Data Scientists sind Datenanalyseexperten, die über die technischen Fähigkeiten verfügen, komplexe Probleme zu lösen
Alexandra Murzina, Ingenieurin für maschinelles Lernen, Gruppe Advanced Technologies, Positive Technologies
Eine der vielversprechendsten Techniken inMaschinelles Lernen ist jetzt Verstärkungslernen. Darauf basiert übrigens das DeepMind-System, das StarCraft II gewann. Dieser Ansatz des Lernens und anschließenden Nutzens erinnert eher an KI. Ein solches System ist in eine Umgebung eingebettet, die ihm Reaktionen auf Aktionen gibt. Diese Methode ist der Art und Weise, wie Sie und ich lernen, sehr ähnlich, aber manchmal dauert es Jahre, aber hier besteht die Möglichkeit, 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 die Vorhersage von Branchen, in denen K.I.wird in vollem Umfang in großem Umfang nachgefragt und in naher Zukunft schwierig sein, da seine Verwendung mit vielen sozialen und rechtlichen Nuancen verbunden ist. Nehmen wir an, Autopilot: Technisch ist es durchaus möglich, Standardflüge auf Autopiloten zu übertragen, aber wie viele Passagiere würden ihr Leben einem Flugzeug anvertrauen, ohne dass eine Person am Steuer sitzt? Oder sagen wir, die Medizin – in Bezug auf diese Branche gibt es viele Entwicklungen, die auf dem Einsatz von KI basieren, aber aus Sicht der gesetzlichen Rahmenbedingungen können sie nicht in vollem Umfang genutzt werden und bleiben heute noch auf der konzeptionellen Ebene.
Ja, es gibt viel Lärm in der Richtung:Gleichzeitig sprechen viele Experten lieber sofort über die Lösung konkreter Probleme, die durch den Einsatz von Technologie Zeit und Geld sparen. In Wirklichkeit scheitern diese Vorstellungen an der Personalfrage: War vor einigen Jahren noch von einem Mangel an Programmierern die Rede, so hat sich heute nichts geändert, außer dass wir jetzt nicht mehr nur z. B. Java-Programmierer brauchen, sondern auch komplexe Ingenieure. Wer kann das Problem verstehen und lösen, auch mit Methoden des maschinellen Lernens?
Gefühl der Marktübersättigung mit SpezialistenMaschinelles Lernen ist eher trügerisch als real. Ja, viele Leute denken, dass sie sich in diesem Bereich schnell mit ein paar Kursen vertraut machen können, aber das Ergebnis ist, dass der Markt mit Spezialisten mit irrelevantem Hintergrund übersättigt ist. Allerdings ist maschinelles Lernen in den meisten Fällen ein Werkzeug zur effektiven Lösung eines bestimmten Problems (naja, nur, wenn man es nicht um seiner selbst willen macht) und um das richtige Werkzeug auszuwählen, muss man über umfangreiche Fachkenntnisse in einem bestimmten Bereich verfügen ( in unserem Fall 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 „KI“ überhaupt nicht, weilEs ist zu allgemein und ehrgeizig und führt oft dazu, dass Menschen den Stand der Technik überschätzen. Wissen Sie, es gibt so einen Witz: „Wie unterscheidet man ML von KI?“ ML erfolgt in Python und KI erfolgt in PowerPoint.“
Der erste Data-Science-Trend ist der zunehmendeBeliebtheit des Themengebiets: Unternehmen erkennen zunehmend, dass es in Zukunft schwierig sein wird, ohne eine große Menge nützlicher Informationen zu verarbeiten. Es gibt einen Trend zur Automatisierung des maschinellen Lernens: Musste man vor 10 Jahren noch alle Arbeitsmethoden selbst schreiben, gibt es heute viele praktische vorgefertigte Bibliotheken.
Sondern mit zunehmender Benutzerfreundlichkeit der MethodenAktuelle Tools ändern sich immer schneller – Sie müssen stets am Puls der Zeit bleiben. Es gibt einen Trend zum Einsatz neuronaler Netze: Auf Industriekonferenzen werden immer mehr Artikel zu dieser Art von Algorithmen veröffentlicht.
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.
Auf jeden Fall wird es der Markt irgendwann tunEs wird eine große Anzahl von Bewerbern für offene Stellen geben – Nachwuchskräfte oder Praktikanten, da die für eine Beschäftigung in einer solchen Position erforderlichen Kenntnisse immer zugänglicher werden. Aber die Nachfrage nach erfahrenen Spezialisten, die bereits ML-Projekte umgesetzt haben, wird wachsen, da es viel Zeit und Mühe erfordert, diese Erfahrungen zu sammeln, und die Zahl der maschinellen Lernaufgaben schneller wächst als die Zahl der Menschen, die Zeit hatten und hatten solche Erfahrungen sammeln konnte.
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.
Der Bildungsbereich befindet sich derzeit im Wandelkonzeptionell und sozusagen nicht nur Schüler und Studenten, sondern auch erwachsene Berufstätige mit Berufserfahrung. Mit einer entsprechenden Vorbildung, ausreichend Zeit und der nötigen Ausdauer können Sie sich ohne nennenswerten finanziellen Aufwand umschulen und Bestehen Sie mindestens ein Vorstellungsgespräch für eine Einstiegsposition in der Datenanalyse. Dies ist eines der Ziele von Online-Kursen.
Wenn wir über Universitäten sprechen, dann die meisten davonhat eine Reihe von Schwierigkeiten bei der Lehre aktueller technischer Disziplinen: Technologien ändern sich sehr schnell, es ist notwendig, praktizierende Fachkräfte zu gewinnen, und diese sind nicht immer bereit, in dem von der Universität vorgegebenen Format zu arbeiten. Auf diese Weise kommen führende IT-Unternehmen zu Hilfe, indem sie Schulen gründen, Abteilungen an Universitäten eröffnen, praktische Kurse und Praktika durchführen und auch die Absolventen von gestern zu Beginn des Berufslebens im Unternehmen ausbilden. Letztendlich sehe ich persönlich die Aufgabe einer Universität nicht nur und nicht so sehr darin, eine fertige Fachkraft auf den Markt zu bringen, sondern darin, dass die Hochschulbildung einem Menschen ein bestimmtes kulturelles, intellektuelles und emotionales Niveau vermitteln soll, auf dem er sich befindet Das Berufsleben hängt zu einem großen Teil von der Kenntnis spezifischer Technologien ab.
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 vom Feinsten.Sinn. Es wird eine recht komplexe Mathematik speziell auf Ihre Daten angewendet, eine detaillierte Analyse durchgeführt und eine sehr genaue Prognose nur für Sie erstellt. Und jeder möchte diese Magie für sich haben: Damit verdient man Geld, und es ist gut für sein Image – 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.