Data Scientists ovat data-analytiikan asiantuntijoita, joilla on tekniset taidot ratkaista monimutkaisia asioita
Alexandra Murzina, koneen oppimisen insinööri, kehittyneiden teknologioiden ryhmä, positiiviset teknologiat
Yksi lupaavimmista tekniikoistakoneoppiminen on nyt vahvistusoppimista. Muuten, DeepMind-järjestelmä, joka voitti StarCraft II:n, perustuu siihen. Tämä lähestymistapa oppimiseen ja sitten käyttöön muistuttaa enemmän tekoälyä. Tällainen järjestelmä on upotettu ympäristöön, joka antaa sille vastauksia toimiin. Tämä menetelmä on hyvin samankaltainen kuin sinä ja minä opiskelemme, mutta joskus se vie meiltä vuosia, mutta tässä on mahdollisuus nopeuttaa prosessia merkittävästi mallinnuksen ja tietokoneen tehon avulla.
Tällainen järjestelmä oppii esimerkiksi nopeastiajaa autoa. Tietenkin poikkeuksellisiin tilanteisiin ja järjestelmän toimintaan liittyvät kysymykset säilyvät myös niiden olosuhteissa (ratkaistavien tehtävien rajoituksen vuoksi). Syksyllä 2017 kapselin hermoverkot eivät aiheuttaneet vähemmän melua: tuolloin he puhuivat niin paljon kuin vallankumous syvällisen oppimisen maailmassa. Tänään he lähes unohtivat heidät julkisesti. Käytännössä vielä hyvin suosittuja ovat väylät ja hermoverkkoarkkitehtuurit, joista on jo tullut standardi tiettyjen ongelmien ratkaisemiseksi. Sellainen esimerkiksi esineiden havaitseminen kuvissa tai kuvien luokittelu.
Teoriassa AI teknologiana tulee nopeammin sisäänalat, joilla henkilön työ koostuu pääasiassa rutiinitoimista tai aloista, joilla päätökset on tehtävä nopeasti suuren tietomäärän perusteella. Eli sensaatiomainen uutinen siitä, miten 600 kauppiasta korvattiin kaksisataa ohjelmoijia, voi helposti tulla yhdeksi tavanomaisista tapahtumista automaation alalla. Käyttäen kyberturvallisuusalaa, tällainen automaatio on todennäköistä esimerkiksi virusten analysoinnin tai hyökkäysten havaitsemisen alalla. Muuten, tiimimme työskentelee teknologian avulla, joka mahdollistaa koneen oppimisen havaitsemaan web-sovelluksiin kohdistuvat hyökkäykset muutamassa sekunnissa.
Käytännössä ennakoidaan toimialoja, joilla A.I.tulee olemaan kysyntää suuressa mittakaavassa täysimääräisesti ja lähitulevaisuudessa se on vaikeaa, koska sen käyttöön liittyy paljon sosiaalisia ja oikeudellisia vivahteita. Sanotaan vaikka autopilotti: teknisesti on jo täysin mahdollista siirtää standardilennot autopiloteille, mutta kuinka moni matkustaja uskoisi henkensä lentokoneeseen ilman, että ohjaimissa ei istuisi henkilöä? Tai vaikkapa lääketiede - tekoälyn käyttöön perustuvia kehityssuuntia on paljon tämän toimialan suhteen, mutta lainsäädäntökehyksen näkökulmasta niitä ei voida hyödyntää täysillä ja nykyään ne pysyvät käsitteellisellä tasolla.
Kyllä, suunnan ympärillä on paljon melua:samaan aikaan monet asiantuntijat haluavat puhua välittömästi tiettyjen ongelmien ratkaisemisesta, säästäen aikaa ja rahaa tekniikan käytön mukaan. Todellisuudessa nämä ajatukset kompastuvat henkilöstökysymykseen: jos useita vuosia sitten puhuttiin ohjelmoijien pulasta, niin nyt mikään ei ole muuttunut, paitsi että nyt emme enää tarvitse vain esimerkiksi Java-ohjelmoijia, vaan myös monimutkaisia insinöörejä, jotka voivat ymmärtää ja ratkaista ongelman, mukaan lukien koneoppimismenetelmien käyttö.
