Učení žen: dívky s datasentistou hovoří o strojovém učení, kariérním růstu a trendech

Data Vědci jsou analytičtí analytici, kteří mají technické dovednosti k řešení složitých problémů

úkolů. Milují matematiku, jsou téměř počítačoví odborníci, zbožňují statistiky, a co je nejdůležitější - data a jejich analýzu. V Rusku, podle Headhunter, plat specialisty na Data Science a strojového učení může dosáhnout 300 tisíc rublů. Je jasné, že tito specialisté jsou na trhu velmi populární a vysoce placeni.

Alexandra Murzina, inženýr strojového učení, Advanced Technologies Group, Pozitivní technologie

Jeden z nejslibnějších technik vučení je nyní posíleno. Mimochodem, je na ní založen systém DeepMind, který zvítězil ve StarCraftu II. Takový přístup k učení, a pak k použití, skutečně vypadá spíše jako umělá inteligence. Takový systém je ponořen do prostředí, které mu dává reakce na akce. Tato metoda je velmi podobná tomu, jak s vámi studujeme, ale někdy to trvá roky, než to uděláme, a zde je možné výrazně urychlit proces prostřednictvím modelování a počítačového výkonu.

Takový systém se například rychle naučí dobřeřídit auto. Samozřejmě zůstanou otázky týkající se výjimečných situací a fungování systému v jejich podmínkách (vzhledem k omezení úkolů, které řeší). Na podzim roku 2017 neprodukovaly kapsulární neuronové sítě menší hluk: v té době mluvili o revoluci ve světě hlubokého učení. Dnes na ně téměř zapomněli. V praxi je stále velmi populární sběrnice a architektury neuronových sítí, které se již staly standardem pro řešení určitých problémů. Taková je například detekce objektů v obrazech nebo klasifikace obrazů.

Teoreticky, AI jako technologie přijde rychlejitam, kde práce osoby sestává převážně z rutinních akcí, nebo v oblastech, kde je třeba rozhodovat rychle na základě velkého množství údajů. To znamená, že senzační zprávy o tom, jak bylo 600 obchodníků nahrazeno dvěma stovkami programátorů, se mohou snadno stát jednou z běžných událostí v oblasti automatizace. Pokud jde o odvětví kybernetické bezpečnosti, je tato automatizace pravděpodobně například v oblasti analýzy virů nebo detekce útoků. Mimochodem, náš tým pracuje na technologii, která umožňuje strojovému učení detekovat útoky na webové aplikace během několika sekund.

V praxi je možné předpovědět průmyslová odvětví, ve kterých AIto bude požadováno nejvíce v plné síle av blízké budoucnosti je obtížné, protože jeho použití je spojeno s řadou sociálních a právních nuancí. Řekni, autopilota: je technologicky možné přenést standardní lety do autopilota, ale kolik cestujících svěřuje své životy letadlu bez sedící osoby u kormidla? Nebo, řekněme, lékařství ─ existuje mnoho vývojů založených na využití AI ve vztahu k tomuto odvětví, ale z hlediska legislativního rámce nemohou být plně využity a dnes zůstávají na koncepční úrovni.

Ano, ve směru velkého hluku: mnozí odborníci však raději okamžitě mluví o řešení konkrétních problémů, šetří čas a peníze, s výhradou využití technologie. Ve skutečnosti tyto nápady narážejí na personální otázku: pokud před několika lety proběhly skutečné rozhovory o nedostatku programátorů, pak se nic nezměnilo, až na to, že nyní nejsou potřeba jen java programátoři, ale i složití inženýři, kdo může pochopit a vyřešit problém, včetně metod strojového učení.

Pocit nadbytku na trhustrojové učení je klamnější než skutečné. Ano, mnozí lidé si myslí, že tuto oblast mohou po dokončení několika kurzů rychle prozkoumat a v důsledku toho je trh přesycen specialisty s irelevantním zázemím. Strojové učení je však ve většině případů nástrojem pro účinné řešení konkrétního úkolu (dobře, pouze pokud to neuděláte sami) a pro výběr správného nástroje musíte mít rozsáhlé odborné znalosti v konkrétním oboru (v našem případě v oblasti bezpečnosti informací). .

