Los científicos de datos son expertos en análisis de datos que tienen las habilidades técnicas para resolver problemas complejos.
Alexandra Murzina, Ingeniera de Aprendizaje Automático, Advanced Technologies Group, Positive Technologies
Una de las técnicas más prometedoras enEl aprendizaje automático ahora es aprendizaje por refuerzo. Por cierto, el sistema DeepMind, que ganó StarCraft II, se basa en él. Este enfoque de aprendizaje y luego de uso recuerda más a la IA. Un sistema así está inmerso en un entorno que le da respuestas a las acciones. Este método es muy similar a cómo estudiamos tú y yo, pero a veces nos lleva años, pero aquí existe la oportunidad de acelerar significativamente el proceso mediante el modelado y la potencia de la computadora.
Por ejemplo, tal sistema aprenderá rápidamente "bienconducir un coche Por supuesto, seguirá habiendo problemas relacionados con situaciones excepcionales y el funcionamiento del sistema en sus condiciones (debido a la limitación de las tareas que resuelve). En el otoño de 2017, las redes neuronales capsulares no causaron menos ruido: en ese momento hablaban tanto como sobre una revolución en el mundo del aprendizaje profundo. Hoy casi se les olvidan en público. En la práctica, todavía son muy populares los bujes y las arquitecturas de redes neuronales, que ya se han convertido en el estándar para resolver ciertos problemas. Tales, por ejemplo, como la detección de objetos en imágenes o la clasificación de imágenes.
Teóricamente, la inteligencia artificial como tecnología vendrá más rápido enaquellas áreas donde el trabajo de una persona consiste principalmente en acciones de rutina o en áreas donde las decisiones deben tomarse rápidamente basándose en una gran cantidad de datos. Es decir, las noticias sensacionales sobre cómo 600 comerciantes fueron reemplazados por doscientos programadores pueden convertirse fácilmente en uno de los eventos ordinarios en el campo de la automatización. En cuanto a la industria de la ciberseguridad, tal automatización es probable, por ejemplo, en el área de análisis de virus o la detección de ataques. Por cierto, nuestro equipo está trabajando en una tecnología que permite que el aprendizaje automático detecte ataques en aplicaciones web en segundos.
En la práctica, predecir industrias en las que la A.I.tendrá una demanda a gran escala con toda su fuerza y en un futuro próximo será difícil, ya que su uso está asociado con muchos matices sociales y legales. Digamos, piloto automático: tecnológicamente ya es bastante posible transferir vuelos estándar a pilotos automáticos, pero ¿cuántos pasajeros confiarían sus vidas a un avión sin una persona sentada a los mandos? O, digamos, la medicina: hay muchos desarrollos basados en el uso de la IA en relación con esta industria, pero desde el punto de vista del marco legislativo no se pueden aprovechar al máximo y hoy todavía permanecen en el nivel conceptual.
Sí, hay mucho ruido en la dirección:Al mismo tiempo, muchos expertos prefieren hablar inmediatamente de resolver problemas específicos, ahorrando tiempo y dinero, sujeto al uso de la tecnología. En realidad, estas ideas tropiezan con la cuestión del personal: si hace varios años se hablaba de una escasez de programadores, ahora nada ha cambiado, excepto que ahora ya no necesitamos sólo, por ejemplo, programadores de Java, sino también ingenieros complejos. quién puede comprender y resolver el problema, incluido el uso de métodos de aprendizaje automático.
Sensación de sobresaturación del mercado con especialistas.El aprendizaje automático es más engañoso que real. Sí, muchas personas piensan que pueden aprender rápidamente esta área tomando un par de cursos, pero como resultado, el mercado está saturado de especialistas con experiencia irrelevante. Sin embargo, el aprendizaje automático es en la mayoría de los casos una herramienta para resolver eficazmente un problema específico (bueno, solo si no lo hace por sí mismo) y para elegir la herramienta adecuada necesita tener una amplia experiencia en un campo específico ( en nuestro caso, seguridad de la información).
La historia del aprendizaje automático de hoy es másSe asemeja a la situación con el "martillo de oro" antipatrón popular en el entorno de desarrollo, en el que se intenta resolver cualquier problema con la ayuda de un solo martillo (aunque sea de oro). Los especialistas en aprendizaje automático que han completado un par de cursos aplican su experiencia en cien de cada cien casos, sin poder comprender cuándo se necesita otro kit de herramientas, uno adicional. Muchos de estos especialistas recién horneados no son desarrolladores y no pueden ir más allá del marco de Jupyter Notebook (una herramienta popular en ML), o carecen de un conocimiento adecuado en otras áreas, lo que no les permite usar la tecnología con éxito en ningún área en particular para resolver problemas específicos.
