تعلم المرأة: تتحدث فتيات مراكز البيانات عن التعلم الآلي والنمو الوظيفي والاتجاهات

العلماء البيانات هم خبراء البيانات التحليلية الذين لديهم المهارات التقنية لحل معقدة

المهام. إنهم يحبون الرياضيات ، وهم تقريبًا علماء الكمبيوتر ، ويعشقون الإحصاءات ، والأهم من ذلك - البيانات وتحليلها. في روسيا ، حسب Headhunter ، يمكن أن يصل راتب متخصص في علوم البيانات والتعلم الآلي إلى 300 ألف روبل. من الواضح أن هؤلاء المتخصصين يتمتعون بشعبية كبيرة ويتقاضون رواتب عالية في السوق.

ألكسندرا مرزينة ، مهندس تعلم الآلة ، مجموعة التقنيات المتقدمة ، تقنيات إيجابية

واحدة من أكثر فني واعد فيآلة التعلم الآن عزز التعلم. بالمناسبة ، يعتمد نظام DeepMind على نظام StarCraft II. مثل هذا النهج في التعلم ، ثم الاستخدام ، يبدو حقًا أقرب إلى الذكاء الاصطناعي. مثل هذا النظام منغمس في بيئة تمنحها ردودًا على الإجراءات. تشبه هذه الطريقة إلى حد كبير الطريقة التي ندرس بها معك ، ولكن في بعض الأحيان يستغرق الأمر سنوات حتى يتسنى لنا القيام بذلك ، وهنا يمكن تسريع 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.

في الممارسة العملية ، فمن الممكن التنبؤ الصناعات التي منظمة العفو الدوليةسيتم الطلب عليها بأقصى طاقتها وفي المستقبل القريب صعب ، حيث يرتبط استخدامه بالكثير من الفروق الاجتماعية والقانونية. قل ، الطيار الآلي: من الممكن من الناحية التكنولوجية نقل الرحلات العادية إلى الطيار الآلي ، ولكن كم عدد الركاب الذين يعهدون بحياتهم إلى طائرة دون أن يجلس أحدهم على رأسه؟ أو ، على سبيل المثال ، الطب - هناك الكثير من التطورات القائمة على استخدام الذكاء الاصطناعي فيما يتعلق بهذه الصناعة ، ولكن من وجهة نظر القاعدة التشريعية لا يمكن الاستفادة منها بشكل كامل واليوم تظل على المستوى المفاهيمي.

نعم ، هناك الكثير من الضوضاء حول الاتجاه: ومع ذلك ، يفضل العديد من الخبراء التحدث على الفور عن حل مشكلات محددة ، وتوفير الوقت والمال ، رهنا باستخدام التكنولوجيا. في الواقع ، تتعثر هذه الأفكار حول سؤال الموظفين: إذا كانت هناك محادثات فعلية قبل بضع سنوات حول النقص في المبرمجين ، فلن يتغير شيء ، إلا أنه لم تعد هناك حاجة الآن إلى مبرمجي جافا فقط ، ولكن أيضًا مهندسين معقدين ، من يمكنه فهم المشكلة وحلها ، بما في ذلك أساليب التعلم الآلي.

شعور وفرة في السوقالتعلم الآلي أكثر خادعة من الواقعي. نعم ، يعتقد الكثير من الناس أنهم يستطيعون استكشاف هذا المجال بسرعة بعد الانتهاء من اثنين من الدورات ، ونتيجة لذلك ، فإن السوق مشبع بمتخصصين ذوي خلفية غير ملائمة. ومع ذلك ، فإن التعلم الآلي هو في معظم الحالات أداة لحل مهمة محددة بفعالية (حسنًا ، فقط إذا كنت لا تفعل ذلك من أجل مصلحتها الخاصة) ومن أجل اختيار الأداة المناسبة التي تحتاج إلى خبرة واسعة في مجال معين (في حالتنا ، في 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 كلمة "منظمة العفو الدولية" ، لأنإنه عام وطموح للغاية ، وغالبًا ما يؤدي بالناس إلى المبالغة في تقدير مستوى التكنولوجيا. أنت تعرف ، هناك مثل هذه النكتة: "كيفية التمييز بين ML و AI؟ يتم ML في Python ، ويتم AI في PowerPoint. "

