Pubblicato originariamente su venturebeat.com.
Nel 2015, Uber ha aperto una struttura di ricerca dietro l'angolo del National Robotics Engineering Center della Carnegie Mellon University, in un'ottica di partnership tra le due organizzazioni. Nel giro di pochi mesi, decine di membri della facoltà hanno lasciato le loro posizioni per ricoprire ruoli a tempo pieno presso Uber, svuotando il centro di gran parte dei suoi talenti. Altre grandi aziende tecnologiche hanno seguito un percorso simile: nel 2018 Facebook ha lanciato laboratori di intelligenza artificiale a Seattle e Pittsburgh diretti da ex professori.
Queste storie offrono una finestra sul braccio di ferro che si sta giocando tra l'industria tecnologica e il mondo accademico. Desiderose di costruire prodotti e servizi che utilizzano l 'intelligenza artificiale e l'apprendimento automatico, le aziende tecnologiche e altre imprese hanno assunto ricercatori e professori dalle università, creando una carenza di accademici in grado di insegnare alla prossima generazione di scienziati dei dati. La percentuale di dottori di ricerca in informatica che rimangono nel mondo accademico ha raggiunto un "minimo storico", ha dichiarato la Computing Research Association.
Nel condurre questa battaglia, tuttavia, l'industria tecnologica sta mettendo a rischio il proprio futuro e il progresso dell'IA. Oltre a coltivare i talenti di domani, le università ospitano il tipo di ricerca "blue sky" che le aziende sono spesso riluttanti a intraprendere perché i ritorni finanziari non sono chiari. Spostando i ricercatori di talento fuori dal mondo accademico, le aziende stanno interrompendo questa importante ricerca di base.
Allo stesso tempo, le aziende devono far fronte a una grave carenza di esperti di data science e machine learning. In un sondaggio di O'Reilly su oltre 1.600 sviluppatori, data scientist e analisti di dati pubblicato l'anno scorso, il 74% degli intervistati ha dichiarato di considerare l'ML e l'AI come un fattore di cambiamento. Tuttavia, la mancanza di talenti qualificati rimane un ostacolo importante. Le università stanno cercando di risolvere il problema offrendo un maggior numero di corsi di scienza dei dati e apprendimento automatico, ma questo richiede professori qualificati per insegnarli, le stesse persone che vengono attirate dall'industria.
Per affrontare questo conflitto, le aziende tecnologiche dovrebbero cambiare il loro rapporto con la comunità accademica. Invece di assumere accademici a tempo pieno, un maggior numero di aziende dovrebbe consentire a ricercatori e professori di dividersi tra i due mondi. Ciò potrebbe significare rimanere nel mondo accademico e lavorare part-time per un'azienda, o viceversa. In entrambi i casi si ottiene un vantaggio per entrambe le parti. Le università continuano a beneficiare delle menti più brillanti nel campo dell'IA e della scienza dei dati, mentre le aziende ottengono le loro competenze interne e una pipeline di talenti dell'IA attraverso gli stage.
L'abbiamo messo in pratica nella mia azienda e funziona bene. Il nostro scienziato capo, Greg Benson, insegna anche all'Università di San Francisco, dove è professore da oltre 20 anni. Durante i semestri, Greg passa la maggior parte del suo tempo a insegnare e lavora per la mia azienda uno o due giorni alla settimana. Durante le estati e le altre pause, lavora a tempo pieno per SnapLogic.
Vediamo molti vantaggi da questo modello. L'USF inserisce ogni semestre circa 50 studenti presso aziende tecnologiche e altre imprese, compresa la nostra. Questi studenti fanno un'esperienza preziosa lavorando su problemi del mondo reale e hanno un percorso verso l'occupazione. Negli ultimi otto anni abbiamo ospitato nella nostra azienda circa 40 studenti, molti dei quali ora lavorano per noi a tempo pieno.
Questi studenti possono lavorare con dati reali e sviluppare prodotti reali. Qualche semestre fa, un gruppo di nostri stagisti ha svolto un lavoro esplorativo su progetti che comprendevano motori di raccomandazione, elaborazione del linguaggio naturale e analisi del sentimento. Il lavoro sui motori di raccomandazione si è rivelato molto fruttuoso e abbiamo finito per integrarlo nella nostra piattaforma per accelerare l'integrazione di app e dati.
Greg conosce le capacità e i limiti dei suoi studenti, il che gli permette di collocare gli stagisti giusti nei ruoli giusti. Speriamo che questa esperienza li ispiri a rimanere impegnati nella comunità accademica, a creare rapporti di tutoraggio con gli studenti e persino ad assumere essi stessi ruoli di insegnamento.
Altre aziende tecnologiche hanno permesso ai loro esperti di IA di dividersi tra industria e università, come Yann LeCun di Facebook. Ma questi tendono a essere i ricercatori più importanti che hanno il potere di decidere. Sono l'eccezione piuttosto che la regola.
Con stipendi lucrosi e vantaggi invitanti, non sorprende che molti ricercatori intraprendano carriere imprenditoriali; non li biasimo per la loro scelta. Ma spetta all'industria garantire che non si interrompa l'ecosistema che fornisce importanti ricerche sull'IA e un terreno di formazione per i futuri talenti di cui abbiamo bisogno.
Ci sono altri modi per contribuire a colmare il divario di competenze in materia di IA, tra cui strumenti self-service che rendono più facile per gli analisti meno tecnici sfruttare l'apprendimento automatico senza bisogno di essere dottori di ricerca. Ma in ultima analisi abbiamo bisogno di professori e ricercatori qualificati per formare la prossima generazione di data scientist. Le aziende tecnologiche dovrebbero incoraggiare e sostenere i loro data scientist a tenere corsi nelle università e online. A lungo termine, sarà un vantaggio per tutti noi.
