Учените по данни са експерти по анализ на данни, които имат техническите умения за решаване на сложни проблеми
Александра Мурзина, машинен инженер, група за напреднали технологии, позитивни технологии
Една от най-обещаващите техники вмашинното обучение вече е обучение с подсилване. Между другото, системата DeepMind, която спечели StarCraft II, е базирана на него. Този подход към ученето и след това към използването наистина напомня повече на AI. Такава система е потопена в среда, която й дава отговори на действия. Този метод е много подобен на начина, по който вие и аз учим, но понякога ни отнема години, но тук има възможност за значително ускоряване на процеса чрез моделиране и компютърна мощност.
Например, такава система бързо ще се научи “добре”карам кола. Разбира се, ще останат въпроси, свързани с извънредни ситуации и работата на системата в техните условия (поради ограничението на задачите, които решава). През есента на 2017 г. капсулните невронни мрежи не предизвикват по-малко шум: по това време те говориха толкова много, колкото за революция в света на дълбокото обучение. Днес те почти забравиха за тях публично. На практика все още са много популярни архитектурите на мрежи и невронни мрежи, които вече са станали стандарт за решаване на определени проблеми. Такива, например, като откриване на обекти в изображения или класификация на изображения.
Теоретично, AI като технология ще дойде по-бързотези области, в които работата на дадено лице се състои главно от рутинни действия, или в области, в които решенията трябва да се вземат бързо въз основа на голямо количество данни. Това означава, че сензационната новина за това как 600 търговци са заменени от двеста програмисти може лесно да се превърне в едно от обикновените събития в областта на автоматизацията. Що се отнася до индустрията за киберсигурност, такава автоматизация е вероятно, например, в областта на анализирането на вируси или откриването на атаки. Между другото, нашият екип работи по технология, която позволява машинно обучение за откриване на атаки на уеб приложения за секунди.
На практика прогнозирането на индустрии, в които A.I.ще се търси в голям мащаб с пълна сила и в близко бъдеще ще бъде трудно, тъй като използването му е свързано с много социални и правни нюанси. Да кажем, автопилот: технологично вече е напълно възможно стандартните полети да се прехвърлят на автопилоти, но колко пътници биха поверили живота си на самолет без човек, седнал на контролния панел? Или, да речем, медицината - има много разработки, базирани на използването на AI по отношение на тази индустрия, но от гледна точка на законодателната рамка те не могат да бъдат използвани в най-голяма степен и днес все още остават на концептуално ниво.
Да, има много шум около посоката:в същото време много експерти предпочитат незабавно да говорят за решаването на конкретни проблеми, спестявайки време и пари, при условие че използват технологии. В действителност тези идеи се препъват в проблема с персонала: ако преди няколко години се говореше за недостиг на програмисти, сега нищо не се е променило, освен че вече не се нуждаем само от Java програмисти, но и от сложни инженери, които могат да разберат и решат проблема, включително с помощта на методи за машинно обучение.
Усещане за пренасищане на пазара със специалистимашинното обучение е по-скоро измамно, отколкото реално. Да, много хора смятат, че могат бързо да научат тази област, като вземат няколко курса, но в резултат на това пазарът е пренаситен със специалисти с неподходящ опит. Машинното обучение обаче в повечето случаи е инструмент за ефективно решаване на конкретен проблем (е, само ако не го правите заради самия него) и за да изберете правилния инструмент, трябва да имате богат опит в конкретна област ( в нашия случай информационна сигурност) .
Историята на машинното обучение днес е повечеТя прилича на ситуацията с антипатерн „златния чук”, популярен в средата на развитие, в която всеки проблем се опитва да бъде решен с помощта на един (макар и златен) чук. Специалистите по машинно обучение, които са завършили няколко курса, прилагат своя опит в сто случая от сто, без да могат да разберат кога е необходим друг инструментариум - допълнителен. Много от тези прясно изпечени специалисти не са разработчици и не могат да излязат извън рамките на Jupyter Notebook (популярно средство в ML), или нямат адекватни познания в други области, което не им позволява успешно да използват технология във всяка конкретна област за решаване на специфични проблеми.
Алена Арикина, Пациентка за данни Сбербанк
В машинното обучение има творческа част,в зависимост от данните и познанията за полето, от интуицията на разработчика и много повече. Има и автоматични неща, в които трябва да намерите по-добри параметри и да пренапишете отдавна известен код. Втората част, както във всеки "механичен" процес, хората са склонни да оптимизират всичко, включително чрез машинно обучение. Ако по-ранни математици преминаха от „ръчно обучение” към автоматизирано на базата на такива библиотеки като кера, днес примери за такива оптимизации могат да служат като библиотеки за управление на състоянието на масивите от данни, предварителна обработка на картини и текстове, дори автоматично откриване на елементи от елементи. Алгоритмите могат да бъдат прости (отрязани от краищата на думите) или сложни (изграждане на специални невронни мрежи - автокодери, които компресират данните до всякакъв размер), но набор от такива средства за обучение най-често определя качеството на крайния модел, а следователно и уменията на датацентъра.
Машинното обучение в крайна сметка ще дойде по-къснозони, в които ще бъде забавено от законодателство или човешко недоверие: лекарство или кола с автопилот. Вече виждаме огромни постижения в тези области - те се използват в други страни. Но съм сигурен, че за да ги приложим с нас и да ги направим достъпни за обикновените хора, ще трябва да спечелим повече от една бюрократична война.
Наука за данните е наистина много интересна. Всеки втори моят приятел IT специалист вече поне чете за машинното обучение. Вили-неволно, започваш да се тревожиш: няма ли да има твърде много бази данни? В допълнение, сега те се опитват да използват машинно обучение във всеки ИТ проект и за всякакви задачи, не си представяйки защо такива алгоритми са необходими там - това е модерно. HYIP ще премине и броят на свободните работни места ще намалее. От друга страна, въпросът е дали тези, които наистина обичат Data Science, ще останат в професията, а не преследват модата.
