Οι Επιστήμονες Δεδομένων είναι ειδικοί στην ανάλυση δεδομένων που έχουν τις τεχνικές δεξιότητες για να λύσουν πολύπλοκα
Alexandra Murzina, μηχανικός μάθησης μηχανών, ομάδα προηγμένων τεχνολογιών, θετικές τεχνολογίες
Μία από τις πιο υποσχόμενες τεχνικές στοΗ μηχανική μάθηση είναι πλέον ενισχυτική μάθηση. Παρεμπιπτόντως, το σύστημα DeepMind, που κέρδισε το StarCraft II, βασίζεται σε αυτό. Αυτή η προσέγγιση στη μάθηση, και στη συνέχεια στη χρήση, θυμίζει πραγματικά περισσότερο την τεχνητή νοημοσύνη. Ένα τέτοιο σύστημα είναι βυθισμένο σε ένα περιβάλλον που του δίνει απαντήσεις σε ενέργειες. Αυτή η μέθοδος μοιάζει πολύ με το πώς μελετάμε εσείς και εγώ, αλλά μερικές φορές μας παίρνει χρόνια, αλλά εδώ υπάρχει μια ευκαιρία να επιταχύνουμε σημαντικά τη διαδικασία μέσω της μοντελοποίησης και της ισχύος του υπολογιστή.
Για παράδειγμα, ένα τέτοιο σύστημα θα μάθει γρήγορα "καλά"οδηγείτε αυτοκίνητο. Φυσικά, θα παραμείνουν ζητήματα που σχετίζονται με τις εξαιρετικές καταστάσεις και τη λειτουργία του συστήματος υπό τις συνθήκες τους (λόγω του περιορισμού των καθηκόντων που επιλύει). Το φθινόπωρο του 2017, τα καψιδιακά νευρωνικά δίκτυα δεν προκάλεσαν λιγότερο θόρυβο: εκείνη τη στιγμή μίλησαν εξίσου με μια επανάσταση στον κόσμο της βαθιάς μάθησης. Σήμερα σχεδόν ξέχασαν γι 'αυτούς στο κοινό. Στην πράξη, εξακολουθούν να είναι πολύ δημοφιλείς οι αρχιτεκτονικές αρτηριών και νευρωνικών δικτύων, οι οποίες έχουν ήδη γίνει το πρότυπο για την επίλυση ορισμένων προβλημάτων. Για παράδειγμα, όπως η ανίχνευση αντικειμένων σε εικόνες ή ταξινόμηση εικόνων.
Θεωρητικά, η AI ως τεχνολογία θα έρθει πιο γρήγοραστις περιοχές στις οποίες η εργασία ενός ατόμου συνίσταται κυρίως σε συνήθεις ενέργειες ή σε τομείς όπου οι αποφάσεις πρέπει να λαμβάνονται γρήγορα βασισμένες σε μεγάλο αριθμό δεδομένων. Δηλαδή, τα εντυπωσιακά νέα για το πώς 600 έμποροι αντικαταστάθηκαν από διακόσια προγράμματα προγραμματιστές μπορούν εύκολα να γίνουν ένα από τα συνηθισμένα γεγονότα στον τομέα της αυτοματοποίησης. Όσον αφορά τη βιομηχανία του κυβερνοχώρου, αυτή η αυτοματοποίηση είναι πιθανό, για παράδειγμα, στον τομέα της ανίχνευσης ιών ή της ανίχνευσης επιθέσεων. Παρεμπιπτόντως, η ομάδα μας εργάζεται σε μια τεχνολογία που επιτρέπει στην εκμάθηση μηχανών να εντοπίζει επιθέσεις σε εφαρμογές ιστού σε δευτερόλεπτα.
Στην πράξη, προβλέποντας κλάδους στους οποίους η A.I.θα είναι σε ζήτηση σε μεγάλη κλίμακα σε πλήρη ισχύ και στο εγγύς μέλλον θα είναι δύσκολο, καθώς η χρήση του συνδέεται με πολλές κοινωνικές και νομικές αποχρώσεις. Ας πούμε, αυτόματος πιλότος: τεχνολογικά είναι ήδη αρκετά δυνατό να μεταφερθούν τυπικές πτήσεις σε αυτόματους πιλότους, αλλά πόσοι επιβάτες θα εμπιστεύονταν τη ζωή τους σε ένα αεροπλάνο χωρίς ένα άτομο να κάθεται στα χειριστήρια; Ή, ας πούμε, η ιατρική - υπάρχουν πολλές εξελίξεις που βασίζονται στη χρήση της τεχνητής νοημοσύνης σε σχέση με αυτόν τον κλάδο, αλλά από την άποψη του νομοθετικού πλαισίου δεν μπορούν να χρησιμοποιηθούν στο έπακρο και σήμερα παραμένουν σε εννοιολογικό επίπεδο.
