Reprise du message précédent :

 
Intellectuellement ou au niveau employbilite ?  
 
Le marche est plus ou moins bouche -> faut des competences de plus en plus niche pour sortir du lot etc
 

 
Ca se fait en ML en effet : https://bigscience.huggingface.co/b [...] ters-model

 
Intellectuellement et en terme d'employabilité.  
Ah bon? Ca ne vaut plus le peine de se diriger vers ce métier? Je voulais faire de la data science appliquée au fintech.

Je suis mentor sur cette formation à mes heures perdues
Tu as quel age?
Elle est pas mal, tu vois un peu de tout et le niveau est globalement pas trop naze en sortie.
Par contre aucune idée de l'employabilité après. Ca reste un MOOC. Est-ce reconnue par les entreprises?

Si tu veux bosser dans la fintech (donc startup), il va falloir faire ses preuves avant. Peu de temps à "perdre" avec des juniors dans le monde des stratup

Pas moyen de te faire payer une formation "diplomante" par ta boite?

Et je rejoins NotCompliant, beaucoup de monde est arrivé récemment.
Avec les crises / moins d'investisseurs / etc, beaucoup de boites cherchent du sénior ...
Ca veut pas dire que tu ne trouveras pas, ça veut dire qu'il y a de la concurrence et que les salaires sont sans doute moins hauts qu'il y a quelques années

En 2 ans la filière s'est complètement bouchée.
 
Je n'ai jamais vu autant de reconversion qu'en data *ist, Il n'y a qu'à se baisser pour récolter xxxx candidats.
 
J'avais lu un article y'a pas longtemps qui disait le nombre de Doctorants en ML/DL, etc. était hallucinant et que les universités devaient freiner la chose. Il y a aussi toutes les écoles d'ingé et les facs qui ont des cursus en Data.
 
Bref, je pense qu'à une époque, il était possible de choper un job avec un MOOC. Mais aujourd'hui, tu seras en concurrence avec énormément de candidats ayant un Master ou un Doctorat issu du domaine en plus des milliers autres reconvertis.

c'est un marche a deux vitesse avec des opportunites exceptionnelles pour les bons profils / seniors et complique pour les jeunes diplomes

+1, j'ai l'impression que cet effet est beaucoup plus contrasté que dans l'ensemble des autres domaines de l'informatique

Qui ici utilise github copilot ou OpenAI CODEX ? https://beta.openai.com/playground? [...] avinci-003
 
J'ai teste avec des trucs specifiques a mon job et ca marche vraiment bien
 
Du coup la strat ca serait pas de :  
 
1) Mentir sur le CV avec des trucs prestigieux / caritatifs etc
2) Apply Google blabla Senior Engineer III
3) Torcher tous les leetcode hard avec openIA en fond
4) ????
5) Inge 500k / annee a rien faire
 
Avis svp

Comment tu utilises Copilot au tableau blanc pendant les entretiens Google?

 
Les tableaux noirs et la craie c'est plus ecolo.
C'est pour que je n'irai jamais chez eux

 
Sur zoom avec plusieurs écrans ça doit passer
 
Sinon pour les screening des startups c'est souvent un test hackerrank à faire

 
Pour avoir essayé vite fait ça marchait bien que sur des trucs simples, mais après j'ai pas approfondi

 
Oui c'est très fort pour générer des réponses qui ont l'air correctes
 
Mais y'a rien d'implémenté pour s'assurer par ex que les applications numériques sont correctes (tu peux le quiz sur des petits calculs il sait pas faire) ou que le code compile (y'a des pbs de variables etc)
 
Par contre, y'a quelques astuces qui marchent bien comme le forcer a faire etape par etape comme un ecolier etc
 
Assez fascinant comme technologie mais pas aussi puissant que ca en a l'air imo

Petite question open cv, je cherche a calculer le diametre d'une veine. Comme elles se ressemblent toutes j'ai pas envie de faire du ML et j'ai essaye avec opencv, j'arrive a obtenir une belle segmentation et les contours qui vont bien par contre pour finir je bloque. Une idee de comment calculer la longueur de la fleche en rouge sur la photo ?    
 