Alena Arykina, científica de datos Sberbank PJSC
En el aprendizaje automático hay una parte creativa,Dependiendo de los datos y el conocimiento del campo, de la intuición del desarrollador y mucho más. Y hay cosas automáticas, donde necesitas encontrar mejores parámetros y reescribir un código conocido hace mucho tiempo. En la segunda parte, como en cualquier proceso "mecánico", las personas tienden a optimizar todo, incluso a través del aprendizaje automático. Si los matemáticos anteriores pasaron de "aprendizaje manual" a uno automático sobre la base de bibliotecas como keras, hoy en día ejemplos de tales optimizaciones pueden servir como bibliotecas para administrar el estado de los conjuntos de datos, preprocesar imágenes y textos, incluso la detección automática de características de los elementos. Los algoritmos pueden ser simples (recortar el final de las palabras) o complejos (crear redes neuronales especiales: autocodificadores que comprimen datos a cualquier tamaño), pero un conjunto de dichas herramientas de capacitación determina la calidad del modelo final y, por lo tanto, las habilidades de un coordinador de datos.
El aprendizaje automático llegará más tarde en todo.Zonas en las que la legislación o la desconfianza humana lo reducirán: la medicina o un automóvil con piloto automático. Ya vemos grandes logros en estas áreas, se están utilizando en otros países. Pero estoy seguro de que para implementarlos con nosotros y hacerlos accesibles a la gente común, tendremos que ganar más de una guerra burocrática.
La ciencia de datos es realmente muy interesante. Cada segundo, mi amigo, especialista en TI, al menos ya ha leído sobre el aprendizaje automático. Willy-nilly, empiezas a preocuparte: ¿no habrá demasiados datasintistas? Además, ahora están intentando usar el aprendizaje automático en cualquier proyecto de TI y para cualquier tarea, sin realmente imaginar por qué se necesitan tales algoritmos allí, está de moda. HYIP pasará y el número de vacantes disminuirá. Por otro lado, la pregunta es si aquellos que realmente aman la ciencia de datos permanecerán en la profesión y no perseguirán la moda.
Tatyana Savelyeva, jefa del grupo de datos no estructurados, Yandex.Taxi, autora del canal de telegramas tldr_arxiv
Realmente no me gusta la palabra "IA" en absoluto, porquees demasiado general y ambicioso y a menudo hace que la gente sobreestime el nivel de la tecnología. Ya sabes, existe un chiste: “¿Cómo distinguir el ML de la IA? El aprendizaje automático se realiza en Python y la inteligencia artificial se realiza en PowerPoint”.
La primera tendencia de la ciencia de datos es el aumentopopularidad del área temática: las empresas se dan cuenta cada vez más de que sin procesar una gran cantidad de información útil en el futuro será difícil. Existe una tendencia hacia la automatización del aprendizaje automático: si hace 10 años tenías que escribir todos los métodos para trabajar tú mismo, ahora existen muchas bibliotecas convenientes listas para usar.
Pero con la creciente facilidad de uso de los métodosLas herramientas actuales cambian cada vez más rápidamente: es necesario estar constantemente al tanto. Existe una tendencia hacia el uso de redes neuronales: los congresos industriales publican cada vez más artículos relacionados con este tipo de algoritmos.
Así que el aprendizaje automático es el últimollegará a áreas donde hay poca información o donde no están en absoluto; por ejemplo, de esta manera, difícilmente se puede predecir el lugar donde cae el asteroide o el momento de la colisión de la Luna con la Tierra. Parece que el aprendizaje automático es difícil de implementar en las instituciones burocráticas: agencias gubernamentales, instituciones médicas.
En cualquier caso, en algún momento el mercadoPara las vacantes iniciales habrá un gran número de solicitantes: especialistas junior o pasantes, ya que los conocimientos necesarios para ocupar un puesto de este tipo son cada vez más accesibles. Pero la demanda de especialistas experimentados que ya hayan implementado proyectos de ML crecerá, ya que se necesita mucho tiempo y esfuerzo para adquirir esta experiencia, y la cantidad de tareas de aprendizaje automático está creciendo más rápido que la cantidad de personas que tuvieron tiempo y estuvieron capaz de adquirir tal experiencia.
