Data Scientists er dataanalyseeksperter, der har de tekniske færdigheder til at løse komplekse
Alexandra Murzina, maskinlæringsingeniør, Advanced Technologies Group, Positive Technologies
En af de mest lovende teknikker imaskinlæring er nu forstærkende læring. Det er DeepMind-systemet, der vandt StarCraft II, i øvrigt baseret på det. Denne tilgang til læring og derefter til brug minder virkelig mere om AI. Et sådant system er nedsænket i et miljø, der giver det svar på handlinger. Denne metode minder meget om, hvordan du og jeg studerer, men nogle gange tager det os år, men her er der mulighed for at fremskynde processen markant gennem modellering og computerkraft.
For eksempel vil et sådant system hurtigt lære "godt"kør bil. Der vil selvfølgelig forblive problemer relateret til usædvanlige situationer og driften af systemet under deres forhold (på grund af begrænsningen af de opgaver, den løser). I efteråret 2017 forårsagede kapillar neurale netværk ikke mindre støj: på det tidspunkt talte de så meget som om en revolution i verden af dyb læring. I dag glemte de næsten dem offentligt. I praksis er det stadig meget populært de busser og neurale netværksarkitekturer, som allerede er blevet standarden til løsning af visse problemer. Sådan for eksempel som påvisning af objekter i billeder eller klassificering af billeder.
Teoretisk vil AI som teknologi komme hurtigere indde områder, hvor en persons arbejde består for det meste af rutinemæssige handlinger, eller på områder, hvor beslutninger skal træffes hurtigt baseret på en stor mængde data. Det vil sige, de sensationelle nyheder om, hvordan 600 forhandlere blev erstattet af to hundrede programmører, kan nemt blive en af de almindelige begivenheder inden for automation. Med hensyn til cybersikkerhedsindustrien er sådan automatisering sandsynligvis for eksempel inden for virusanalyser eller påvisning af angreb. Forresten arbejder vores team på en teknologi, der gør det muligt for maskine læring at registrere angreb på webapplikationer på få sekunder.
I praksis forudsiger industrier, hvor A.I.vil være efterspurgt i stor skala i fuld kraft, og i den nærmeste fremtid vil det være svært, da dets brug er forbundet med mange sociale og juridiske nuancer. Lad os sige autopilot: teknologisk er det allerede meget muligt at overføre standardflyvninger til autopiloter, men hvor mange passagerer ville stole på deres liv til et fly uden en person, der sidder ved kontrollen? Eller for eksempel medicin - der er mange udviklinger baseret på brugen af kunstig intelligens i forhold til denne industri, men set ud fra de lovmæssige rammer kan de ikke bruges fuldt ud, og i dag forbliver de stadig på det konceptuelle niveau.
Ja, der er meget støj i retningen:Samtidig foretrækker mange eksperter straks at tale om at løse specifikke problemer, spare tid og penge, afhængigt af brugen af teknologi. I virkeligheden snubler disse ideer over personalespørgsmålet: hvis der for flere år siden blev talt om mangel på programmører, så har intet ændret sig nu, bortset fra at nu har vi ikke længere kun brug for f.eks. Java-programmører, men også komplekse ingeniører, som kan forstå og løse problemet, herunder ved hjælp af maskinlæringsmetoder.
Følelse af markedsovermætning hos specialistermaskinlæring er mere vildledende end ægte. Ja, mange tror, at de hurtigt kan lære dette område ved at tage et par kurser, men som følge heraf er markedet overmættet med specialister med en irrelevant baggrund. Maskinlæring er dog i de fleste tilfælde et værktøj til effektivt at løse et specifikt problem (vel, kun hvis du ikke gør det for dets egen skyld), og for at vælge det rigtige værktøj skal du have omfattende ekspertise inden for et specifikt område ( i vores tilfælde informationssikkerhed).
Historien om maskinindlæring i dag er mereDet ligner situationen med den "golden hammer" antipattern populær i udviklingsmiljøet, hvor ethvert problem er forsøgt at blive løst ved hjælp af en enkelt (omend guld) hammer. Maskininlæringsspecialister, der har gennemført et par kurser, anvender deres erfaring i hundrede tilfælde ud af hundrede uden at kunne forstå, hvornår der kræves et andet værktøjssæt - en ekstra. Mange af disse friskbagte specialister er ikke udviklere og kan ikke gå ud over Jupyter Notebook (et populært værktøj i ML) eller mangler tilstrækkelig viden på andre områder, hvilket ikke giver dem mulighed for med succes at bruge teknologi på et bestemt område til at løse specifikke problemer.