Ναι, υπάρχει πολύς θόρυβος γύρω από την κατεύθυνση:Ταυτόχρονα, πολλοί ειδικοί προτιμούν να μιλούν αμέσως για την επίλυση συγκεκριμένων προβλημάτων, την εξοικονόμηση χρόνου και χρημάτων, με την επιφύλαξη της χρήσης της τεχνολογίας. Στην πραγματικότητα, αυτές οι ιδέες σκοντάφτουν στο ζήτημα του προσωπικού: αν πριν από αρκετά χρόνια γινόταν λόγος για έλλειψη προγραμματιστών, τότε τίποτα δεν έχει αλλάξει τώρα, εκτός από το ότι τώρα δεν χρειαζόμαστε πλέον μόνο, για παράδειγμα, προγραμματιστές Java, αλλά και πολύπλοκους μηχανικούς, που μπορεί να κατανοήσει και να λύσει το πρόβλημα, συμπεριλαμβανομένης της χρήσης μεθόδων μηχανικής εκμάθησης.
Αίσθημα υπερκορεσμού της αγοράς με ειδικούςΗ μηχανική μάθηση είναι περισσότερο παραπλανητική παρά πραγματική. Ναι, πολλοί άνθρωποι πιστεύουν ότι μπορούν να μάθουν γρήγορα αυτόν τον τομέα παρακολουθώντας μερικά μαθήματα, αλλά ως αποτέλεσμα, η αγορά είναι υπερκορεσμένη με ειδικούς με άσχετο υπόβαθρο. Ωστόσο, η μηχανική μάθηση είναι στις περισσότερες περιπτώσεις ένα εργαλείο για την αποτελεσματική επίλυση ενός συγκεκριμένου προβλήματος (καλά, μόνο αν δεν το κάνετε για χάρη του) και για να επιλέξετε το σωστό εργαλείο πρέπει να έχετε εκτενή εμπειρία σε έναν συγκεκριμένο τομέα ( στην περίπτωσή μας, ασφάλεια πληροφοριών).
Η ιστορία της μηχανικής μάθησης σήμερα είναι περισσότεροΜοιάζει με την κατάσταση με το "χρυσό σφυρί" αντίθετο στο λαϊκό στο αναπτυξιακό περιβάλλον, στο οποίο προσπαθεί να επιλυθεί οποιοδήποτε πρόβλημα με τη βοήθεια ενός μόνο (αν και χρυσού) σφυριού. Οι ειδικοί μηχανικών μάθησης που έχουν ολοκληρώσει μερικά μαθήματα εφαρμόζουν την εμπειρία τους σε εκατό περιπτώσεις από εκατό, χωρίς να είναι σε θέση να καταλάβουν πότε χρειάζεται μια άλλη εργαλειοθήκη - μια επιπλέον. Πολλοί από αυτούς τους φρεσκοψημένους ειδικούς δεν είναι προγραμματιστές και δεν μπορούν να ξεπεράσουν το πλαίσιο του Jupyter Notebook (δημοφιλές εργαλείο στο ML) ή να μην έχουν επαρκείς γνώσεις σε άλλους τομείς, γεγονός που δεν τους επιτρέπει να χρησιμοποιούν με επιτυχία την τεχνολογία σε κάποια συγκεκριμένη περιοχή για την επίλυση συγκεκριμένων προβλημάτων.