Tu nous payes combien pour qu'on fasse ton taf?

C'est tellement proche de ce que je fais que j'arrête de répondre, sinon j'aide la compétition

Open AI sait pas faire donc jvais balancer ca au stagios ou bien le faire avec du DEEP LEARNING

Tu traces la ligne des points équidistants aux parois, et tu mesures la longueur du segment perpendiculaire a cette ligne, et dont les extrémités sont les parois.  
Ça marche pas ça?

 
La difficulte c'est de trouver les parois haha
 
Sinon question plus generale, comment vous feriez pour ne segmenter un objet que dans certaines images ? Par exemple dans la majorite des cas l'objet n'existe pas donc 0 segmentation a faire, dans certains cas l'objet existe (et est + ou - subtile), si on entraine un UNET que sur des cas positifs il va faire plein de faux positifs non ?  
 
J'avais pense a feed des masques vides mais instinctivement je sens que ca pue  
 

Pourquoi ça serait un problème d’avoir des images négatives (i.e. sans objet d’intérêt) ?  
C’est ce qu’on fait parfois et ça fonctionne sans problème.

 
Donc avec des masques vides comme GT ?  
 
Comme problèmes je pense que ça va être très compliqué à train avec un UNET, contrairement à d'autres librairies comme Detectron où le background / classes négatives doivent être incluses (il me semble), l'objet est assez compliqué à différencier (c'est une excroissance sur un tissu) donc j'ai peur que le modèle segmente n'importe quoi pour peu que ça y ressemble un peu

Oui, masques vides.
 
Pourquoi ça serait plus un problème avec un Unet qu’avec Detectron ? Je ne vois pas le rapport.
Tu mentionnes Detectron, donc je suppose que tu utilises plutôt PyTorch. Tu peux essayer MMSeg, il y a de quoi faire.
 
L’approche modèle de segmentation est-elle la plus appropriée ? Rien ne t’empêche d’envisager un modèle de détection pour identifier ton objet, puis un modèle de seg derrière quand un objet a été détecté.
Après c’est à toi de voir en fonction du problème  

En fonction de ta loss, il peut y avoir des problèmes de division par 0 si tu fais pas gaffe (par exemple pour le Dice)
Ton network peut aussi avoir tendance à apprendre à prédire 0 partout si tu as trop de ces images, donc c'est important d'avoir un certain équilibre, peut-etre construire des batchs avec des images positives et negatives.
 
Mais je pense que c'est important de le faire, sinon les layers de normalisation ont tendance a faire predire le network quelquechose toujours, meme si il n'ya rien dans l'image.

Je faisais des trucs comme ça easy en deux coups de cuillère à pot en 2004 sans ML ni DL.
 
Mais j'utilisais MATLAB

 
Car Detectron c'est une librairie professionnelle et ce genre de cas est accounted for alors que le UNET c'est de la tambouille perso
 
Ouaip donc instance segmentation ? Ça pourrait le faire, mais notre app est déjà assez surchargée j'essaie de pas rajouter 36 modèles  
 
En tout cas merci du feedback, à creuser
 

 
Par curiosité, pourquoi tu incrimines les layers de normalisation particulièrement ? Et oui c'est ma crainte ie que le modèle prédise quand y'a rien, surtout en régime peu de données
 
Pour la loss j'utilise bce_dice, celle popularisée par kaggle ça marche bien  
 
Merci des réponses

Jcrois jui en train de me faire placardiser, tous mes projets sont donnés a la nouvelle  
 
Apres j'ai eu mon eval de perf avec note maximale, entretien ac le boss auj, jvais demander une augment, autant que ca soit un placard doré
 
Mes objectifs du prochain quarter c des trucs de merde 0 stimulation
 
Y'en a un c aider a faire les docs regulation wtf

Les docs régulation c'est important, c'est pas déconnant qu'ils le donnent au plus senior

Je viens de decouvrir la chaine de Karpathy, sa derniere video sur ChatGPT est excellente. Tres bonne intro Transformer / Attention / NLP
 
https://www.youtube.com/watch?v=kCc8FmEb1nY

Excellent, merci beaucoup

Soumission ICML faite, souhaitez moi bonne chance même si j'attends le reject à 95%
Maintenant vacances

 
Bonne chance, sur quel sujet de recherche ?  

