8 lat w machine learningu: co się naprawdę liczy

Facet pracuje z machine learningiem od ośmiu lat. Nie w startupie, który padł po roku. Nie na bootcampie. Osiem lat w okopach – modele, dane, wdrożenia.

I co? Napisał, czego się nauczył.

Ale nie o algorytmach. O rzeczach, które faktycznie robią różnicę między kimś, kto przetrwa w tej branży, a kimś, kto wypali się po dwóch latach.

Deep work – czyli jak przestać udawać, że pracujesz

Deep work to termin z książki Cala Newporta. Chodzi o pracę bez rozpraszaczy. Bez Slacka co 3 minuty. Bez "szybkiego sprawdzenia" Twittera.

W ML to nie fanaberia. To konieczność.

Kiedy budujesz model, debugujesz kod albo próbujesz zrozumieć, dlaczego Twoja sieć neuronowa (program, który uczy się rozpoznawać wzorce) nagle zaczęła generować kompletne bzdury – potrzebujesz godzin nieprzerwanej koncentracji.

Nie 20 minut między meetingami.

Problem? Współczesne biura to fabryki rozproszenia. Otwarte przestrzenie. Ping z każdej aplikacji. Kultura "zawsze dostępny".

Autor pisze wprost: nauczył się blokować czas. Dwie, trzy godziny dziennie. Telefon w trybie samolotowym. Notyfikacje wyłączone. Drzwi zamknięte (jeśli ma takie szczęście).

Efekt?

Więcej zrobione w trzy godziny deep work niż w całym dniu "normalnej" pracy.

Over-identification – pułapka, w którą wpadają wszyscy

Over-identification to nadmierne utożsamianie się z tym, co robisz.

Brzmi niewinnie. Ale to trucizna.

Kiedy Twoja wartość = Twoja praca, każda porażka staje się osobistą katastrofą. Model nie działa? Porażka. Projekt odrzucony? Porażka. Ktoś skrytykował Twój kod? Atak na Ciebie.

W ML – gdzie większość eksperymentów kończy się fiaskiem – to prosta droga do wypalenia.

Autor opisuje moment, kiedy złapał się na tym, że cały jego dzień zależy od tego, czy model osiągnie zakładaną dokładność. Jeśli tak – dzień świetny. Jeśli nie – dzień do bani.

To jak uzależnienie emocjonalne od rzeczy, której nie kontrolujesz w 100%.

Rozwiązanie?

Nauczyć się dystansu. Jesteś osobą, która pracuje z ML. Nie jesteś swoim modelem. Nie jesteś swoim kodem.

Porażka projektu to nie Twoja porażka jako człowieka.

Łatwo powiedzieć. Trudniej zrobić. Ale kluczowe.

Sport – nie, to nie banał o zdrowym stylu życia

Wszyscy wiedzą, że sport jest ważny. Bla bla, zdrowie, Energia, bla bla.

Ale Jeśli chodzi o pracy umysłowej – zwłaszcza tak wymagającej jak ML – sport to nie dodatek. To fundament.

Autor zauważył coś prostego: w dniach, kiedy trenował rano, jego zdolność do rozwiązywania problemów była wyraźnie lepsza.

Nie chodzi o to, że był "bardziej zmotywowany". Chodzi o to, że jego mózg po prostu działał sprawniej.

Badania to potwierdzają. Wysiłek fizyczny zwiększa przepływ krwi do mózgu, poprawia neurogenezę (tworzenie się nowych neuronów) i reguluje hormony stresu.

W praktyce.

Problem, który wieczorem wydawał się nierozwiązywalny, po porannym biegu nagle ma oczywiste rozwiązanie.

To nie magia. To biochemia.

Blogowanie – czyli dlaczego warto pisać, nawet jeśli nikt nie czyta

Autor prowadzi bloga. Pisze o tym, czego się uczy.

I tu pojawia się paradoks: blogowanie pomaga mu samemu bardziej niż czytelnikom.

Dlaczego.

Bo kiedy próbujesz coś wyjaśnić innym, zmuszasz się do uporządkowania własnych myśli. Nie możesz pisać "jakoś to działa". Musisz zrozumieć dokładnie.

To tzw. efekt Feynmana – fizyka, który słynął z umiejętności wyjaśniania skomplikowanych rzeczy prostym językiem. Jego metoda? Spróbuj wytłumaczyć coś dziecku. Jeśli nie potrafisz – sam tego nie rozumiesz.

Blogowanie to Feynman na sterydach.

Piszesz artykuł o tym, jak działa attention mechanism (sposób, w jaki Modele AI "skupiają uwagę" na ważnych fragmentach tekstu)? Musisz to zrozumieć na tyle dobrze, żeby przedstawić to komuś, kto nigdy o tym nie słyszał.

Efekt uboczny.

Tworzysz własną bazę wiedzy. Za pół roku wrócisz do swojego wpisu, bo zapomniałeś szczegółów. I nagle masz gotowe wyjaśnienie – napisane przez Ciebie dla Ciebie.

Czy musisz mieć tysiące czytelników? Nie.

Czy to i tak ma sens? Absolutnie.

Co z tego wynika dla Ciebie

Jeśli nie pracujesz w ML, te lekcje i tak działają.

Deep work? Przydatne w każdej pracy wymagającej myślenia.

Dystans do tego, co robisz? Chroni przed wypaleniem w każdej branży.

Sport? Twój mózg nie wie, że jesteś "umysłowym pracownikiem". Potrzebuje ruchu.

Pisanie? Najlepszy sposób na naukę czegokolwiek.

Autor spędził osiem lat w ML. Ale te cztery rzeczy – deep work, dystans, sport, pisanie – to nie lekcje o AI.

To lekcje o przetrwaniu w świecie, który wymaga od Ciebie ciągłego uczenia się.

I o tym, jak robić to bez spalania się na popiół.

Źródła

• Towards Data Science - Lessons Learned After 8 Years of Machine Learning