علماء البيانات هم خبراء في تحليل البيانات ولديهم المهارات التقنية لحل المشكلات المعقدة
ألكسندرا مرزينة ، مهندس تعلم الآلة ، مجموعة التقنيات المتقدمة ، تقنيات إيجابية
واحدة من التقنيات الواعدة فيالتعلم الآلي هو الآن التعلم المعزز. وبالمناسبة، فإن نظام DeepMind الذي فاز بـ StarCraft II يعتمد عليه. هذا النهج في التعلم ومن ثم الاستخدام، يذكرنا بالذكاء الاصطناعي. مثل هذا النظام مغمور في بيئة تمنحه استجابات للأفعال. هذه الطريقة تشبه إلى حد كبير الطريقة التي ندرس بها أنا وأنت، ولكن في بعض الأحيان يستغرق الأمر سنوات منا، ولكن هنا توجد فرصة لتسريع العملية بشكل كبير من خلال النمذجة وقوة الكمبيوتر.
على سبيل المثال ، سوف يتعلم مثل هذا النظام بسرعة "جيدقيادة سيارة. بالطبع ، ستظل هناك قضايا متعلقة بالمواقف الاستثنائية وتشغيل النظام في ظروفهم (بسبب قصر المهام التي يحلها). في خريف عام 2017 ، تسببت الشبكات العصبية الكبسولية في تقليل الضوضاء: في ذلك الوقت تحدثوا بقدر ما تحدثوا عن ثورة في عالم التعلم العميق. اليوم نسوا تقريبا عنها في الأماكن العامة. في الممارسة العملية ، لا تزال شعبية للغاية هي شبكات الحافلات والهندسة العصبية ، والتي أصبحت بالفعل المعيار لحل بعض المشاكل. مثل ، على سبيل المثال ، مثل الكشف عن الكائنات في الصور أو تصنيف الصور.
من الناحية النظرية ، سوف تأتي الذكاء الاصطناعي كتقنية أسرعتلك المناطق التي يتألف فيها عمل الشخص في الغالب من أعمال روتينية ، أو في المناطق التي تتطلب اتخاذ القرارات بسرعة بناءً على كمية كبيرة من البيانات. أي أن الأخبار المثيرة حول كيفية استبدال 600 متداول بمائتي مبرمج يمكن أن تصبح بسهولة واحدة من الأحداث العادية في مجال الأتمتة. بالانتقال إلى صناعة الأمن السيبراني ، من المحتمل أن تكون هذه الأتمتة ، على سبيل المثال ، في مجال تحليلات الفيروسات ، أو اكتشاف الهجمات. بالمناسبة ، يعمل فريقنا على تقنية تتيح للتعلم الآلي اكتشاف الهجمات على تطبيقات الويب في ثوانٍ.
ومن الناحية العملية، فإن التنبؤ بالصناعات التي يستخدم فيها الذكاء الاصطناعي.سيكون الطلب على نطاق واسع بكامل قوته وفي المستقبل القريب سيكون الأمر صعبًا، حيث يرتبط استخدامه بالكثير من الفروق الدقيقة الاجتماعية والقانونية. لنفترض، الطيار الآلي: من الممكن بالفعل من الناحية التكنولوجية نقل الرحلات الجوية القياسية إلى الطيارين الآليين، ولكن كم عدد الركاب الذين سيثقون بحياتهم في طائرة دون أن يجلس شخص في أجهزة التحكم؟ أو، على سبيل المثال، الطب - هناك العديد من التطورات القائمة على استخدام الذكاء الاصطناعي فيما يتعلق بهذه الصناعة، ولكن من وجهة نظر الإطار التشريعي لا يمكن استخدامها على أكمل وجه واليوم لا تزال على المستوى المفاهيمي.
نعم، هناك الكثير من الضوضاء حول الاتجاه:في الوقت نفسه، يفضل العديد من الخبراء التحدث على الفور عن حل مشاكل محددة، وتوفير الوقت والمال، مع مراعاة استخدام التكنولوجيا. في الواقع، تتعثر هذه الأفكار في مسألة الموظفين: إذا كان هناك حديث منذ عدة سنوات عن نقص المبرمجين، فلم يتغير شيء الآن، إلا أننا الآن لم نعد بحاجة فقط، على سبيل المثال، إلى مبرمجي جافا، ولكن أيضًا إلى مهندسين معقدين، من يمكنه فهم المشكلة وحلها، بما في ذلك استخدام أساليب التعلم الآلي.
