Les Data Scientists sont des experts en analyse de données qui possèdent les compétences techniques nécessaires pour résoudre des problèmes complexes.
Alexandra Murzina, ingénieure en apprentissage automatique, groupe des technologies de pointe, technologies positives
L'une des techniques les plus prometteuses dansL’apprentissage automatique est désormais un apprentissage par renforcement. À propos, le système DeepMind, qui a remporté StarCraft II, est basé sur celui-ci. Cette approche de l’apprentissage, puis de l’utilisation, rappelle en réalité davantage l’IA. Un tel système est immergé dans un environnement qui lui donne des réponses aux actions. Cette méthode est très similaire à la façon dont vous et moi étudions, mais cela nous prend parfois des années, mais il existe ici une opportunité d'accélérer considérablement le processus grâce à la modélisation et à la puissance informatique.
Par exemple, un tel système apprendra rapidement "bienconduire une voiture. Bien entendu, il restera des problèmes liés aux situations exceptionnelles et au fonctionnement du système dans leurs conditions (en raison de la limitation des tâches qu'il résout). À l'automne 2017, les réseaux de neurones capsulaires ne faisaient pas moins de bruit: ils parlaient alors d'une révolution dans le monde de l'apprentissage en profondeur. Aujourd'hui, ils les ont presque oubliés en public. En pratique, les architectures de busing et de réseaux de neurones, qui sont déjà devenues la norme pour résoudre certains problèmes, sont toujours très populaires. Telles que, par exemple, la détection d'objets dans des images ou la classification d'images.
Théoriquement, l'IA en tant que technologie viendra plus vite dansLes domaines dans lesquels le travail d’une personne consiste principalement en des actions de routine ou dans des domaines dans lesquels des décisions doivent être prises rapidement sur la base d’un grand nombre de données. Autrement dit, les nouvelles sensationnelles sur le remplacement de 600 traders par deux cents programmeurs peuvent facilement devenir un événement ordinaire dans le domaine de l'automatisation. S'agissant du secteur de la cybersécurité, une telle automatisation est susceptible, par exemple, dans le domaine de l'analyse de virus ou de la détection d'attaques. À propos, notre équipe travaille sur une technologie qui permet à l’apprentissage automatique de détecter les attaques sur les applications Web en quelques secondes.
En pratique, prédire les secteurs dans lesquels l’A.I.sera très demandé à grande échelle et dans un avenir proche, ce sera difficile, car son utilisation est associée à de nombreuses nuances sociales et juridiques. Disons, pilote automatique : technologiquement, il est déjà tout à fait possible de transférer des vols standards vers des pilotes automatiques, mais combien de passagers confieraient leur vie à un avion sans personne assise aux commandes ? Ou, disons, la médecine - il existe de nombreux développements basés sur l'utilisation de l'IA en relation avec cette industrie, mais du point de vue du cadre législatif, ils ne peuvent pas être utilisés au maximum et restent aujourd'hui encore au niveau conceptuel.
Oui, il y a beaucoup de bruit dans la direction :dans le même temps, de nombreux experts préfèrent parler immédiatement de la résolution de problèmes spécifiques, en économisant du temps et de l'argent, sous réserve de l'utilisation de la technologie. En réalité, ces idées butent sur la question du personnel : s'il y a quelques années on parlait d'une pénurie de programmeurs, alors rien n'a changé maintenant, sauf que désormais nous n'avons plus seulement besoin, par exemple, de programmeurs Java, mais aussi d'ingénieurs complexes, qui peut comprendre et résoudre le problème, notamment en utilisant des méthodes d'apprentissage automatique.
Sentiment de sursaturation du marché auprès des spécialistesl’apprentissage automatique est plus trompeur que réel. Oui, beaucoup de gens pensent qu'ils peuvent apprendre rapidement ce domaine en suivant quelques cours, mais en conséquence, le marché est sursaturé de spécialistes sans expérience pertinente. Cependant, l'apprentissage automatique est dans la plupart des cas un outil permettant de résoudre efficacement un problème spécifique (enfin, seulement si vous ne le faites pas pour lui-même) et pour choisir le bon outil, vous devez posséder une expertise approfondie dans un domaine spécifique ( dans notre cas, la sécurité de l'information) .
L'histoire de l'apprentissage machine aujourd'hui est plusCela ressemble à la situation de l'antagoniste «marteau d'or» populaire dans l'environnement de développement, dans lequel tout problème est tenté pour être résolu à l'aide d'un marteau unique (bien que doré). Les spécialistes en apprentissage automatique qui ont suivi plusieurs cours appliquent leur expérience dans une centaine de cas sur cent, sans pouvoir comprendre quand une autre boîte à outils est nécessaire - une supplémentaire. Nombre de ces spécialistes fraîchement préparés ne sont pas des développeurs et ne peuvent pas aller au-delà du cadre de Jupyter Notebook (un outil populaire dans ML) ou manquent de connaissances suffisantes dans d'autres domaines, ce qui ne leur permet pas d'utiliser avec succès la technologie dans un domaine particulier pour résoudre des problèmes spécifiques.
Alena Arykina, Data Scientist Sberbank PJSC
Dans l'apprentissage automatique, il y a une partie créative,en fonction des données et de la connaissance du terrain, de l'intuition du développeur et bien plus encore. Et il y a des choses automatiques, où vous devez trouver de meilleurs paramètres et réécrire un code connu depuis longtemps. Dans la deuxième partie, comme dans tout processus "mécanique", les utilisateurs ont tendance à tout optimiser, y compris par apprentissage automatique. Si d'anciens mathématiciens passaient de l '«apprentissage manuel» à l'automatique, sur la base de bibliothèques telles que keras, des exemples d'optimisation de ce type peuvent aujourd'hui servir de bibliothèques pour gérer l'état des jeux de données, le traitement d'images et de textes, voire la détection automatique de caractéristiques d'éléments. Les algorithmes peuvent être simples (couper les fins de mots) ou complexes (construire des réseaux de neurones spéciaux - des auto-encodeurs qui compressent les données à n’importe quelle taille), mais un ensemble de tels outils de formation détermine le plus souvent la qualité du modèle final, et donc les compétences d’un datassentiste.
