Wenn Sie ein Tech-Startup im KI-Bereich sind, müssen Sie ein Team von technischen Experten einstellen, um Ihr Produkt zu entwickeln. Für viele wird dies die Beschaffung von erstklassiger künstlicher Intelligenz, maschinellem Lernen und Deep-Learning-Ingenieuren umfassen. Die Nachfrage nach diesen technischen Experten wächst rasant. Die Vereinigten Staaten zitiert a 344 Prozent Wachstumsrate für Ingenieure des maschinellen Lernens im Jahr 2019. Insgesamt werden Computer- und Informationstechnologiejobs prognostiziert um 22 Prozent wachsen in den nächsten zehn Jahren deutlich über dem Landesdurchschnitt.
Trotz dieses exponentiellen Wachstums in diesem Bereich ist die Einstellung von technischen Talenten nicht einfach. Wir haben gesehen, wie Start-ups immer wieder zahlreiche Einstellungsfehler machten, die zu ins Stocken geratenen Projekten, langsamem Wachstum und geringeren Gewinnen führten. Dies sind die drei größten Fehler, die Startups bei der Einstellung von KI-, ML- und Deep-Learning-Ingenieuren machen — und wie man sie vermeidet.
Die 3 größten Fehler, die Startups bei der Einstellung von KI-, Machine-Learning- und Deep-Learning-Ingenieuren machen
- Talente nicht weltweit suchen.
- Einstellung nur auf Basis von Zeugnissen.
- Programmierkenntnisse nicht testen.
1. Talente nicht weltweit suchen
Trotz hoher Nachfrage herrscht derzeit ein Nachwuchsmangel für Ingenieure mit Machine-Learning-Erfahrung. In den Vereinigten Staaten, insbesondere in Technologie-Hotspots wie der California Bay Area, neigen große Technologieunternehmen wie Google und Microsoft dazu, die meisten verfügbaren lokalen Talente einzustellen, was es für kleinere Start-ups schwierig macht, so wettbewerbsfähig einzustellen.
Um im Wettbewerb bestehen zu können, müssen Startups ihre Perspektive ändern: Was wäre, wenn wir über Recruiting global statt lokal denken würden?
Die heutige Remote-Arbeitsumgebung macht global beschaffte Talente reif für eine Überlegung. Covid-19 hat viele Mitarbeiter von Technologieunternehmen in dauerhafte Heimarbeit versetzt. Nicht nur Remote-Arbeit produktiver, aber dies eröffnet Ihrem Unternehmen Zugang zu einer Spitzengruppe globaler Talente, auf die Sie sonst möglicherweise nicht zugreifen können.
Darüber hinaus haben Deep-Learning-Ingenieure an einigen Standorten weltweit trotz ihrer fortgeschrittenen technischen Fähigkeiten möglicherweise nicht die in den Vereinigten Staaten zugänglichen Stellenangebote. Diese Interessenten können bei einem Start-up mit einem interessanten Blickwinkel oder Problem zu arbeiten springen, was Ihrem Team einen erheblichen Mehrwert bringt.
2. Einstellung allein aufgrund von Anmeldeinformationen
Viele Unternehmen filtern heute automatisch Bewerber heraus, bevor sie Mitarbeiter rekrutieren, auch nur einen Lebenslauf ansehen. Bewerber werden aufgrund von Hochschulanforderungen, Universitätsname, langjähriger Erfahrung und mehr abgelehnt. Aus diesem Grund ist es kein Wunder, dass 50 Prozent der Bewerber liegen in ihren Lebensläufen.
Und in den Bereichen KI und ML ist ein Ph.D. von Stanford ist nicht immer der beste Prädiktor für die zukünftige Leistung. Tatsächlich ist es das oft nicht.
Warum nicht? Doktoranden werden darin geschult, ein Problem zu recherchieren, ihre Ergebnisse zu veröffentlichen und zu wiederholen. Es gibt sehr wenig technische Anwendung auf Probleme der realen Welt. In der Startup-Welt brauchen Sie Ihre Mitarbeiter nicht, um den größten Teil der Recherche im eigenen Haus durchzuführen. Stattdessen brauchen Sie jemanden, der wissenschaftliche Arbeiten lesen, die Konzepte verstehen, relevante Erkenntnisse ableiten und sie auf das Projekt anwenden kann, an dem sie arbeiten. Wenn Sie einen Bewerber ohne angewandte Fachkenntnisse einstellen, werden Sie Ihre Entscheidung schnell bereuen.
Bedenken Sie auch:
-
Bevorzugung von Team- versus Solo-Arbeit. Die Entwicklung eines Produkts ist ein viel kollaborativerer Prozess, als die meisten denken. Stellen Sie sicher, dass Ihre potenziellen Kandidaten mit einem Teamansatz gut arbeiten.
-
Lust auf kontinuierliches Lernen. Sie brauchen jemanden, der über die neuesten Trends und Forschungen informiert ist, die sich ständig weiterentwickeln. Ein Kandidat, der sich in seinen Gewohnheiten oder seiner Komfortzone befindet und nicht offen für neue Ansätze ist, wird nicht jemand sein, den Sie in Ihrem Team haben möchten.
3. Programmierfähigkeiten nicht testen
Sie haben Ihre Rekrutierung weltweit ausgeweitet und prüfen Bewerber auf praktische Erfahrung. Was kommt als nächstes? Testen Sie diese Fähigkeiten.
Während die meisten KI-, ML- und Deep-Learning-Ingenieure über das erforderliche theoretische Wissen verfügen sollten, sind nicht alle von ihnen auch gute Programmierer. Wenn Sie ein wettbewerbsfähiges Produkt schnell auf den Markt bringen wollen, brauchen Sie Ingenieure, die auch gut programmieren können.
Sie würden keinen neuen Texter einstellen, ohne seine Schreibfähigkeiten zu testen, oder? Dieselbe Denkweise sollte auch für Bewerber für ML-Ingenieure Standard sein. Startups, die ML-, Deep-Learning- oder KI-Talente interviewen, konzentrieren das Interview oft auf theoretische Konzepte und testen nie die tatsächlichen Programmierfähigkeiten der Kandidaten.
Die Tests müssen nicht komplex sein. Sie können beispielsweise einem Kandidaten eine einfache Forschungsarbeit zuweisen und ihn bitten, das skizzierte neuronale Netzwerk mithilfe einer Open-Source-Plattform für maschinelles Lernen wie PyTorch oder TensorFlow aufzubauen. Dies ist eine großartige Möglichkeit, (A) zu sehen, wie schnell sie arbeiten können und (B) zu sehen, wie sie Forschungskonzepte in einem realen Szenario anwenden können.
Bessere Einstellungen, bessere Produkte
Das Endergebnis ist, dass Sie ein marktfähigeres und wettbewerbsfähigeres Produkt erhalten, wenn Sie Qualitätsüberlegungen und Zeit in den Rekrutierungsprozess investieren. Auf diese Weise stellen Sie sicher, dass Sie ein starkes technisches Team aufbauen, das sowohl die Spitzenforschung versteht als auch neue Konzepte anwendet und Ihnen dabei hilft, eine Grundlage für langfristigen Erfolg auf dem umkämpften Startup-Markt zu schaffen.