Historie strojového učení je dnes vícePřipomíná situaci s antipatternem „zlatého kladiva“, který je populární ve vývojovém prostředí, ve kterém se každý problém snaží řešit pomocí jediného (i když zlatého) kladiva. Odborníci na strojové učení, kteří dokončili několik kurzů, uplatní své zkušenosti ve sto případech ze stovky, aniž by byli schopni pochopit, kdy je zapotřebí další sada nástrojů - další. Mnozí z těchto čerstvě upečených odborníků nejsou vývojáři a nemohou jít nad rámec rámce Jupyter Notebook (populární nástroj v ML), nebo nemají dostatečné znalosti v jiných oblastech, což jim neumožňuje úspěšně používat technologii v konkrétní oblasti k řešení konkrétních problémů.

Alena Arykina, Data Scientist Sberbank PJSC

Ve strojovém učení existuje tvůrčí část,v závislosti na datech a znalostech oboru, na intuici developera a mnoho dalšího. A jsou zde automatické věci, kde musíte najít lepší parametry a přepsat dlouho známý kód. Druhá část, stejně jako v každém "mechanickém" procesu, má tendenci vše optimalizovat, včetně strojového učení. Pokud se starší matematici na základě takových knihoven, jako je keras, přestěhovali z „manuálního učení“ na automatické, dnes příklady takových optimalizací mohou sloužit jako knihovny pro správu stavu datových souborů, předběžného zpracování obrázků a textů, dokonce i automatické detekce prvků prvků. Algoritmy mohou být jednoduché (odříznuta zakončení slov) nebo složité (vybudovat speciální neuronové sítě - autoenkodéry, které komprimují data na libovolnou velikost), ale sada takových vzdělávacích nástrojů nejčastěji určuje kvalitu konečného modelu, a tedy dovednosti datového agenta.

Strojové učení nakonec přijde pozdějioblasti, kde bude zpomalena legislativou nebo lidskou nedůvěrou: lékem nebo autem s autopilotem. V těchto oblastech již vidíme obrovské úspěchy - využívají se v jiných zemích. Ale jsem si jist, že abychom je mohli s námi realizovat a zpřístupnit obyčejným lidem, budeme muset vyhrát více než jednu byrokratickou válku.

Data Science je opravdu velmi zajímavá. Každý druhý můj přítel IT specialista již alespoň četl o strojovém učení. Willy-nilly, začnete se bát: nebude příliš mnoho datasintistů? Kromě toho se nyní snaží používat strojové učení v jakémkoliv IT projektu a pro všechny úkoly, které si opravdu nepředstavují, proč jsou takové algoritmy potřeba - je to módní. HYIP projde a počet volných pracovních míst se sníží. Na druhou stranu, otázkou je, zda ti, kdo opravdu vědí Data Science, zůstanou v profesi a ne honí po módě.

Tatyana Savelyeva, vedoucí nestrukturované datové skupiny, Yandex.Taxi, autor telegramu tldr_arxiv

Nemám opravdu rád slovo „AI“, protožeje příliš obecný a ambiciózní a často vede lidi k nadhodnocení úrovně technologie. Víš, je tu takový vtip: „Jak odlišit ML od AI? ML se provádí v Pythonu a AI se provádí v PowerPointu. “

První trend Data Science rostepopularita oboru: společnosti si stále více uvědomují, že bez zpracování velkého množství užitečných informací v budoucnu to bude těžké. Tam je trend v automatizaci strojového učení: před 10 lety jste museli psát všechny metody pro práci sami, nyní existuje mnoho pohodlných ready-made knihoven.

Ale s rostoucí použitelností metodSkutečné nástroje se mění rychleji a rychleji - musíte držet prst na pulsu. Existuje trend ve využívání neuronových sítí: průmyslové konference publikují stále více článků týkajících se tohoto typu algoritmu.

Takže strojové učení je posledníPřichází do oblastí, kde jsou malá data, nebo kde vůbec nejsou - například tímto způsobem můžete jen těžko předvídat místo, kde padá asteroid, nebo čas kolize Měsíce se Zemí. Zdá se, že strojové učení je těžké realizovat v byrokratických institucích - vládních agenturách, zdravotnických zařízeních.

V každém případě bude trh v určitém okamžikuvystupovat ve velkém počtu uchazečů o zaměstnání - junior specialistů nebo stážistů, protože znalosti potřebné pro nalezení pracovního místa pro takovou pozici jsou stále přístupnější. Poptávka po zkušených odbornících, kteří již realizovali projekty ML, však poroste, protože získání těchto zkušeností vyžaduje spoustu času a úsilí a počet úloh strojového učení roste rychleji než počet lidí, kterým se podařilo tuto zkušenost získat.