Alena Arykina, datavidenskabsmand Sberbank PJSC
I maskinindlæring er der en kreativ del,afhængigt af data og viden om feltet, på udviklerens intuition og meget mere. Og der er automatiske ting, hvor du skal finde bedre parametre og omskrive en kendt kode. Den anden del, som i enhver "mekanisk" proces, har folk en tendens til at optimere alt, herunder gennem maskinindlæring. Hvis tidligere matematikere flyttede fra "manuel indlæring" til automatisk en på grundlag af sådanne biblioteker som keras, kan eksempler på sådanne optimeringer i dag fungere som biblioteker til styring af datasæt, forarbejdning af billeder og tekster, selv automatisk detektering af elementer af elementer. Algoritmer kan være enkle (afkryds ordets ende) eller komplekse (opbygge særlige neurale netværk - autokodere, der komprimerer data til en hvilken som helst størrelse), men et sæt af sådanne træningsværktøjer bestemmer oftest kvaliteten af den endelige model og dermed færdighederne hos en datassentist.
Maskinindlæring vil efterhånden komme senere i altområder hvor det vil blive bremset af lovgivningen eller menneskelig mistillid: medicin eller en bil med autopilot. Vi ser allerede enorme præstationer på disse områder - de bruges i andre lande. Men jeg er sikker på, at for at gennemføre dem med os og gøre dem tilgængelige for almindelige mennesker, skal vi vinde mere end en bureaukratisk krig.
Databehandling er virkelig meget interessant. Hvert sekund læser min ven IT-specialist allerede mindst om maskinindlæring. Willy-nilly, du begynder at bekymre dig: vil der ikke være for mange datasintister? Derudover forsøger de nu at bruge maskinindlæring i ethvert it-projekt og til alle opgaver, ikke rigtig forestille sig, hvorfor sådanne algoritmer er nødvendige der - det er moderigtigt. HYIP vil passere og antallet af ledige stillinger vil falde. På den anden side er spørgsmålet, om de, der virkelig elsker datalogi, vil forblive i erhvervet og ikke jage efter mode.
Tatyana Savelyeva, leder af den ustrukturerede datagruppe, Yandex.Taxi, forfatter af tldr_arxiv telegramkanalen
Jeg kan slet ikke lide ordet "AI", fordidet er for generelt og ambitiøst og får ofte folk til at overvurdere teknologiniveauet. Du ved, der er sådan en joke: "Hvordan skelnes ML fra AI? ML udføres i Python, og AI udføres i PowerPoint."
Den første Data Science-tendens er den stigendefagområdets popularitet: virksomheder indser i stigende grad, at uden at behandle en stor mængde nyttig information i fremtiden vil det være svært. Der er en tendens til automatisering af maskinlæring: Hvis du for 10 år siden skulle skrive alle metoderne for at arbejde selv, er der nu mange praktiske færdige biblioteker.
Men med den stigende brugervenlighed af metodernuværende værktøjer ændrer sig hurtigere og hurtigere - du skal hele tiden have fingeren på pulsen. Der er en tendens til brug af neurale netværk: industrielle konferencer udgiver flere og flere artikler relateret til denne type algoritmer.
Så maskinindlæring er sidstvil komme til områder, hvor der er små data, eller hvor de slet ikke er - for eksempel kan du næppe forudsige det sted, hvor asteroiden falder eller tidspunktet for kollisionen af månen med jorden. Det lader til, at maskinindlæring er svært at gennemføre i bureaukratiske institutioner - statslige organer, medicinske institutioner.
Under alle omstændigheder vil markedet på et tidspunktDer vil være et stort antal ansøgere til at starte ledige stillinger - juniorspecialister eller praktikanter, da den viden, der er nødvendig for ansættelse i en sådan stilling, bliver mere tilgængelig. Men efterspørgslen efter erfarne specialister, der allerede har implementeret ML-projekter, vil vokse, da det kræver meget tid og kræfter at få denne erfaring, og antallet af maskinlæringsopgaver vokser hurtigere end antallet af mennesker, der har haft tid og var kunne opnå en sådan erfaring.