Merci
Compression de tokenization et application à plusieurs taches pour montrer le gain de résultats et perf (sans en dévoiler trop)
Ca reste trop appliqué pour être accepté je pense, avec le recul on aurait du soumettre ailleurs

Pour ceux qui sont en recherche en ce moment ça donne quoi le marché du travail pour les seniors? La crise est arrivée ici aussi?

Ta question tombe bien
 
Perso, ma boite (boite française, marché US à 80%) nous a sorti un plan de départ volontaire pour 35% des français.
Y'a un joli chèque si on prend la porte donc j'étais chaud "gogogo, c'est l'occasion de prendre plusieurs k€ et trouver autre chose"
 
Finalement, je trouve rien (full emote ou Lyon avec beaucoup de remote) pour mon profil (8ans XP lambda)  
Les full remote c'était que dans scale-up qui ne recrutent plus  
Et à Lyon, le marché est naze
 
J'hésite à partir en freelance, mais pas sur que ça soit le bon plan pendant une crise

Même ressenti que toi
 
Sinon j'ai également l'impression que Data Engineer a de plus en plus la côte, à tel point que les salaires rattrapent ceux des DS (voire même dépassent parfois).

ça ne m'étonne pas.
Sans DE, pas de donnée et pas de DS. Et shit in, shit out
 
Honnêtement maintenant, sauf domaine de pointe, un DS ça prend des modèles sur étagère et rentre ses données dedans.
Je pense qu'à terme, on aura beaucoup de MLE (un bon 50/50 entre DE et DS), des DE et de moins en moins de DS

Le boulot du DS c’est pas tellement au niveau des modèles, sauf domaine innovant, c’est plus de travailler sur le choix des features en fonction de la data disponible, de leur qualité et de la problématique métier à résoudre. Pour le modèle tu prends un Light Gradient Boosting et t’es bon dans 99% des cas hors image et texte

Dans ce post où justement un DS parle de son passage à DI il y a une description du métier que je trouve assez juste:

(et je rajouterais même "legal" parfois, car on peut être bloqué par des aspects réglementaires)

Je recrute en ce moment, dans un domaine de niche, et des candidatures j'en reçois pas mal, malgré le fait d'être une petite boîte.
Il ya une grande majorité de profils "ok", c'est a dire avec une formation techniquement adaptée et parfois un projet d'étude pertinent. Le problème c'est que c'est très dur de sortir du lot car les CVs des candidats se sont énormément homogénéisés avec le temps.
Du coup ce qui me fait contacter un candidat c'est:
- soit une expérience non négligeable dans mon domaine d'application, en industrie ou en académique (mais dans ce cas je regarde les publications)
- soit une expertise technique qui dépasse le machine learning/deep learning, par exemple avoir fait du MLops, une expertise en C++, etc

Et pour les JD, en général on regarde d'abord nos  stagiaires

Bref je suis aussi d'accord avec le fait que "Data engineer" ça m'a l'air d'être pas mal

Vous payez combien par curiosite ?

Pour moi l'avenir c'est vraiment DE/MLE, sauf compétences ultra pointu dans un domaine (video, audio, ...).
Perso j'essaye d'en savoir de plus en plus côté MLE mais c'est pas évident, j'ai du mal à trouver des MOOC bien fait et chez nous on est clairement pas au niveau, on se cherche encore

Pareil de mon côté, transition en douceur vers de plus en plus de MLE et MLOps, moins intéressé par la partie DE. Au final ça me plaît pas mal ces sujets