика, ML исследователя/ученого и руководителя. Напомню, что навыки, находящиеся на пересечении кругов, принадлежат обеим ролям. Встречаемость навыков в вакансиях отображена как удаленность от центра пересечениях всех трех окружностей. Например, опыт работы в Линуксе является более частым требованием для инженера, чем распределенное обучение моделей. Кроме того, навыки промаркированы красным и желтым цветом. Красный цвет показывает, что навык встречается в блоке необходимых навыков в вакансии, а желтом в блоке "Плюсом будет". Кроме того, в окружности инженера есть отдельный блок инфраструктурных навыков, выделенный пунктирной окружностью.
Диаграмма обязанностей же составлена из описания обязанностей в вакансиях. Маркировка такая же. Однако, в отличие от навыков, обязанности обычно не делятся на обязательные и второстепенные.
Стоит отметить, несколько моментов:
- Вакансий руководителя было очень мало в моей выборке, что-то около 5 штук.
- Есть некие скрытые зависимости между ролями и навыками/разработчиками. Например, несмотря на то, что умение пользоваться Линуксом указано только для инженера, оно точно также важно и для исследователя. По моему мнению, эти позиции сильно связаны и определяются исключительно пропорцией задач, которые выполняет человек. С другой стороны, несмотря на то, что умение проводить EDA оказалось далеко от центра, полагаю, что данный навык подразумевается по умолчанию, поскольку NLP является подобластью машинного обучения, где производить анализ данных является одним из базовых навыком.
Также привожу список определений для навыков:
- Разработка компонентов NLP - обучение моделей, решающих какую-то NLP задачу и оборачивание ее в сервис-компонент;
- Тестирование компонентов - проводить тестирование поведения моделей в проде;
- Производить исследования - придумывать новые подходы и искать способы улучшения имеющихся;
- Способность работать в команде - быть в тесном взаимодействии с коллегами для эффективного решения проблем и задач;
- Формулирование и объяснение ограничений - умение обосновать почему модель не решает задачу со стопроцентной точностью коллегам в смежных областях и руководителям;
- Экстракция данных - создание пайплайнов сбора данных из разных источников;
- Построение движка или пайплайна NLP/ML - разработка планов и экспертная оценка в вопросах проектирования систем NLP, как композиции отдельных компонентов;
- Подготовка датасетов - формирование датасета из собранных данных, его обработка, формирование требований разметки;
- Опыт работы по современным методологиям разработки ПО - знание такие методологий, как Kanban, Scrum, Agile;
- Хорошие знания машинного обучения, глубокого обучения и NLP - базовые концепции, классические модели, типы нейронных сетей, классические архитектуры, методы оптимизации, трансферное обучение, эмбеддинги, обработка текстов и т.д.;
- Распределенное обучение моделей - опыт обучения нейросетей с использованием нескольких GPU;
- Знание state of the art (SOTA) моделей - знание подходов, показывающих лучшие результаты на данный момент на какой-то задаче;
Это двудольный граф, который показывает взаимосвязь навыков (слева) и обязанностей (справа) из вышеописанных диаграмм. Обращаю внимание, что граф был построен исключительно на моем понимании процессов и опыте.
Этот граф показывает дородную карту или базу знаний, которую должен иметь любой разработчик NLP. Фиолетовые вершины обозначают основные ступени ваших знаний, а от каждой из них показаны различные темы, которые в них входят. Каждая вершина подтемы также промаркирована цветом: красный - обязательно, желтый - желательно, зеленый - опционально. Пожалуй, это самая дискуссионная диаграмма из всех.
Наконец, на последней диаграмме перечислены библиотеки Python, которые используются в работе. Маркировка цвета у них такая же, как и у дорожной карты: красный - обязательно, желтый - желательно, зеленый - опционально.
В 13 зарубежных вакансиях и только в 1 российской встретилось требование высшего образования в математике, статистике или смежной области (полагаю, любой технической). И еще наблюдались вот такие цифры опыта работы: опыт от 2 лет требовался в 6 вакансиях, от 3 лет в 3 вакансиях и от 5 в 2 вакансиях.
- Сделать нормальную классификацию задач, чтобы они не были раскиданы так, будто не связаны друг с другом.
- Вы можете открыть issue с предложением об изменении структуры или добавлении чего-либо в структуру диаграмм или все, что пришло вам в голову.
- Вы можете предложить образовательный ресурс с указанием, к какому навыку или вершине дорожной карты он относится.
- Рассказать об этой диаграмме коллегам HR для того, чтобы они могли формировать диаграммы компетенций.
- Предложить обучающие материалы.