Datoví vědci jsou odborníci na datovou analytiku, kteří mají technické dovednosti k řešení složitých
Alexandra Murzina, inženýr strojového učení, Advanced Technologies Group, Pozitivní technologie
Jedna z nejslibnějších technik vstrojové učení je nyní posilovací učení. Mimochodem, je na něm založen systém DeepMind, který vyhrál StarCraft II. Tento přístup k učení a následně k používání ve skutečnosti spíše připomíná AI. Takový systém je ponořen do prostředí, které mu dává reakce na akce. Tato metoda je velmi podobná tomu, jak studujeme vy i já, ale někdy nám to trvá roky, ale zde je možnost výrazně urychlit proces pomocí modelování a výkonu počítače.
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 předpovídání odvětví, ve kterých A.I.bude žádaný ve velkém měřítku v plné síle a v blízké budoucnosti to bude obtížné, protože jeho použití je spojeno se spoustou sociálních a právních nuancí. Řekněme autopilot: technologicky je již docela možné převést standardní lety na autopilota, ale kolik cestujících by svěřilo svůj život letadlu, aniž by člověk seděl u řízení? Nebo řekněme medicína – existuje mnoho vývojů založených na využití AI ve vztahu k tomuto odvětví, ale z hlediska legislativního rámce je nelze plně využít a dnes stále zůstávají na koncepční úrovni.
Ano, v tomto směru je hodně hluku:přitom mnozí odborníci raději hned mluví o řešení konkrétních problémů, úspoře času a peněz, s výhradou využití technologií. Ve skutečnosti tyto myšlenky narážejí na personální otázku: pokud se před několika lety mluvilo o nedostatku programátorů, tak se nyní nic nezměnilo, až na to, že už nepotřebujeme například Java programátory, ale i komplexní inženýry, kteří mohou problém pochopit a vyřešit, včetně použití metod strojového učení.
Pocit přesycenosti trhu specialistystrojové učení je více klamné než skutečné. Ano, mnoho lidí si myslí, že se tuto oblast rychle naučí absolvováním několika kurzů, ale v důsledku toho je trh přesycený specialisty s irelevantní minulostí. Strojové učení je však ve většině případů nástrojem pro efektivní řešení konkrétního problému (dobře, pouze pokud to neděláte pro jeho vlastní dobro) a abyste si vybrali ten správný nástroj, musíte mít rozsáhlé odborné znalosti v konkrétní oblasti ( v našem případě informační bezpečnost).
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
Slovo „AI“ se mi vůbec nelíbí, protožeje příliš obecný a ambiciózní a často způsobuje, že lidé přeceňují úroveň technologií. Víte, existuje takový vtip: „Jak odlišit ML od AI? ML se provádí v Pythonu a umělá inteligence se provádí v PowerPointu.“
První trend Data Science je rostoucíoblíbenost oboru: firmy si stále více uvědomují, že bez zpracování velkého množství užitečných informací to v budoucnu půjde jen těžko. Existuje trend k automatizaci strojového učení: pokud jste před 10 lety museli napsat všechny metody, abyste fungovali sami, nyní existuje mnoho pohodlných hotových knihoven.
Ale s rostoucí jednoduchostí použití metodsoučasné nástroje se mění stále rychleji – je potřeba neustále držet prst na tepu. Existuje trend k používání neuronových sítí: průmyslové konference publikují stále více článků souvisejících s tímto typem algoritmů.
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 v určitém okamžiku trh anoO nástup na volná místa bude velký počet zájemců – junior specialistů či stážistů, neboť znalosti potřebné pro zaměstnání na takové pozici jsou stále dostupnější. Poptávka po zkušených specialistech, kteří již implementovali projekty ML, však poroste, protože získání těchto zkušeností vyžaduje spoustu času a úsilí a počet úloh strojového učení roste rychleji než počet lidí, kteří měli čas a byli schopni takové zkušenosti 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.
Oblast vzdělávání se v současnosti měníkoncepčně a takříkajíc čelí nejen školákům a studentům, ale i dospělým profesionálům s praxí.Máte-li odpovídající vzdělání v minulosti, dostatek času a patřičnou míru vytrvalosti, můžete se rekvalifikovat bez výrazných finančních investic a absolvovat minimálně pohovor na vstupní pozici v analýze dat. To je jeden z cílů online kurzů.
Pokud mluvíme o univerzitách, tak o většiněmá při výuce současných technických oborů řadu obtíží: technologie se velmi rychle mění, je nutné přitahovat odborníky z praxe a ti nejsou vždy připraveni pracovat ve formátu, který univerzita implikuje. Tak přicházejí na pomoc přední IT společnosti, které zakládají školy, otevírají katedry na univerzitách, vedou praktické kurzy a stáže a také školí včerejší absolventy ve firmě na začátku práce. V konečném důsledku osobně nevidím úkol vysoké školy jen a ne tak v uvolnění hotového specialisty na trh, ale v tom, že vysokoškolské vzdělání by mělo dát člověku určitou kulturní, intelektuální a emocionální úroveň, na které se jeho profesní život závisí do značné míry spíše než na znalostech konkrétních 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 kouzlo v celé své kráse.smysl. Poměrně složitá matematika je aplikována speciálně na vaše data, je provedena hloubková analýza a je vydána velmi přesná předpověď právě pro vás. A každý chce toto kouzlo pro sebe: vydělává peníze a je dobré pro jeho image – 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.