الشعور بتشبع السوق بالمتخصصينالتعلم الآلي خادع أكثر من كونه حقيقيًا. نعم، يعتقد الكثير من الناس أنه يمكنهم تعلم هذا المجال بسرعة من خلال حضور دورتين دراسيتين، ولكن نتيجة لذلك، يصبح السوق مشبعًا بالمتخصصين ذوي الخلفية غير ذات الصلة. ومع ذلك، يعد التعلم الآلي في معظم الحالات أداة لحل مشكلة معينة بشكل فعال (حسنًا، فقط إذا كنت لا تفعل ذلك من أجل حل المشكلة في حد ذاتها) ومن أجل اختيار الأداة المناسبة، يجب أن تكون لديك خبرة واسعة في مجال معين ( وفي حالتنا، أمن المعلومات).
تاريخ التعلم الآلي اليوم أكثرإنه يشبه الموقف بمضاد "المطرقة الذهبية" المشهور في بيئة التطوير ، والذي تتم فيه محاولة حل أي مشكلة بمساعدة مطرقة واحدة (وإن كانت ذهبية). يطبق أخصائيو التعلم الآلي الذين أكملوا بضع دورات تدريبية خبرتهم في مائة حالة من كل مائة ، دون أن يكونوا قادرين على فهم وقت الحاجة إلى مجموعة أدوات أخرى - واحدة إضافية. العديد من هؤلاء المتخصصين المخبوزات حديثًا ليسوا مطورين ولا يمكنهم تجاوز إطار Jupyter Notebook (أداة شائعة في ML) ، أو يفتقرون إلى المعرفة الكافية في مجالات أخرى ، مما لا يسمح لهم باستخدام التكنولوجيا بنجاح في أي منطقة معينة لحل مشاكل محددة.
ألينا أريكينا ، عالمة بيانات سبيربنك ش.م.ع.
في التعلم الآلي هناك جزء الإبداعي ،اعتمادًا على بيانات ومعرفة المجال ، وعلى حدس المطور ، والمزيد. وهناك أشياء تلقائية ، حيث تحتاج إلى العثور على معلمات أفضل وإعادة كتابة رمز معروف منذ فترة طويلة. الجزء الثاني ، كما في أي عملية "ميكانيكية" ، يميل الناس إلى تحسين كل شيء ، بما في ذلك من خلال التعلم الآلي. إذا كان علماء الرياضيات السابقون قد انتقلوا من "التعلم اليدوي" إلى التعلم التلقائي على أساس مكتبات مثل keras ، فيمكن أن تعمل اليوم أمثلة على التحسينات كمكتبات لإدارة حالة مجموعات البيانات والصور والمعالجة المسبقة للنصوص ، وحتى الكشف التلقائي عن ميزات العناصر. يمكن أن تكون الخوارزميات بسيطة (تقطع نهايات الكلمات) أو معقدة (بناء شبكات عصبية خاصة - أجهزة تشفير ذاتي تعمل على ضغط البيانات إلى أي حجم) ، ولكن مجموعة من أدوات التدريب هذه غالباً ما تحدد جودة النموذج النهائي ، وبالتالي مهارات طبيب البيانات.
سوف يأتي التعلم الآلي في النهاية لاحقًاالمناطق التي سيتم إبطاءها عن طريق التشريعات أو عدم الثقة البشرية: الطب أو سيارة مع الطيار الآلي. نرى بالفعل إنجازات هائلة في هذه المجالات - يتم استخدامها في بلدان أخرى. لكنني متأكد من أنه من أجل تنفيذها معنا وجعلها في متناول الناس العاديين ، سيتعين علينا الفوز بأكثر من حرب بيروقراطية واحدة.
علم البيانات هو حقا للاهتمام للغاية. كل ثانية صديقتي متخصص تكنولوجيا المعلومات بالفعل على الأقل قرأت عن التعلم الآلي. ويلي نيللي ، تبدأ في القلق: ألا يوجد عدد كبير جدًا من مراكز البيانات؟ بالإضافة إلى ذلك ، فهم يحاولون الآن استخدام التعلم الآلي في أي مشروع لتكنولوجيا المعلومات ولأي مهام ، ولا يتخيلون حقًا سبب الحاجة إلى مثل هذه الخوارزميات - إنه من المألوف. سوف يمر HYIP وسيقل عدد الشواغر. من ناحية أخرى ، فإن السؤال هو ما إذا كان أولئك الذين يحبون حقًا علوم البيانات سيظلون في المهنة وليس مطاردة الأزياء.