Emily Drahl, analista de análisis de datos, Mechanica AI, jefa de minería de datos en acción
En aprendizaje automático uno de los másLas tendencias brillantes son la transición de su uso como tecnología de asistencia a la automatización completa basada en ella. Esto se manifiesta más claramente en la automatización de la producción industrial, la agricultura y la agroindustria, así como en el desarrollo de los conceptos de ciudad inteligente y hogar inteligente.
Ahora aplicaciones de aprendizaje automático.Mucho y esto se debe al nivel actual de desarrollo de la pila de tecnología, el nivel de nuestra comprensión del campo y una serie de problemas éticos no resueltos. Mi principal aplicación personal es la medicina, la psicología y la pedagogía. Aquí, no se trata principalmente de servicios auxiliares (sistemas de recomendación para el diagnóstico de enfermedades o sistemas interactivos), sino de la automatización completa de procesos a través de AI y ML.
Creo que la industria de TI de hoy es diferente porqueLas tecnologías se están desarrollando de manera muy dinámica y si deja de estar al día con estos cambios, existe un riesgo muy tangible de convertirse en un especialista no reclamado. Esta es una de las pocas áreas donde los graduados universitarios sin experiencia pueden competir con profesionales con experiencia.
Gracias al mercado dinámico, trabajan para quienesSigue con las tendencias, siempre lo será. Pero para aquellos que no están listos para aprender toda su vida, la pregunta difícil sigue sin resolverse: cómo seguir siendo relevante. Aquí le ayudará la experiencia, la perspectiva profesional y el conocimiento de las áreas de actividad relacionadas (¡o no!).
El campo de la educación está cambiando actualmente.conceptualmente y, por así decirlo, se enfrenta no solo a escolares y estudiantes, sino también a profesionales adultos con experiencia laboral... Teniendo una educación relevante en el pasado, una cantidad de tiempo suficiente y el nivel adecuado de perseverancia, puedes volver a capacitarte sin grandes inversiones financieras y pasar una entrevista como mínimo para un puesto de nivel inicial en análisis de datos. Este es uno de los objetivos de los cursos online.
Si hablamos de universidades, la mayoría de ellasexperimenta una serie de dificultades en la enseñanza de las disciplinas técnicas actuales: las tecnologías cambian muy rápidamente, es necesario atraer especialistas en ejercicio y no siempre están preparados para trabajar en el formato que implica la universidad. Así es como las principales empresas de TI acuden al rescate, creando escuelas, abriendo departamentos en las universidades, realizando cursos prácticos y pasantías, y también capacitando a los graduados de ayer dentro de la empresa al comenzar a trabajar. En última instancia, personalmente veo la tarea de una universidad no sólo y no tanto en lanzar al mercado un especialista ya preparado, sino en el hecho de que la educación superior debe dar a una persona un cierto nivel cultural, intelectual y emocional, en el que su La vida profesional depende en gran medida más que del conocimiento de tecnologías específicas.
Anna Voevodskaya, experta en aprendizaje automático, Jet Infosystems
Me parece que ahora están aplicando más y más.aprendizaje por refuerzo. La decisión de aprender, interactuar con el entorno, utilizando recompensas, acciones y observaciones. Uno de los ejemplos más famosos de aprendizaje por refuerzo es AlphaGo. Además, dichos métodos de entrenamiento se utilizan para simular el movimiento de una persona (las últimas competiciones en NIPS fueron sobre RL), máquinas y otros.
El aprendizaje automático es magia en su máxima expresión.sentido. Se aplican matemáticas bastante complejas específicamente a sus datos, se realiza un análisis en profundidad y se emite un pronóstico muy preciso solo para usted. Y todo el mundo quiere esta magia para sí mismo: genera dinero y es bueno para su imagen, genial.
En cuanto al exceso de mercado, estoy en esto.Yo no creo Los buenos especialistas siempre son difíciles de encontrar. Por ejemplo, Java no apareció hace dos años, pero aún es difícil encontrar personas mayores en esta área. Y un buen datasaytnist es generalmente como un unicornio: él sabe y ama las matemáticas y kodit, y entiende las métricas de negocios, y explica todo bien. Si tenemos un exceso de oferta de esas personas en algún momento del mundo, será bueno. Pero esto es algún tipo de utopía.