Frauen lernen: Datentententinnen sprechen über maschinelles Lernen, Karrierewachstum und Trends

Data Scientists sind analytische Datenexperten, die die technischen Fähigkeiten besitzen, um komplexe Probleme zu lösen

Aufgaben. Sie lieben Mathematik, sind fast Informatiker, lieben Statistiken und am wichtigsten - Daten und deren Analyse. In Russland, so Headhunter, kann das Gehalt eines Spezialisten für Data Science und maschinelles Lernen 300 Tausend Rubel erreichen. Es ist klar, dass solche Spezialisten auf dem Markt sehr beliebt und hochbezahlt sind.

Alexandra Murzina, Ingenieurin für maschinelles Lernen, Gruppe Advanced Technologies, Positive Technologies

Einer der vielversprechendsten Techniker inmaschinelles Lernen ist jetzt verstärktes Lernen. Auf ihr basiert übrigens das DeepMind-System, das in StarCraft II gewonnen wurde. Ein solcher Ansatz, um zu lernen und dann zu verwenden, sieht eher wie eine KI aus. Ein solches System taucht in eine Umgebung ein, in der es auf Aktionen reagiert. Diese Methode ähnelt sehr der Art, wie wir mit Ihnen studieren, aber manchmal dauert es Jahre, bis wir dies tun. Hier ist es möglich, den Prozess durch Modellierung und Computerleistung erheblich zu beschleunigen.

Ein solches System lernt beispielsweise schnell "gut"Auto fahren. Natürlich bleiben Fragen im Zusammenhang mit Ausnahmesituationen und dem Betrieb des Systems unter ihren Bedingungen (aufgrund der Einschränkung der Aufgaben, die es löst). Im Herbst 2017 verursachten neuronale Kapselnetzwerke nicht weniger Lärm: Sie sprachen damals genauso wie über eine Revolution in der Welt des tiefen Lernens. Heute haben sie sie fast in der Öffentlichkeit vergessen. In der Praxis immer noch sehr beliebt sind Busings und neuronale Netzwerkarchitekturen, die bereits zum Standard für die Lösung bestimmter Probleme geworden sind. Zum Beispiel die Erkennung von Objekten in Bildern oder die Klassifizierung von Bildern.

Theoretisch wird die KI als Technologie schneller eingesetztdie Bereiche, in denen die Arbeit einer Person hauptsächlich aus Routinetätigkeiten besteht, oder in Bereichen, in denen Entscheidungen auf der Grundlage einer großen Datenmenge schnell getroffen werden müssen. Das heißt, die sensationellen Nachrichten darüber, wie 600 Händler von zweihundert Programmierern ersetzt wurden, können leicht zu einem gewöhnlichen Ereignis im Bereich der Automatisierung werden. In der Cybersicherheitsbranche ist eine solche Automatisierung beispielsweise im Bereich der Virenanalytik oder der Erkennung von Angriffen wahrscheinlich. Übrigens arbeitet unser Team an einer Technologie, mit der maschinelles Lernen Angriffe auf Webanwendungen in Sekundenschnelle erkennen kann.

In der Praxis ist es möglich, die Branchen, in denen die KI eingesetzt wird, vorherzusagenes wird am stärksten gefordert und ist in naher Zukunft schwierig, da seine Verwendung mit vielen sozialen und rechtlichen Nuancen verbunden ist. Sagen Sie, Autopilot: Es ist technisch möglich, Standardflüge auf Autopilot zu übertragen, aber wie viele Passagiere vertrauen einem Flugzeug an, ohne dass eine Person am Ruder sitzt? Oder, Medizin, es gibt viele Entwicklungen, die auf der Verwendung von KI in Bezug auf diese Industrie basieren, aber aus Sicht der Legislativbasis können sie nicht vollständig genutzt werden und bleiben heute auf konzeptioneller Ebene.