تاتيانا سافيليفا ، رئيسة مجموعة البيانات غير المهيكلة ، Yandex.Taxi ، مؤلفة قناة التلغرام tldr_arxiv
أنا لا أحب حقًا كلمة "AI" على الإطلاق، لأنهافهو عام وطموح للغاية، وغالباً ما يجعل الناس يبالغون في تقدير مستوى التكنولوجيا. كما تعلمون، هناك مثل هذه النكتة: "كيف نميز ML عن الذكاء الاصطناعي؟ يتم إجراء تعلم الآلة باستخدام لغة Python، ويتم إجراء الذكاء الاصطناعي في برنامج PowerPoint.
الاتجاه الأول لعلم البيانات آخذ في الازديادشعبية مجال الموضوع: تدرك الشركات بشكل متزايد أنه بدون معالجة كمية كبيرة من المعلومات المفيدة في المستقبل سيكون الأمر صعبًا. هناك اتجاه نحو أتمتة التعلم الآلي: إذا كان عليك قبل 10 سنوات أن تكتب جميع الأساليب للعمل بنفسك، فهناك الآن العديد من المكتبات الجاهزة والمريحة.
ولكن مع زيادة سهولة استخدام الأساليبتتغير الأدوات الحالية بسرعة أكبر - فأنت بحاجة إلى إبقاء إصبعك على النبض باستمرار. هناك اتجاه نحو استخدام الشبكات العصبية: تنشر المؤتمرات الصناعية المزيد والمزيد من المقالات المتعلقة بهذا النوع من الخوارزميات.
لذلك التعلم الآلي هو الأخيرسيأتي إلى المناطق التي توجد فيها بيانات قليلة أو حيث لا توجد بها على الإطلاق - على سبيل المثال ، وبهذه الطريقة بالكاد يمكنك التنبؤ بالمكان الذي يسقط فيه الكويكب أو وقت تصادم القمر مع الأرض. يبدو أن التعلم الآلي يصعب تنفيذه في المؤسسات البيروقراطية - الوكالات الحكومية والمؤسسات الطبية.
على أي حال، في مرحلة ما سوف السوقسيكون هناك عدد كبير من المتقدمين لبدء الوظائف الشاغرة - المتخصصين المبتدئين أو المتدربين، حيث أصبحت المعرفة اللازمة للعمل في مثل هذا المنصب أكثر سهولة. لكن الطلب على المتخصصين ذوي الخبرة الذين قاموا بالفعل بتنفيذ مشاريع ML سوف ينمو، حيث يستغرق الأمر الكثير من الوقت والجهد لاكتساب هذه الخبرة، كما أن عدد مهام التعلم الآلي يتزايد بشكل أسرع من عدد الأشخاص الذين لديهم الوقت وكانوا قادرين على ذلك قادرة على اكتساب مثل هذه الخبرة.
إميلي درال ، تحليلات تحليل البيانات ، Mechanica AI ، رئيس قسم استخراج البيانات أثناء العمل
في تعلم آلة واحدة من أكثرالاتجاهات الساطعة هي الانتقال من استخدامه كتقنية مساعدة إلى أتمتة كاملة تعتمد عليها. يتجلى ذلك بوضوح في أتمتة الإنتاج الصناعي والزراعة والأعمال التجارية الزراعية ، وكذلك تطوير مفاهيم المدينة الذكية والمنزل الذكي.
الآن تطبيقات التعلم آلةالكثير ويرجع ذلك إلى المستوى الحالي لتطوير مكدس التكنولوجيا ، ومستوى فهمنا للمجال وعدد من القضايا الأخلاقية التي لم يتم حلها. أفضل تطبيق شخصي لي هو الطب وعلم النفس والتربية. هنا ، لا يتعلق الأمر في المقام الأول بالخدمات المساعدة (أنظمة التوصية لتشخيص الأمراض أو الأنظمة التفاعلية) ، ولكن يتعلق بالأتمتة الكاملة للعمليات من خلال الذكاء الاصطناعى و ML.