Emily Drahl, Data Analysis Analytics, Mechanica AI, vedoucí oddělení dolování dat v akci

Ve strojovém učení jeden z nejvíceJasné trendy je přechod od jejího použití jako asistenční technologie k plné automatizaci založené na ní. Nejvýrazněji se to projevuje v automatizaci průmyslové výroby, zemědělství a agropodnikání, stejně jako v rozvoji konceptů inteligentních měst a inteligentních domů.

Nyní aplikace strojového učenídocela dost a to je vzhledem k současné úrovni rozvoje technologického stacku, úrovni našeho chápání oboru a řadě nevyřešených etických otázek. Moje osobní aplikace je medicína, psychologie a pedagogika. Nejde zde především o pomocné služby (systémy doporučení pro diagnostiku nemocí nebo interaktivních systémů), ale o plnou automatizaci procesů prostřednictvím AI a ML.

Myslím, že IT průmysl je dnes jiný, protožeTechnologie se vyvíjejí velmi dynamicky a pokud přestanete držet krok s těmito změnami, pak je zde velmi hmatatelné riziko, že se stanete odborníkem bez nároku na honorář. To je jedna z mála oblastí, kde mohou absolventi vysokých škol bez zkušeností konkurovat zkušeným odborníkům.

Díky dynamickému trhu, práce pro ty, kteříUdržet se s trendy, bude vždy. Ale pro ty, kteří nejsou připraveni se celý život učit, je obtížné řešit obtížnou otázku: jak zůstat relevantní. Zde vám pomohou zkušenosti, odborné vyhlídky a znalosti souvisejících (nebo ne!) Oblasti činnosti.

V současné době se oblast vzdělávání mění.koncepčně, a pokud mohu říci, obrací se nejen na žáky a studenty, ale i na dospělé odborníky s praxí, kteří mají relevantní relevantní vzdělání v minulosti, dostatek času a řádnou úroveň vytrvalosti, můžete se rekvalifikovat bez významných finančních investic a mít pohovor alespoň v počátečním postavení v oblasti analýzy dat. To je jeden z cílů, které si on-line kurzy připravují pro sebe.

Pokud mluvíme o univerzitách, většina z nichzažívá řadu obtíží při výuce příslušných technických disciplín: technologie se velmi rychle mění, potřebujete přilákat odborníky a nejsou vždy připraveni pracovat ve formátu, který univerzita předpokládá. Takto pomáhají vedoucí IT společnosti, které vytvářejí školy, otevřenou katedru na vysokých školách, organizují praktické kurzy a stáže, stejně jako školí absolventy uvnitř společnosti na začátku své práce. Úloha univerzity, kterou osobně vidím, je v konečném důsledku nejen a ne tolik, aby vydala připraveného specialisty na trh, ale aby vysokoškolské vzdělání mělo dát člověku určitou kulturní, intelektuální a emocionální úroveň, na které jeho profesní život do značné míry závisí specifických technologií.

Anna Voevodskaya, expert na strojové učení, Jet Infosystems

Zdá se mi, že nyní používají víceposilování učení. Rozhodnutí učit se, komunikovat s prostředím, používat odměny, akce a pozorování. Jedním z nejznámějších příkladů posilování učení je AlphaGo. Také takové tréninkové metody se používají k simulaci pohybu osoby (poslední soutěže v NIPS byly o RL), strojích a dalších.

Strojové učení je magie v nejlepším slova smyslu.smyslu. Na vaše data se vztahuje poměrně složitá matematika, provádí se hluboká analýza a přesně se předpovídá právě pro vás. A každý chce tuto magii pro sebe: vydělává peníze a je to užitečné pro obraz - je to skvělé.

Co se týče nadbytku trhu, jsem v tomNevěřím. Dobrých specialistů je vždy těžké najít. Například, Java se neobjevila před dvěma lety, ale senior je stále těžké najít v této oblasti. Dobrý datasaytnist je obecně jako jednorožec: on ví a miluje matematiku, kodit, a chápe obchodní metriky, a vysvětluje všechno dobře. Pokud máme nadměrné množství takových lidí na nějakém místě na světě, bude to hezké. Ale tohle je nějaká utopie.