Dit zoals verteld-essay is gebaseerd op een gesprek met Saurabh Khandelwal, een 28-jarige machine learning-ingenieur bij Meta, gevestigd in Bellevue, Washington. Het volgende is aangepast voor lengte en duidelijkheid.
Er zijn zoveel verschillende paden binnen de wereld van AI en machine learning.
Voor mensen die het veld ingaan, is het belangrijk om weloverwogen te zijn met de manier waarop u uw tijd besteedt aan leren. Ik heb zowel bij startups als bij Big Tech-bedrijven gewerkt, en ik moest bewust zijn over de manier waarop ik mijn carrière presenteerde. Ik ben nu machine learning-ingenieur bij Meta.
De technologie zal blijven veranderen, en nieuwe modellen zal naar voren komen, maar het is belangrijk om je te concentreren op het waarom van wat je doet voor zowel het werk zelf als hoe je jezelf presenteert als een verschilmaker in dat werk.
Toen ik solliciteerde naar mijn rol bij Meta, concentreerde ik me op het uitbouwen van een verhalende lijn in mijn cv, wat volgens mij mijn sollicitatie heeft geholpen en me dichter bij mijn carrièredoelen op de lange termijn heeft gebracht.
Ik begon in de startup-wereld voordat ik bij Big Tech kwam
Mijn eerste baan was als oprichter machine learning-ingenieur bij een startup. Vervolgens liep ik in de zomer van 2022 stage bij een hedgefonds in New York als software-ingenieur en solliciteerde ik naar een functie bij Amazon.
Ik kwam in februari 2023 bij Amazon terecht. Ik heb echt genoten van mijn tijd daar. Ik heb er veel van geleerd over de manier waarop Big Tech problemen aanpakt en middelen opschaalt.
Eind 2024 rondde ik mijn bestaande projecten af en wilde ik een machine learning-rol vervullen die zich richtte op zowel onderzoek als implementatie, aangezien mijn rol bij Amazon beperkte zich tot de loutere uitvoering ervan. Ik begon mogelijkheden te onderzoeken en verliet eind februari 2025 Amazon om bij Meta te gaan werken als machine learning engineer.
Bij Meta heb ik meer zelfstandigheid
Mijn rol bij Meta is nauwer verbonden met productresultaten dan wat ik bij Amazon deed, en dat is een van de redenen waarom ik geïnteresseerd was.
Bij MetaIk richt mij op zowel onderzoek als implementatie. Er is minder aandacht voor het verkrijgen van afstemming bij iedereen in mijn team dan in mijn vorige rol bij Amazon. Als ik vind dat een idee goed is, word ik aangemoedigd om het uit te proberen, te testen en naar productie te sturen met de nodige vangrails op hun plaats.
Ik heb een verhaal in mijn cv gemaakt om me te helpen de baan bij Meta te krijgen
Toen ik voor deze functie solliciteerde, vermeldde ik niet alleen mijn projecten mijn samenvatting; Ik concentreerde me op het benadrukken van details die de sterkste lijn laten zien. Ik wilde dat het een verhaal zou vertellen.
Mijn verhaal bestond uit twee delen. De eerste was dat ik machine learning-systemen als geheel begreep, omdat ik bij een startup werkte voordat ik bij Amazon kwam, en de reikwijdte van de taken bij een startup is veel breder dan bij een Big Tech-bedrijf. Alles is vanaf nul opgebouwd en ik moest elk proces stap voor stap begrijpen en de componenten dienovereenkomstig bouwen.
Het andere deel van mijn verhaal was dat ik machine learning-systemen op grote schaal kan oplossen vanwege mijn ervaring bij Amazon. Op mijn cv was ik specifiek over de schaal waarop ik werkte, hoeveel tokens ik verwerkte en hoeveel verzoeken ik behandelde, omdat Big Tech-bedrijven belang hechten aan systemen die op dat niveau werken. Zelfs startups geven om die schaalbare datapunten, omdat ze op een gegeven moment op dat niveau willen opereren en implementeren.
Het algemene verhaal was dat ik het systeem van begin tot eind begrijp en een belangrijke verschilmaker kan zijn bij het verzenden van één idee naar de eindbestemming, omdat ik de volledige levenscyclus van het machine learning-systeem begrijp.
Mijn beste advies voor machine learning-ingenieurs
Machine learning gaat momenteel zo snel dat het moeilijk bij te houden is.
Als je wat meer ervaring hebt in de branche, weet dan op welk systeem of deel van het probleem je je wilt concentreren, en volg dat onderzoek echt. Volg bloggers, ga naar conferenties in de specialismen waarin je geïnteresseerd bent, en verdiep je in die problemen. Ik heb elke week een speciale tijd om te leren, waarin ik mijn agenda een uur blokkeer.
Als je rechtvaardig bent het starten van je carrièrerichten zich op het hebben van een sterke basis waarop machine learning-systemen zijn gebouwd. Als je de basisprincipes goed begrijpt, kun je deze systemen aanpassen en inzetten, zelfs als architecturen en tools nog honderd keer veranderen.
Heeft u een verhaal te vertellen over uw carrière in de technologie? Neem contact op met deze verslaggever, Agnes Applegate, op aapplegate@businessinsider.com.
