¿Cuáles son los pros y los contras de unirse a una gran empresa frente a una startup para ingenieros de aprendizaje automático?

ML es el tipo de espacio que requiere la construcción y la evolución de una profunda experiencia. Esto a menudo requiere una inversión explícita de tiempo, paciencia y pensamiento deliberado a largo plazo por parte del liderazgo.

Si tuviéramos que leer cuidadosamente lo anterior, se aclararán algunas implicaciones.

Muy pocas startups están equipadas con el tipo de clima y lujo para la inversión a largo plazo en un espacio como ML cuyos beneficios solo se reinician lentamente. Es el juego a largo plazo. No estoy diciendo que las startups no puedan hacerlo, pero a menudo pueden rascar la superficie de un espacio problemático de ML o simplemente replicar o agregar valor incremental sobre las soluciones basadas en el aprendizaje existentes para casos de uso de negocios reales. Puede haber excepciones, por supuesto. Algunas nuevas empresas que contratan deliberadamente a algunos especialistas en ML súper inteligentes y se centran en un espacio problemático de nicho pueden realmente innovar allí. Estas configuraciones son más raras, en mi observación.

Compare esto con una gran empresa como (Google o Amazon o FB). La cantidad de músculo y la inversión a largo plazo que pueden dedicar a este espacio puede ser considerablemente mayor de lo que una pequeña empresa puede lograr. Puedo hablar sobre los grandes equipos de ciencia de datos de Amazon que trabajan en innovaciones de voz para Alexa. Puede ser inmediatamente obvio cómo los equipos lidiarán con mayores niveles de complejidad que el inicio promedio. Por esta razón, a menudo tendemos a ver algunas de las mayores innovaciones de aprendizaje que provienen de las grandes empresas. Las startups a menudo tienden a estar sujetas a la presión de la realización comercial a corto plazo de que, a veces, los dominios similares a ML tienden a quedar en segundo plano.

A menudo, aquellos que están contratando para ML en las startups también están usando ese término para contratar básicamente a aquellos que pueden realizar trabajos de extracción de datos o de complejidad básica o moderada. Sus problemas también se resuelven a menudo mediante software básico y pocos meses de aceleración de conceptos básicos. Te sorprendería cuánto de estos se pueden resolver razonablemente sin emplear incluso técnicas de aprendizaje. Cualquier cosa más sofisticada que los ataques básicos generalmente implica tiempo y experiencia, y generalmente las startups no son adecuadas para eso. Un investigador científico que quiera invertir tiempo en aprender nuevos artículos publicados por la comunidad a menudo puede encontrarse con una inadaptación cultural en configuraciones súper rápidas que están impulsadas exclusivamente por el liderazgo liderado por las empresas con ganancias a corto plazo en mente .

Dicho todo esto, para alguien con un trabajo de ML, estos son los pros y los contras de las startups frente a las grandes empresas:

En una configuración pequeña, puede tener menos oportunidades para aprender y refinar sus habilidades. Es posible que sus proyectos no vean el centro de atención fácilmente y que las ideas se reduzcan lo suficientemente pronto dada la presión de ejecución. Sin embargo, dado el tamaño limitado de los equipos de ML, puede ser considerado como un experto en su empresa y eso puede tener sus ventajas. En una configuración más grande, se enfrentará a una mayor complejidad y puede tener el lujo de perseguir mejor su pasión. Sin embargo, a veces también puede estar un poco abarrotado. Por lo tanto, construir su propia diferenciación individual en medio de grandes equipos puede ser un poco más difícil. Resumiendo esto, si quieres un crecimiento a más largo plazo, diría: ve por los grandes, o más bien configuraciones ‘estables’. Si está en una de esas startups excepcionales que realmente está invirtiendo mucho en ML de la manera correcta, entonces también tiene suerte (y también debe ser realmente inteligente).