أعتقد أن صناعة تكنولوجيا المعلومات اليوم مختلفة لتتطور التقنيات بشكل ديناميكي للغاية ، وإذا توقفت عن مواكبة هذه التغييرات ، فهناك خطر ملموس للغاية في أن تصبح متخصصًا لم تتم المطالبة به. هذا هو واحد من المجالات القليلة التي يمكن لخريجي الجامعات من دون خبرة التنافس مع محترفين من ذوي الخبرة.
بفضل السوق الديناميكي ، اعمل لأولئك الذينمواكبة الاتجاهات ، وسوف يكون دائما. لكن بالنسبة لأولئك الذين ليسوا مستعدين لتعلم كل حياتهم ، يبقى السؤال الصعب هو: كيف تبقى ذات صلة. هنا سوف تساعد في الخبرة والتوقعات المهنية ومعرفة مجالات النشاط ذات الصلة (أو غير ذلك!).
مجال التعليم يتغير حاليامن الناحية المفاهيمية، إذا جاز التعبير، لا يواجه تلاميذ المدارس والطلاب فحسب، بل يواجه أيضًا المهنيين البالغين ذوي الخبرة العملية. بعد الحصول على التعليم المناسب في الماضي، وقدر كافٍ من الوقت والمستوى المناسب من المثابرة، يمكنك إعادة تدريب نفسك دون استثمارات مالية كبيرة و اجتياز مقابلة كحد أدنى لشغل منصب مبتدئ في تحليل البيانات. وهذا أحد أهداف الدورات التدريبية عبر الإنترنت.
إذا تحدثنا عن الجامعات، فمعظمهاهناك عدد من الصعوبات في تدريس التخصصات التقنية الحالية: تتغير التقنيات بسرعة كبيرة، ومن الضروري جذب المتخصصين الممارسين، وهم ليسوا مستعدين دائمًا للعمل بالتنسيق الذي تقترحه الجامعة. هذه هي الطريقة التي تنقذ بها شركات تكنولوجيا المعلومات الرائدة، فتنشئ المدارس، وتفتح أقسامًا في الجامعات، وتجري دورات عملية وتدريبًا داخليًا، وكذلك تدرب خريجي الأمس داخل الشركة في بداية العمل. في النهاية، أنا شخصيا أرى مهمة الجامعة ليس فقط وليس الكثير في إطلاق متخصص جاهز للسوق، ولكن في حقيقة أن التعليم العالي يجب أن يمنح الشخص مستوى ثقافيًا وفكريًا وعاطفيًا معينًا، والذي عليه تعتمد الحياة المهنية إلى حد كبير على المعرفة بتقنيات محددة.
آنا Voevodskaya ، خبير التعلم الآلي ، جيت Infosystems
يبدو لي الآن أنهم يطبقون أكثر وأكثر.التعلم التعزيز. قرار التعلم والتفاعل مع البيئة باستخدام المكافآت والإجراءات والملاحظات. واحدة من أشهر الأمثلة على تعلم التعزيزات هي AlphaGo. أيضا ، يتم استخدام أساليب التدريب هذه لمحاكاة حركة الشخص (المسابقات الأخيرة في NIPS كانت حول RL) والآلات وغيرها.
التعلم الآلي هو السحر في أفضل حالاته.حاسة. يتم تطبيق رياضيات معقدة للغاية على بياناتك على وجه التحديد، ويتم إجراء تحليل متعمق وإصدار تنبؤات دقيقة للغاية من أجلك فقط. والجميع يريدون هذا السحر لأنفسهم: فهو يدر المال، وهو جيد لصورتهم - وهو أمر رائع.
أما وفرة السوق ، فأنا في هذاأنا لا أصدق. من الصعب العثور على المتخصصين الجيدين دائمًا. على سبيل المثال ، لم تظهر Java قبل عامين ، ولكن لا يزال من الصعب العثور على كبار في هذا المجال. ويشبه عالم البيانات الجيد عادةً وحيد القرن: إنه يعرف ويحب الرياضيات ، والكوديت ، ويفهم مقاييس العمل ، ويفسر كل شيء جيدًا. إذا كان لدينا فائض في المعروض من هؤلاء الأشخاص في مرحلة ما من العالم ، فسيكون ذلك لطيفًا. ولكن هذا هو نوع من اليوتوبيا.