Markkinoiden ylikyllästymisen tunne asiantuntijoiden kanssakoneoppiminen on enemmän petollista kuin todellista. Kyllä, monet ihmiset ajattelevat, että he voivat oppia tämän alueen nopeasti suorittamalla pari kurssia, mutta seurauksena on, että markkinat ovat ylikyllästyneitä asiantuntijoista, joilla on merkityksetön tausta. Koneoppiminen on kuitenkin useimmissa tapauksissa työkalu tietyn ongelman tehokkaaseen ratkaisemiseen (no, vain jos et tee sitä sen itsensä vuoksi) ja oikean työkalun valitsemiseksi tarvitset laajaa asiantuntemusta tietyltä alalta ( meidän tapauksessamme tietoturva).
Koneen oppimisen historia on nykyään enemmänSe muistuttaa kehitysympäristössä suositun "kultaisen vasaran" antipatternin tilannetta, jossa yritetään ratkaista jokin ongelma yhden (vaikka kultaisen) vasaran avulla. Koneen oppimisen asiantuntijat, jotka ovat suorittaneet pari opintojaksoa, soveltavat kokemustaan sadasta tapauksesta, eivätkä pysty ymmärtämään, kun tarvitaan jotain muuta työkalupakettia - toinen. Monet näistä tuoreista paistetuista asiantuntijoista eivät ole kehittäjiä eivätkä voi mennä pidemmälle kuin Jupyterin muistikirja (suosittu työkalu ML: ssä) tai niillä ei ole riittävästi tietoa muilla aloilla, mikä ei anna niille mahdollisuuden käyttää tietyn alueen teknologiaa onnistuneesti erityisten ongelmien ratkaisemiseksi.
Alena Arykina, tietotutkija Sberbank PJSC
Koneen oppimisessa on luova osa,riippuen alan tiedoista ja tietämyksestä, kehittäjän intuitiosta ja paljon muuta. Ja on olemassa automaattisia asioita, joissa sinun täytyy löytää parempia parametreja ja kirjoittaa pitkä tunnettu koodi. Toinen osa, kuten kaikissa "mekaanisissa" prosesseissa, pyrkii optimoimaan kaiken, myös koneen oppimisen kautta. Jos aikaisemmat matemaatikot siirtyivät käsikoulutuksesta automaattiseen tällaisten kirjastojen perusteella kerasiksi, nykyisin esimerkkejä tällaisista optimoinnista voivat olla kirjastot datakokonaisuuksien hallintaan, kuvien ja tekstien esikäsittelyyn, jopa elementtien ominaisuuksien automaattiseen tunnistamiseen. Algoritmit voivat olla yksinkertaisia (leikata sanojen päät) tai monimutkaisia (rakentaa erityisiä hermoverkkoja - autoenkoodereita, jotka pakottavat tietoja mihin tahansa kokoon), mutta joukko tällaisia koulutusvälineitä määrää useimmiten lopullisen mallin laadun ja siten datassentistin taidot.
Koneoppiminen tulee lopulta myöhemminalueet, joilla lainsäädäntöä hidastetaan tai ihmisten epäluottamus: lääke tai autopilotilla varustettu auto. Näemme näillä alueilla jo valtavia saavutuksia - niitä käytetään muissa maissa. Mutta olen varma, että voidaksemme toteuttaa ne kanssamme ja saada ne tavallisille ihmisille, meidän on voitettava enemmän kuin yksi byrokraattinen sota.