Αλένα Αρυκίνα, Data Scientist Sberbank PJSC
Στη μηχανική μάθηση υπάρχει ένα δημιουργικό κομμάτι,ανάλογα με τα δεδομένα και τις γνώσεις του τομέα, σχετικά με τη διαίσθηση του έργου και πολλά άλλα. Και υπάρχουν αυτόματα πράγματα, όπου πρέπει να βρείτε καλύτερες παραμέτρους και να ξαναγράψετε έναν πολύ γνωστό κώδικα. Το δεύτερο μέρος, όπως και σε οποιαδήποτε "μηχανική" διαδικασία, οι άνθρωποι τείνουν να βελτιστοποιούν τα πάντα, συμπεριλαμβανομένης της μηχανικής μάθησης. Εάν οι παλαιοί μαθηματικοί μετακινηθούν από τη «χειροκίνητη εκμάθηση» σε αυτόματη, με βάση τέτοιες βιβλιοθήκες όπως τα keras, σήμερα παραδείγματα τέτοιων βελτιστοποιήσεων μπορούν να χρησιμεύσουν ως βιβλιοθήκες για τη διαχείριση της κατάστασης συνόλων δεδομένων, την προεπεξεργασία εικόνων και κειμένων, ακόμη και την αυτόματη ανίχνευση χαρακτηριστικών στοιχείων. Αλγόριθμοι μπορεί να είναι απλή (κομμένο στο τέλος των λέξεων) ή σύνθετη (build ειδικό νευρωνικό δίκτυο - avtoenkodery συμπίεση δεδομένων σε κάθε μέγεθος), αλλά το σύνολο των εργαλείων κατάρτισης συχνά καθορίζει την ποιότητα του τελικού μοντέλου, και ως εκ τούτου datasayntista δεξιότητες.
Η μηχανική μάθηση τελικά θα εμφανιστεί αργότερα σε όλουςπεριοχές όπου θα επιβραδυνθεί από τη νομοθεσία ή την ανθρώπινη δυσπιστία: φάρμακο ή αυτοκίνητο με αυτόματο πιλότο. Βλέπουμε ήδη τεράστια επιτεύγματα σε αυτούς τους τομείς - χρησιμοποιούνται σε άλλες χώρες. Αλλά είμαι βέβαιος ότι για να τα εφαρμόσουμε μαζί μας και να τα κάνουμε προσιτά στους απλούς ανθρώπους, θα πρέπει να κερδίσουμε περισσότερους από έναν γραφειοκρατικό πόλεμο.
Η επιστήμη δεδομένων είναι πραγματικά πολύ ενδιαφέρουσα. Κάθε δευτερόλεπτο, ο ειδικός του IT φίλου τουλάχιστον έμαθε τουλάχιστον για τη μηχανική μάθηση. Willy-nilly, αρχίζετε να ανησυχείτε: δεν θα υπάρχουν πάρα πολλοί datasintists; Επιπλέον, τώρα προσπαθούν να χρησιμοποιήσουν την εκμάθηση μηχανών σε οποιοδήποτε έργο πληροφορικής και για οποιεσδήποτε εργασίες, χωρίς να φανταστούν πραγματικά γιατί χρειάζονται αλγόριθμοι εκεί - είναι μοντέρνο. HYIP θα περάσει και ο αριθμός των κενών θέσεων θα μειωθεί. Από την άλλη πλευρά, το ερώτημα είναι εάν όσοι αγαπούν πραγματικά την Data Science θα παραμείνουν στο επάγγελμα και δεν θα κυνηγήσουν τη μόδα.
Η Τατιάνα Savelyeva, επικεφαλής της μη δομημένης ομάδας δεδομένων, Yandex.Taxi, συγγραφέας του καναλιού τηλεγράφων tldr_arxiv
Δεν μου αρέσει καθόλου η λέξη «AI», γιατίείναι πολύ γενικό και φιλόδοξο και συχνά προκαλεί στους ανθρώπους να υπερεκτιμούν το επίπεδο της τεχνολογίας. Ξέρετε, υπάρχει ένα τέτοιο αστείο: «Πώς να ξεχωρίσετε το ML από το AI; Η ML γίνεται σε Python και η τεχνητή νοημοσύνη γίνεται στο PowerPoint."
Η πρώτη τάση της Επιστήμης Δεδομένων είναι η αυξανόμενηδημοτικότητα του θέματος: οι εταιρείες συνειδητοποιούν όλο και περισσότερο ότι χωρίς να επεξεργαστούν μεγάλο όγκο χρήσιμων πληροφοριών στο μέλλον θα είναι δύσκολο. Υπάρχει μια τάση αυτοματοποίησης της μηχανικής μάθησης: αν πριν από 10 χρόνια έπρεπε να γράψετε όλες τις μεθόδους για να δουλέψετε μόνοι σας, τώρα υπάρχουν πολλές βολικές έτοιμες βιβλιοθήκες.
Αλλά με την αυξανόμενη ευκολία χρήσης των μεθόδωντα τρέχοντα εργαλεία αλλάζουν όλο και πιο γρήγορα - πρέπει να κρατάτε συνεχώς το δάχτυλό σας στον παλμό. Υπάρχει μια τάση προς τη χρήση νευρωνικών δικτύων: τα βιομηχανικά συνέδρια δημοσιεύουν όλο και περισσότερα άρθρα που σχετίζονται με αυτόν τον τύπο αλγορίθμων.