Ja, um die Richtung des Lärms herum: Viele Experten ziehen es jedoch vor, sofort über das Lösen bestimmter Probleme zu sprechen, Zeit und Geld zu sparen, sofern sie mit der Verwendung von Technologie verbunden sind. In Wirklichkeit stolpern diese Ideen über die Personalfrage: Wenn es vor einigen Jahren tatsächlich Gespräche über den Mangel an Programmierern gab, hat sich daran nichts geändert, außer dass jetzt nicht nur Java-Programmierer, sondern auch komplexe Ingenieure benötigt werden. Wer kann das Problem verstehen und lösen, einschließlich Methoden des maschinellen Lernens.

Das Gefühl einer Überfüllung auf dem Marktmaschinelles Lernen ist mehr als täuschend. Ja, viele Leute denken, dass sie diesen Bereich nach einigen Kursen schnell erkunden können. Daher ist der Markt mit Spezialisten mit irrelevantem Hintergrund übersättigt. Maschinelles Lernen ist jedoch in den meisten Fällen ein Werkzeug, um eine bestimmte Aufgabe effektiv zu lösen (nur, wenn Sie es nicht selbst tun) und um das richtige Werkzeug zu wählen, benötigen Sie umfangreiche Kenntnisse in einem bestimmten Bereich (in unserem Fall in der Informationssicherheit). .

Die Geschichte des maschinellen Lernens heute ist mehrEs ähnelt der Situation mit dem in der Entwicklungsumgebung beliebten Antipattern „Goldener Hammer“, in dem versucht wird, jedes Problem mit Hilfe eines einzigen (wenn auch goldenen) Hammers zu lösen. Spezialisten für maschinelles Lernen, die ein paar Kurse absolviert haben, setzen ihre Erfahrung in hundert von hundert Fällen ein, ohne dass sie verstehen können, wann ein anderes Toolkit benötigt wird - ein zusätzlicher. Viele dieser frisch gebackenen Spezialisten sind keine Entwickler und können nicht über den Rahmen von Jupyter Notebook (ein beliebtes Tool in ML) hinausgehen, oder es fehlt ihnen an ausreichendem Wissen in anderen Bereichen, was es ihnen nicht erlaubt, Technologien in einem bestimmten Bereich zur Lösung spezifischer Probleme erfolgreich einzusetzen.

Alena Arykina, Datenwissenschaftlerin Sberbank PJSC

Beim maschinellen Lernen gibt es einen kreativen Teil,abhängig von den Daten und Kenntnissen des Feldes, von der Intuition des Entwicklers und vielem mehr. Und es gibt automatische Dinge, bei denen Sie bessere Parameter finden und einen seit langem bekannten Code umschreiben müssen. Der zweite Teil neigt dazu, wie in jedem "mechanischen" Prozess, alles zu optimieren, auch durch maschinelles Lernen. Wenn frühere Mathematiker auf der Basis von Bibliotheken wie Keras vom „manuellen Lernen“ zu einem automatischen übergingen, können Beispiele für solche Optimierungen heute als Bibliotheken für die Verwaltung des Status von Datensätzen, für die Vorverarbeitung von Bildern und Texten oder sogar für die automatische Erkennung von Merkmalen von Elementen dienen. Algorithmen können einfach sein (die Enden von Wörtern abschneiden) oder komplex sein (spezielle neuronale Netzwerke aufbauen - Auto-Kodierer, die Daten auf jede Größe komprimieren), aber eine Reihe solcher Trainingswerkzeuge bestimmt meistens die Qualität des endgültigen Modells und damit die Fähigkeiten eines Datenassentisten.

Maschinelles Lernen wird später irgendwann kommenBereiche, in denen es durch Rechtsvorschriften oder Misstrauen von Menschen gebremst wird: Medikamente oder ein Auto mit einem Autopiloten. In diesen Bereichen sehen wir bereits große Erfolge - sie werden in anderen Ländern eingesetzt. Ich bin mir jedoch sicher, dass wir mehr als einen bürokratischen Krieg gewinnen müssen, um sie bei uns umzusetzen und für den einfachen Menschen zugänglich zu machen.