Татяна Савельева, ръководител на неструктурираната група данни, Яндекс.Такси, автор на телеграмния канал tldr_arxiv
Изобщо не харесвам думата „AI“, защототой е твърде общ и амбициозен и често кара хората да надценяват нивото на технологиите. Знаете ли, има такъв виц: „Как да различим ML от AI? ML се прави в Python, а AI се прави в PowerPoint.“
Първата тенденция в науката за данните е нарастващатапопулярност на предметната област: компаниите все повече осъзнават, че без обработка на голямо количество полезна информация в бъдеще ще бъде трудно. Има тенденция към автоматизация на машинното обучение: ако преди 10 години трябваше да напишете всички методи, за да работите сами, сега има много удобни готови библиотеки.
Но с нарастващата лекота на използване на методитенастоящите инструменти се променят все по-бързо - трябва постоянно да държите пръста си на пулса. Има тенденция към използването на невронни мрежи: индустриалните конференции публикуват все повече и повече статии, свързани с този тип алгоритми.
Така машинното обучение е последноще дойде в райони, където има малко данни или където те изобщо не са - например, по този начин едва ли можете да предскажете мястото, където пада астероидът, или времето на сблъсъка на Луната със Земята. Изглежда, че машинното обучение е трудно да се приложи в бюрократични институции - държавни агенции, медицински институции.
Във всеки случай в един момент пазарът ще го направиЩе има голям брой желаещи за започване на свободни позиции – младши специалисти или стажанти, тъй като знанията, необходими за заемане на подобна позиция, стават все по-достъпни. Но търсенето на опитни специалисти, които вече са реализирали ML проекти, ще расте, тъй като отнема много време и усилия, за да се придобие този опит, а броят на задачите за машинно обучение расте по-бързо от броя на хората, които са имали време и са били могат да придобият такъв опит.
Емили Драл, Анализ на данните, Mechanica AI, ръководител на Data Mining в действие
В машинното обучение един от най-важнитеярки тенденции е преходът от неговото използване като помощна технология към пълна автоматизация на базата на него. Това най-ясно се проявява в автоматизацията на промишленото производство, селското стопанство и агробизнеса, както и в развитието на концепциите за интелигентен град и интелигентен дом.
Сега приложения за машинно обучениемного и това се дължи на сегашното ниво на развитие на технологичния стак, нивото на нашето разбиране на областта и редица нерешени етични въпроси. Личното ми приложение е медицина, психология и педагогика. Тук не става въпрос само за спомагателни услуги (препоръчителни системи за диагностициране на болести или интерактивни системи), а за пълна автоматизация на процесите чрез AI и ML.
Мисля, че ИТ индустрията днес е различна, защотоТехнологиите се развиват много динамично и ако спрете да вървите в крак с тези промени, тогава съществува много осезаем риск да станете специалист, който не е търсен. Това е една от малкото области, в които завършилите висше образование без опит могат да се конкурират с опитни професионалисти.
Благодарение на динамичния пазар, работете за тези, коитоСледи тенденциите, винаги ще бъде. Но за тези, които не са готови да учат целия си живот, остава да се реши трудният въпрос: как да останем актуални. Тук ще помогнете на опит, професионален облик и познания за свързани (или не!) Области на дейност.
Сферата на образованието в момента се променяконцептуално и, така да се каже, се сблъсква не само с ученици и студенти, но и с възрастни професионалисти с професионален опит , Имайки съответното образование в миналото, достатъчно време и подходящо ниво на постоянство, можете да се преквалифицирате без значителни финансови инвестиции и преминете поне интервю за позиция на начално ниво в областта на анализа на данни. Това е една от целите на онлайн курсовете.
Ако говорим за университети, повечето от тяхизпитва редица трудности при преподаването на текущи технически дисциплини: технологиите се променят много бързо, необходимо е да се привлекат практикуващи специалисти и те не винаги са готови да работят във формата, който предполага университетът. Ето как водещите ИТ компании идват на помощ, създавайки училища, откривайки отдели в университети, провеждайки практически курсове и стажове, а също така обучавайки вчерашните завършили в компанията в началото на работа. В крайна сметка аз лично виждам задачата на университета не само и не толкова в това да пусне готов специалист на пазара, а в това, че висшето образование трябва да даде на човек определено културно, интелектуално и емоционално ниво, на което неговият професионалният живот зависи до голяма степен, а не от познаването на конкретни технологии.
Анна Воеводская, експерт по машинно обучение, Jet Infosystems
Струва ми се, че сега се прилагат все повече и повече.укрепване. Решението за учене, взаимодействие с околната среда, използване на награди, действия и наблюдения. Един от най-известните примери за укрепване на обучението е AlphaGo. Също така, такива методи на обучение се използват за симулиране на движението на човек (последните състезания в NIPS са за RL), машини и други.
Машинното обучение е магия в най-добрия си вид.смисъл. Прилага се доста сложна математика специално за вашите данни, прави се задълбочен анализ и се издава много точна прогноза само за вас. И всеки иска тази магия за себе си: печели пари и е добра за имиджа му - страхотно.
Що се отнася до пренасищането на пазара, аз съм в товаНе вярвам. Добрите специалисти винаги са трудни за намиране. Например, Java не се появи преди две години, но все още е трудно да се намери старши в тази област. А добрият datasaytnist обикновено е като еднорог: той знае и обича математика, и kodit, и разбира бизнес метрики, и обяснява всичко добре. Ако имаме свръхпредлагане на такива хора в някакъв момент в света, ще бъде хубаво. Но това е някаква утопия.