Έτσι η μηχανική μάθηση είναι τελευταίαθα έρθουν σε περιοχές όπου υπάρχουν λίγα στοιχεία ή όπου δεν υπάρχουν καθόλου - για παράδειγμα, με αυτόν τον τρόπο δύσκολα μπορείτε να προβλέψετε τον τόπο όπου πέφτει ο αστεροειδής ή ο χρόνος της σύγκρουσης της Σελήνης με τη Γη. Φαίνεται ότι η μηχανική μάθηση είναι δύσκολο να εφαρμοστεί σε γραφειοκρατικούς θεσμούς - κυβερνητικές υπηρεσίες, ιατρικά ιδρύματα.
Σε κάθε περίπτωση, κάποια στιγμή η αγορά θαΘα υπάρχει μεγάλος αριθμός αιτούντων για έναρξη κενών θέσεων - κατώτεροι ειδικοί ή ασκούμενοι, καθώς οι απαραίτητες γνώσεις για την απασχόληση σε μια τέτοια θέση γίνονται πιο προσιτές. Αλλά η ζήτηση για έμπειρους ειδικούς που έχουν ήδη υλοποιήσει έργα ML θα αυξηθεί, καθώς χρειάζεται πολύς χρόνος και προσπάθεια για να αποκτηθεί αυτή η εμπειρία και ο αριθμός των εργασιών μηχανικής μάθησης αυξάνεται ταχύτερα από τον αριθμό των ανθρώπων που είχαν χρόνο και μπορεί να αποκτήσει τέτοια εμπειρία.
Emily Drahl, Ανάλυση Δεδομένων Analytics, Mechanica AI, Επικεφαλής της Εξόρυξης Δεδομένων σε Δράση
Στη μηχανή μάθησης ένα από τα πιοφωτεινές τάσεις είναι η μετάβαση από τη χρήση της ως βοηθητικής τεχνολογίας σε πλήρη αυτοματοποίηση που βασίζεται σε αυτήν. Αυτό εκδηλώνεται σαφέστερα στην αυτοματοποίηση της βιομηχανικής παραγωγής, της γεωργίας και της αγροβιομηχανίας, καθώς και στην ανάπτυξη των εννοιών της έξυπνης πόλης και του έξυπνου σπιτιού.
Τώρα εφαρμογές μηχανικής μάθησηςπολύ και αυτό οφείλεται στο σημερινό επίπεδο ανάπτυξης τεχνολογικής στοίβας, στο επίπεδο κατανόησης του πεδίου και σε ορισμένα μη καθορισμένα ηθικά ζητήματα. Η προσωπική μου κορυφαία εφαρμογή είναι η ιατρική, η ψυχολογία και η παιδαγωγική. Εδώ, δεν αφορά κυρίως τις βοηθητικές υπηρεσίες (συστήματα συστάσεων για τη διάγνωση ασθενειών ή διαδραστικά συστήματα), αλλά για την πλήρη αυτοματοποίηση των διεργασιών μέσω του AI και του ML.
Νομίζω ότι η βιομηχανία πληροφορικής σήμερα είναι διαφορετική γιατίοι τεχνολογίες αναπτύσσονται πολύ δυναμικά και εάν σταματήσετε να συμβαδίζετε με αυτές τις αλλαγές, τότε υπάρχει ένας πολύ απτός κίνδυνος να γίνετε ένας ειδικός που δεν έχει ζητηθεί. Πρόκειται για έναν από τους λίγους τομείς όπου οι απόφοιτοι πανεπιστημίων χωρίς εμπειρία μπορούν να ανταγωνιστούν με έμπειρους επαγγελματίες.
Χάρη στη δυναμική αγορά, δουλειά για όσουςΚρατάει με τις τάσεις, πάντα θα είναι. Αλλά για εκείνους που δεν είναι έτοιμοι να μάθουν όλη τους τη ζωή, το δύσκολο ερώτημα παραμένει να λυθεί: πώς να παραμείνετε σχετικοί. Εδώ θα βοηθήσετε την εμπειρία, τις επαγγελματικές προοπτικές και τη γνώση σχετικών (ή όχι!) Τομείς δραστηριότητας.