Data Science ist wirklich sehr interessant. Mein Freund, IT-Spezialist, lernte jeden zweiten mindestens über maschinelles Lernen. Willy-nilly, Sie fangen an, sich Sorgen zu machen: Wird es nicht zu viele Datenspezialisten geben? Darüber hinaus versuchen sie jetzt, maschinelles Lernen in jedem IT-Projekt und für alle Aufgaben zu verwenden, ohne sich vorzustellen, warum dort Algorithmen benötigt werden - es ist in Mode. HYIP wird bestanden und die Anzahl der offenen Stellen sinkt. Andererseits stellt sich die Frage, ob diejenigen, die Data Science wirklich lieben, im Beruf bleiben und nicht der Mode hinterherjagen werden.

Tatyana Savelyeva, Leiterin der unstrukturierten Datengruppe, Yandex.Taxi, Autor des Telegrammkanals tldr_arxiv

Ich mag das Wort „AI“ nicht wirklich, weilEs ist zu allgemein und zu ehrgeizig und führt oft dazu, dass der technologische Stand überschätzt wird. Wissen Sie, es gibt so einen Witz: „Wie unterscheidet man ML von AI? ML wird in Python und AI in PowerPoint ausgeführt. “

Der erste Trend von Data Science nimmt zudie Beliebtheit des Themenbereichs: Unternehmen wissen zunehmend, dass es ohne die Verarbeitung einer großen Menge nützlicher Informationen in der Zukunft schwierig sein wird. In der Automatisierung des maschinellen Lernens gibt es einen Trend: Vor zehn Jahren mussten Sie alle Methoden zum Selbstarbeiten schreiben, jetzt gibt es viele praktische fertige Bibliotheken.

Aber mit der zunehmenden Verwendbarkeit der MethodenDie tatsächlichen Werkzeuge ändern sich schneller und schneller - Sie müssen Ihren Finger am Puls der Zeit halten. Bei der Nutzung neuronaler Netze gibt es einen Trend: Industriekonferenzen veröffentlichen immer mehr Artikel, die sich auf diesen Algorithmus beziehen.

Maschinelles Lernen ist also das letzte Malwird in Gebiete kommen, in denen es wenig Daten gibt oder in denen es überhaupt keine gibt - zum Beispiel können Sie den Ort, an dem der Asteroid fällt, oder den Zeitpunkt des Zusammenstoßes des Mondes mit der Erde kaum vorhersagen. Es scheint, dass maschinelles Lernen in bürokratischen Institutionen - Regierungsbehörden, medizinischen Einrichtungen - schwer umzusetzen ist.

In jedem Fall wird der Markt irgendwannin einer großen Anzahl von Bewerbern für eine offene Stelle zu erscheinen - Nachwuchswissenschaftler oder Praktikanten, da das Wissen, das für die Jobsuche für eine solche Stelle erforderlich ist, immer zugänglicher wird. Die Nachfrage nach erfahrenen Spezialisten, die bereits ML-Projekte umgesetzt haben, wird jedoch zunehmen, da diese Erfahrung viel Zeit und Mühe erfordert und die Anzahl der maschinellen Lernaufgaben schneller zunimmt als die Anzahl der Personen, die diese Erfahrung gemacht haben.

Emily Drahl, Datenanalyse-Analytik, Mechanica AI, Leiterin des Data Mining in Aktion

Beim maschinellen Lernen eine der am meistenhelle Trends sind der Übergang von der Verwendung als assistive Technologie zur darauf basierenden Vollautomatisierung. Dies äußert sich am deutlichsten in der Automatisierung der industriellen Produktion, der Landwirtschaft und des Agribusiness sowie in der Entwicklung der Konzepte von Smart City und Smart Home.

Jetzt maschinelle LernanwendungenVieles, und das liegt an dem aktuellen Stand der Entwicklung des Technologie-Stacks, unserem Kenntnisstand auf diesem Gebiet und einer Reihe ungelöster ethischer Fragen. Meine persönliche Topanwendung ist Medizin, Psychologie und Pädagogik. Hierbei geht es nicht in erster Linie um Nebenleistungen (Empfehlungssysteme zur Diagnose von Krankheiten oder interaktiven Systemen), sondern um die vollständige Automatisierung von Prozessen durch KI und ML.