Data Science on todella mielenkiintoinen. Joka toinen sekunti ystäväni IT-asiantuntija on jo lukenut koneen oppimisesta. Willy-nilly, alatte huolehtia: ei ole liian monta tietosuojaa? Lisäksi he yrittävät nyt käyttää koneen oppimista mihin tahansa IT-projektiin ja mihin tahansa tehtävään, ei oikeastaan kuvitella, miksi tällaisia algoritmeja tarvitaan siellä - se on muodikas. HYIP siirtyy ja avoimien työpaikkojen määrä vähenee. Toisaalta kysymys on siitä, pysyvätkö tietotieteen todella rakastavat ammatit ja eivät ajaa muotia.
Tatyana Savelyeva, jäsentämättömän tietoryhmän päällikkö, Yandex.Taxi, tldr_arxiv-sanoman kirjoittaja
En todellakaan pidä sanasta "AI" ollenkaan, koskase on liian yleinen ja kunnianhimoinen ja saa ihmiset usein yliarvioimaan teknologian tason. Tiedätkö, on sellainen vitsi: "Kuinka erottaa ML AI: sta? ML tehdään Pythonissa ja tekoäly PowerPointissa."
Ensimmäinen datatieteen trendi on nousussaaihealueen suosio: yritykset ymmärtävät yhä enemmän, että ilman suuren hyödyllisen tiedon käsittelyä tulevaisuudessa on vaikeaa. Suunta on kohti koneoppimisen automatisointia: jos 10 vuotta sitten piti kirjoittaa kaikki menetelmät toimiakseen itse, niin nyt käteviä valmiita kirjastoja on monia.
Mutta menetelmien käytön helpotessanykyiset työkalut muuttuvat yhä nopeammin - sinun on jatkuvasti pidettävä sormesi pulssissa. Suuntaus on hermoverkkojen käyttöön: teollisuuskonferenssit julkaisevat yhä enemmän tämäntyyppisiin algoritmeihin liittyviä artikkeleita.
Joten koneoppiminen on viimeinentulee alueille, joilla on vähän tietoja tai joissa niitä ei ole lainkaan - esimerkiksi tällä tavoin voit tuskin ennustaa paikkaa, jossa asteroidi putoaa, tai aikaan, jolloin Kuun törmäys maapalloon. Näyttää siltä, että koneen oppimista on vaikea toteuttaa byrokraattisissa laitoksissa - valtion virastoissa, lääketieteellisissä laitoksissa.
Joka tapauksessa, markkinat jossain vaiheessaAloittaviin avoimiin työpaikkoihin tulee runsaasti hakijoita - nuorempia asiantuntijoita tai harjoittelijoita, koska tällaiseen tehtävään työskentelyyn tarvittava tieto on entistä helpompaa. Mutta kysyntä kokeneille asiantuntijoille, jotka ovat jo toteuttaneet ML-projekteja, kasvaa, koska tämän kokemuksen hankkiminen vie paljon aikaa ja vaivaa, ja koneoppimistehtävien määrä kasvaa nopeammin kuin niiden ihmisten määrä, joilla on ollut aikaa ja voi saada tällaista kokemusta.
Emily Drahl, Data Analysis Analytics, Mechanica AI, tietojenkäsittelyn johtaja toiminnassa
Koneen oppimisessa yksi parhaistakirkas suuntaus on siirtyminen sen käytöstä apuvälineenä täydelliseen automaatioon, joka perustuu siihen. Tämä ilmenee selvästi teollisuustuotannon, maatalouden ja maatalouden automatisoinnissa sekä älykäs kaupunki ja älykäs koti.
Nyt koneen oppimisen sovelluksetmelko paljon, ja tämä johtuu teknologian nykyisestä kehityksestä, ymmärryksen tasosta alalla ja useista ratkaisemattomista eettisistä kysymyksistä. Henkilökohtainen suosituin sovellus on lääketiede, psykologia ja pedagogiikka. Tässä ei ole kyse lähinnä lisäpalveluista (suositusjärjestelmät sairauksien diagnosoimiseksi tai vuorovaikutteiset järjestelmät), vaan prosessien täydellisestä automatisoinnista AI: n ja ML: n kautta.