Ο τομέας της εκπαίδευσης αυτή τη στιγμή αλλάζειΕννοιολογικά και, ας πούμε, αντιμετωπίζουν όχι μόνο μαθητές και φοιτητές, αλλά και ενήλικες επαγγελματίες με επαγγελματική εμπειρία, έχοντας σχετική εκπαίδευση στο παρελθόν, επαρκή χρόνο και το κατάλληλο επίπεδο επιμονής, μπορείτε να επανεκπαιδεύσετε τον εαυτό σας χωρίς σημαντικές οικονομικές επενδύσεις και. περάσουν τουλάχιστον μια συνέντευξη για μια θέση αρχικού επιπέδου στην ανάλυση δεδομένων. Αυτός είναι ένας από τους στόχους των διαδικτυακών μαθημάτων.
Αν μιλάμε για πανεπιστήμια, τα περισσότερααντιμετωπίζει μια σειρά από δυσκολίες στη διδασκαλία των σύγχρονων τεχνικών κλάδων: οι τεχνολογίες αλλάζουν πολύ γρήγορα, είναι απαραίτητο να προσελκύσουμε ειδικούς που ασκούν το επάγγελμα και δεν είναι πάντα έτοιμοι να εργαστούν με τη μορφή που υπονοεί το πανεπιστήμιο. Αυτός είναι ο τρόπος με τον οποίο οι κορυφαίες εταιρείες πληροφορικής έρχονται στη διάσωση, δημιουργώντας σχολεία, ανοίγοντας τμήματα σε πανεπιστήμια, πραγματοποιώντας πρακτικά μαθήματα και πρακτικής άσκησης, καθώς και εκπαιδεύοντας τους χθεσινούς αποφοίτους εντός της εταιρείας κατά την έναρξη της εργασίας. Τελικά, προσωπικά βλέπω το καθήκον ενός πανεπιστημίου όχι μόνο και όχι τόσο στην απελευθέρωση ενός έτοιμου ειδικού στην αγορά, αλλά στο γεγονός ότι η τριτοβάθμια εκπαίδευση πρέπει να δίνει σε ένα άτομο ένα συγκεκριμένο πολιτιστικό, πνευματικό και συναισθηματικό επίπεδο, στο οποίο Η επαγγελματική ζωή εξαρτάται σε μεγάλο βαθμό από τη γνώση συγκεκριμένων τεχνολογιών.
Anna Voevodskaya, ειδικός μηχανικός μάθησης, Jet Infosystems
Μου φαίνεται ότι τώρα εφαρμόζονται όλο και περισσότερο.ενίσχυση μάθησης. Η απόφαση να μάθουν, να αλληλεπιδρούν με το περιβάλλον, χρησιμοποιώντας ανταμοιβές, ενέργειες και παρατηρήσεις. Ένα από τα πιο διάσημα παραδείγματα ενίσχυσης της μάθησης είναι το AlphaGo. Επίσης, τέτοιες μέθοδοι εκπαίδευσης χρησιμοποιούνται για την προσομοίωση της κίνησης ενός ατόμου (οι τελευταίοι διαγωνισμοί στο NIPS αφορούσαν RL), μηχανές και άλλα.
Η μηχανική μάθηση είναι μαγεία στα καλύτερά της.έννοια. Αρκετά πολύπλοκα μαθηματικά εφαρμόζονται ειδικά στα δεδομένα σας, γίνεται μια εις βάθος ανάλυση και εκδίδεται μια πολύ ακριβής πρόβλεψη μόνο για εσάς. Και όλοι θέλουν αυτή τη μαγεία για τον εαυτό τους: βγάζει χρήματα και είναι καλό για την εικόνα τους - υπέροχο.
Όσο για το γκρεμό της αγοράς, είμαι σε αυτόΔεν πιστεύω. Οι καλοί ειδικοί είναι πάντα δύσκολο να βρεθούν. Για παράδειγμα, η Java δεν εμφανίστηκε πριν από δύο χρόνια, αλλά ο ανώτερος εξακολουθεί να είναι δύσκολο να βρεθεί σε αυτόν τον τομέα. Ένας καλός datasaytnist είναι γενικά σαν μονόκερος: ξέρει και αγαπά τα μαθηματικά, και το kodit, καταλαβαίνει τις επιχειρηματικές μετρήσεις και εξηγεί όλα καλά. Εάν έχουμε μια υπερπροσφορά τέτοιων ανθρώπων σε κάποιο σημείο του κόσμου, θα είναι ωραίο. Αλλά αυτό είναι ένα είδος ουτοπίας.