Ich denke, dass die IT-Branche heute anders istTechnologien entwickeln sich sehr dynamisch, und wenn Sie damit aufhören, mit diesen Änderungen Schritt zu halten, besteht ein erhebliches Risiko, ein nicht beanspruchter Spezialist zu werden. Dies ist einer der wenigen Bereiche, in denen Hochschulabsolventen ohne Erfahrung mit erfahrenen Fachkräften konkurrieren können.

Dank des dynamischen Marktes arbeiten Sie für diejenigen, dieMit Trends Schritt halten, wird immer sein. Aber für diejenigen, die nicht ihr ganzes Leben lang lernen wollen, bleibt die schwierige Frage zu lösen: Wie bleiben sie relevant? Hier werden Erfahrungen, berufliche Perspektiven und Kenntnisse verwandter (oder auch nicht!) Tätigkeitsbereiche unterstützt.

Das Bildungswesen verändert sich derzeit.konzeptionell und, wenn ich sagen darf, nicht nur Schüler und Studenten, sondern auch erfahrene Fachkräfte mit Berufserfahrung: Mit einschlägiger einschlägiger Ausbildung, relativ viel Zeit und angemessener Ausdauer können Sie sich ohne erhebliche finanzielle Investitionen umschulen und ein Vorstellungsgespräch führen zumindest auf der Ausgangsposition im Bereich der Datenanalyse. Dies ist eines der Ziele, das Online-Kurse für sich selbst setzen.

Wenn wir über Universitäten sprechen, meistensEs gibt eine Reihe von Schwierigkeiten beim Unterrichten relevanter technischer Disziplinen: Technologien ändern sich sehr schnell, Sie müssen Praktiker anziehen, und sie sind nicht immer bereit, in dem Format zu arbeiten, das die Universität impliziert. So helfen führende IT-Unternehmen dabei, zu helfen, Schulen zu gründen, Abteilungen an Universitäten zu eröffnen, Praktika und Praktika zu organisieren sowie zu Beginn ihrer Arbeit Absolventen im Unternehmen auszubilden. In der Endabrechnung ist die Aufgabe der Universität, die ich persönlich sehe, nicht nur und nicht so sehr, einen vorgefertigten Spezialisten auf dem Markt freizusetzen, sondern dass eine höhere Bildung einer Person ein bestimmtes kulturelles, intellektuelles und emotionales Niveau geben sollte, von dem ihr Berufsleben stärker abhängig ist anstatt Wissen über bestimmte Technologien.

Anna Voevodskaya, Experte für maschinelles Lernen, Jet Infosystems

Es scheint mir, dass sie jetzt mehr verwendenStärkung des Lernens. Die Entscheidung zu lernen, mit der Umgebung zu interagieren, Belohnungen, Aktionen und Beobachtungen zu verwenden. Eines der bekanntesten Beispiele für Verstärkungslernen ist AlphaGo. Solche Trainingsmethoden werden auch verwendet, um die Bewegung einer Person (die letzten Wettkämpfe bei NIPS waren über RL), Maschinen und andere zu simulieren.

Maschinelles Lernen ist Magie auf höchstem Niveau.Sinn. Eine ziemlich komplexe Mathematik wird auf Ihre Daten angewendet, eine detaillierte Analyse wird durchgeführt und eine sehr genaue Prognose wird nur für Sie gegeben. Und jeder möchte diese Magie für sich: Er verdient Geld und ist nützlich für das Image - es ist großartig.

Was die Marktschwemme angeht, bin ich dabeiIch glaube nicht. Gute Spezialisten sind immer schwer zu finden. Zum Beispiel ist Java nicht vor zwei Jahren aufgetaucht, aber Senioren sind in diesem Bereich immer noch schwer zu finden. Ein guter Datensaytnist ist im Allgemeinen wie ein Einhorn: Er kennt und liebt Mathematik und Kodit, versteht Geschäftskennzahlen und erklärt alles gut. Wenn wir irgendwann auf der Welt ein Überangebot an solchen Menschen haben, wird es schön sein. Aber das ist eine Art Utopie.