Mielestäni IT-teollisuus on nykyään erilainen, koskaTeknologiat kehittyvät hyvin dynaamisesti ja jos lopetat näiden muutosten seurannan, on olemassa hyvin konkreettinen riski tulla hakematta asiantuntijaksi. Tämä on yksi harvoista aloista, joilla yliopistosta valmistuneet ilman kokemusta voivat kilpailla kokeneiden ammattilaisten kanssa.
Dynaamisten markkinoiden ansiosta toimi niille, jotkaJatkuu trendien kanssa, tulee aina olemaan. Mutta niille, jotka eivät ole valmiita oppimaan koko elämänsä, vaikea kysymys on vielä ratkaistava: miten pysyä tärkeänä. Täällä autetaan kokemuksia, ammatillisia näkymiä ja niihin liittyvää tietoa (tai ei!) Toimialoja.
Koulutusala on tällä hetkellä muuttumassakäsitteellisesti ja niin sanotusti kohtaa koululaisten ja opiskelijoiden lisäksi myös työkokemusta omaavia aikuisia ammattilaisia. Asianmukaisen koulutuksen, riittävän ajan ja riittävän pitkäjänteisen tason ansiosta voit kouluttautua uudelleen ilman merkittäviä taloudellisia investointeja ja kustannuksia. läpäise haastattelu vähintään data-analytiikan lähtötason paikasta. Tämä on yksi verkkokurssien tavoitteista.
Jos puhumme yliopistoista, useimmat niistäkokee useita vaikeuksia nykyisten teknisten tieteenalojen opettamisessa: teknologiat muuttuvat erittäin nopeasti, on tarpeen houkutella harjoittelevia asiantuntijoita, eivätkä he aina ole valmiita työskentelemään yliopiston edellyttämässä muodossa. Näin tulevat apuun johtavat IT-yritykset, jotka luovat kouluja, avaavat osastoja yliopistoihin, suorittavat käytännön kursseja ja harjoittelupaikkoja sekä kouluttavat eiliset valmistuneet yrityksen sisällä työn alkaessa. Loppujen lopuksi näen yliopiston tehtävänä paitsi enkä niinkään valmiin asiantuntijan vapauttamisessa markkinoille, vaan siinä, että korkeakoulutuksen tulisi antaa ihmiselle tietty kulttuurinen, älyllinen ja emotionaalinen taso, jolla hänen työelämä riippuu suurelta osin pikemminkin kuin tiettyjen teknologioiden tuntemisesta.
Anna Voevodskaya, koneopiskelija, Jet Infosystems
Minusta näyttää siltä, että nyt he soveltavat yhä enemmän.vahvistaminen oppiminen. Päätös oppia, olla vuorovaikutuksessa ympäristön kanssa käyttäen palkintoja, toimia ja havaintoja. Yksi kuuluisimmista esimerkkeistä vahvistusoppimisesta on AlphaGo. Tällaisia koulutusmenetelmiä käytetään myös henkilön liikkeen simuloimiseen (viimeiset kilpailut NIPS: ssä olivat noin RL), koneet ja muut.
Koneoppiminen on taikuutta parhaimmillaan.järkeä. Varsin monimutkaista matematiikkaa sovelletaan nimenomaan tietoihisi, tehdään syvällinen analyysi ja laaditaan erittäin tarkka ennuste juuri sinua varten. Ja jokainen haluaa tämän taikuuden itselleen: se tekee rahaa ja tekee hyvää heidän imagolleen - hienoa.
Mitä markkinat ovat, olen tässäEn usko. Hyviä asiantuntijoita on aina vaikea löytää. Esimerkiksi Java ei tullut esiin kaksi vuotta sitten, mutta vanhempi on vielä vaikea löytää tällä alueella. Ja hyvä datasaytnist on yleensä kuin yksisarvinen: hän tuntee ja rakastaa matematiikkaa, ja kodit, ja ymmärtää liiketoiminnan mittarit ja selittää kaiken hyvin. Jos meillä on tällaisten ihmisten ylitarjonta jossain vaiheessa maailmassa, se on mukavaa. Mutta tämä on jonkinlainen utopia.