Emily Drahl, Data Analysis Analytics, Mechanica AI, leder af data mining i aktion
I maskinindlæring er en af de mestlyse tendenser er overgangen fra brugen som hjælpemiddel til fuld automatisering baseret på den. Dette er tydeligst manifesteret i automatiseringen af industriel produktion, landbrug og agribusiness samt udvikling af begreberne smart city og smart home.
Nu maskine læring applikationeren hel del, og det skyldes det nuværende niveau af teknologi stack udvikling, niveauet af vores forståelse af feltet og en række uløste etiske spørgsmål. Min personlige top ansøgning er medicin, psykologi og pædagogik. Her handler det ikke primært om hjælpeydelser (anbefalingssystemer til diagnosticering af sygdomme eller interaktive systemer), men om fuld automatisering af processer gennem AI og ML.
Jeg tror, at it-branchen i dag er anderledes, forditeknologier udvikler sig meget dynamisk, og hvis du holder op med at holde trit med disse ændringer, er der en meget konkret risiko for at blive en uopfordret specialist. Dette er et af de få områder, hvor universitetsstuderende uden erfaring kan konkurrere med erfarne fagfolk.
Takket være det dynamiske marked, arbejde for dem, derHolder op med tendenser, vil altid være. Men for dem der ikke er klar til at lære hele deres liv, er det vanskelige spørgsmål stadig at blive løst: hvordan man forbliver relevant. Her vil du hjælpe med at opleve, professionelle udsigter og kendskab til relaterede (eller ikke så!) Aktivitetsområder.
Uddannelsesområdet er i øjeblikket under forandringkonceptuelt og så at sige står ikke kun over for skolebørn og studerende, men også voksne fagfolk med tidligere relevant uddannelse, en tilstrækkelig mængde tid og den rette grad af udholdenhed, kan du omskole dig selv uden betydelige økonomiske investeringer og. bestå et interview som minimum for en entry-level position inden for dataanalyse. Dette er et af målene med onlinekurser.
Hvis vi taler om universiteter, er de fleste af demoplever en række vanskeligheder med at undervise i aktuelle tekniske discipliner: teknologier ændrer sig meget hurtigt, det er nødvendigt at tiltrække praktiserende specialister, og de er ikke altid klar til at arbejde i det format, som universitetet indebærer. Sådan kommer førende it-virksomheder til undsætning, skaber skoler, åbner afdelinger på universiteter, gennemfører praktiske kurser og praktikophold og træner også gårsdagens kandidater i virksomheden ved starten af arbejdet. I sidste ende ser jeg personligt et universitets opgave ikke kun og ikke så meget i at frigive en færdiglavet specialist til markedet, men i det faktum, at videregående uddannelse skal give en person et vist kulturelt, intellektuelt og følelsesmæssigt niveau, som hans Det professionelle liv afhænger i høj grad snarere end af viden om specifikke teknologier.
Anna Voevodskaya, maskininlæringsekspert, Jet Infosystems
Det forekommer mig, at de nu søger mere og mereforstærkning læring. Beslutningen om at lære, interagere med miljøet, ved hjælp af belønninger, handlinger og observationer. Et af de mest kendte eksempler på forstærkning læring er AlphaGo. Også sådanne træningsmetoder bruges til at simulere bevægelsen af en person (de sidste konkurrencer hos NIPS var omkring RL), maskiner og andre.
Machine learning er magi, når det er bedst.følelse. Ganske kompleks matematik anvendes specifikt på dine data, der laves en dybdegående analyse og en meget præcis prognose udsendes kun til dig. Og alle vil have denne magi for sig selv: det tjener penge, og det er godt for deres image - fantastisk.
Hvad angår gluten på markedet, er jeg i detteJeg tror ikke. Gode specialister er altid svært at finde. For eksempel blev Java ikke vist for to år siden, men senior er stadig svært at finde på dette område. Og en god datasætist er generelt som en enhjørning: han kender og elsker matematik og kodit, og forstår forretningsmetri, og forklarer alt godt. Hvis vi har et overudbud af sådanne mennesker på et tidspunkt i verden, vil det være dejligt. Men det er en slags utopi.