الاتجاه الأول لعلوم البيانات آخذ في الازديادشعبية المجال: تدرك الشركات بشكل متزايد أنه بدون معالجة كمية كبيرة من المعلومات المفيدة في المستقبل ، سيكون الأمر صعبًا. هناك اتجاه في أتمتة التعلم الآلي: قبل 10 سنوات كان عليك أن تكتب كل الطرق للعمل بنفسك ، والآن هناك الكثير من المكتبات الجاهزة.

ولكن مع زيادة استخدام الأساليبالأدوات الفعلية تتغير بشكل أسرع وأسرع - تحتاج إلى إبقاء إصبعك على النبض. هناك اتجاه في استخدام الشبكات العصبية: تنشر المؤتمرات الصناعية المزيد والمزيد من المقالات المتعلقة بهذا النوع من الخوارزمية.

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.

في أي حال ، في مرحلة ما السوق سوفللظهور في عدد كبير من المتقدمين لبدء الوظائف الشاغرة - المتخصصين المبتدئين أو المتدربين ، حيث أن المعرفة اللازمة للعثور على وظيفة لهذا المنصب أصبحت أكثر سهولة. لكن الطلب على المتخصصين ذوي الخبرة الذين قاموا بالفعل بتنفيذ مشاريع ML سوف يزداد ، حيث يستغرق الكثير من الوقت والجهد للحصول على هذه التجربة ، ويزداد عدد مهام التعلم الآلي بشكل أسرع من عدد الأشخاص الذين تمكنوا من الحصول على هذه التجربة.

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 حاليا.من الناحية المفاهيمية ، وإذا جاز لي القول ، لا ينتقل إلى تلاميذ المدارس والطلاب فحسب ، بل أيضًا إلى متخصصين بالغين لديهم خبرة في العمل ، وبعد الحصول على تعليم ذي صلة في الماضي ، ومقدار لا بأس به من الوقت ومستوى مناسب من المثابرة ، يمكنك إعادة تدريب نفسك دون استثمارات مالية كبيرة وإجراء مقابلة على الأقل في الموقف الأولي في مجال تحليل البيانات. هذا هو أحد الأهداف التي تحددها الدورات التدريبية عبر الإنترنت لأنفسهم.

إذا كنا نتحدث عن الجامعات ، معظمهمتواجه عددًا من الصعوبات في تدريس التخصصات الفنية ذات الصلة: تتغير التقنيات بسرعة كبيرة ، وتحتاج إلى جذب الممارسين ، وهم ليسوا دائمًا على استعداد للعمل بالشكل الذي تتضمنه الجامعة. هذه هي الطريقة التي تأتي بها شركات تكنولوجيا المعلومات الرائدة ، التي تنشئ مدارس ، وتفتح أقسامًا في الجامعات ، وتنظم دورات عملية وتدريبًا داخليًا ، بالإضافة إلى تدريب خريجين داخل الشركة في بداية عملهم. في الحساب الختامي ، لا تتمثل مهمة الجامعة التي أراها شخصيًا فقط في إطلاق أخصائي جاهز للسوق فحسب ، بل أن التعليم العالي يجب أن يمنح الشخص مستوى ثقافيًا وفكريًا وعاطفيًا معينًا تعتمد عليه حياته المهنية بدرجة أكبر بدلا من 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.معنى. يتم تطبيق الرياضيات المعقدة تمامًا على بياناتك ، ويتم إجراء تحليل عميق ويتم تقديم تنبؤ دقيق للغاية فقط لأجلك. والجميع يريدون هذا السحر لأنفسهم: إنه يكسب المال ، وهو مفيد للصورة - إنه شيء 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.