L'apprentissage automatique finira par arriver plus tarddomaines où il sera ralenti par la législation ou la méfiance humaine: médicaments ou voiture avec pilote automatique. Nous constatons déjà d’énormes progrès dans ces domaines - ils sont utilisés dans d’autres pays. Mais je suis sûr que pour les mettre en œuvre avec nous et les rendre accessibles aux citoyens ordinaires, nous devrons gagner plus d'une guerre bureaucratique.
La science des données est vraiment très intéressante. À chaque seconde, mon ami spécialiste en informatique a au moins déjà lu des informations sur l'apprentissage automatique. Bon gré mal gré, vous commencez à vous inquiéter: n'y aura-t-il pas trop d'informaticiens? En outre, ils essaient maintenant d'utiliser l'apprentissage automatique dans tout projet informatique et pour toute tâche, sans vraiment imaginer pourquoi de tels algorithmes sont nécessaires, mais à la mode. HYIP passera et le nombre de postes vacants diminuera. D'autre part, la question est de savoir si ceux qui aiment vraiment Data Science resteront dans le métier et ne poursuivront pas la mode.
Tatyana Savelyeva, responsable du groupe de données non structurées, Yandex.Taxi, auteur du canal de télégramme tldr_arxiv
Je n’aime pas du tout le mot « IA », parce queelle est trop générale et ambitieuse et amène souvent les gens à surestimer le niveau de technologie. Vous savez, il existe une telle blague : « Comment distinguer le ML de l'IA ? Le ML se fait en Python et l’IA se fait dans PowerPoint.
La première tendance de la Data Science est l’augmentationpopularité du domaine : les entreprises se rendent de plus en plus compte que sans traiter une grande quantité d'informations utiles à l'avenir, cela sera difficile. Il existe une tendance à l'automatisation de l'apprentissage automatique : s'il y a 10 ans vous deviez écrire vous-même toutes les méthodes pour travailler, il existe désormais de nombreuses bibliothèques prêtes à l'emploi pratiques.
Mais avec la facilité croissante d’utilisation des méthodesles outils actuels évoluent de plus en plus rapidement - vous devez constamment rester à l'écoute. Il existe une tendance à l'utilisation des réseaux de neurones : les conférences industrielles publient de plus en plus d'articles liés à ce type d'algorithmes.
Donc, l'apprentissage machine est la dernièreviendra dans des zones où il existe peu ou pas de données - par exemple, il est ainsi difficile de prédire le lieu de la chute de l’astéroïde ou le moment de la collision de la Lune avec la Terre. Il semble que l'apprentissage machine soit difficile à mettre en œuvre dans les institutions bureaucratiques - agences gouvernementales, institutions médicales.
Quoi qu'il en soit, à un moment donné, le marchéIl y aura un grand nombre de candidats aux postes vacants - spécialistes juniors ou stagiaires, car les connaissances nécessaires pour occuper un tel poste deviennent plus accessibles. Mais la demande de spécialistes expérimentés ayant déjà mis en œuvre des projets ML va croître, car il faut beaucoup de temps et d'efforts pour acquérir cette expérience, et le nombre de tâches d'apprentissage automatique augmente plus rapidement que le nombre de personnes qui ont eu le temps et ont été capable d'acquérir une telle expérience.
Emily Drahl, Data Analysis Analytics, Mechanica AI, responsable du Data Mining en action
Dans l'apprentissage automatique l'un des plusBright Trends est la transition de son utilisation comme technologie d'assistance à une automatisation complète basée sur celle-ci. Cela se manifeste le plus clairement dans l'automatisation de la production industrielle, de l'agriculture et de l'agroalimentaire, ainsi que dans le développement des concepts de ville intelligente et de maison intelligente.
Maintenant des applications d'apprentissage automatiqueCela est dû au niveau actuel de développement de la pile technologique, au niveau de notre compréhension du domaine et à un certain nombre de problèmes éthiques non résolus. Ma principale application personnelle est la médecine, la psychologie et la pédagogie. Ici, il ne s'agit pas principalement de services auxiliaires (systèmes de recommandation pour le diagnostic de maladies ou de systèmes interactifs), mais de l'automatisation complète des processus via l'IA et le ML.
Je pense que l'industrie informatique d'aujourd'hui est différente parce queLes technologies se développent de manière très dynamique et si vous arrêtez de suivre le rythme de ces changements, vous courez un risque très tangible de devenir un spécialiste non réclamé. C'est l'un des rares domaines où les diplômés universitaires sans expérience peuvent rivaliser avec des professionnels expérimentés.
Grâce au marché dynamique, travaillez pour ceux quiReste au courant des tendances, le sera toujours. Mais pour ceux qui ne sont pas prêts à apprendre toute leur vie, la difficile question reste à résoudre: comment rester pertinents. Ici, l'expérience, les perspectives professionnelles et la connaissance de domaines d'activité connexes (ou pas!) Seront utiles.
Le domaine de l’éducation est en pleine évolutionconceptuellement et, pour ainsi dire, sont confrontés non seulement aux écoliers et aux étudiants, mais aussi aux professionnels adultes ayant une expérience professionnelle. Ayant une éducation pertinente dans le passé, un temps suffisant et un niveau de persévérance approprié, vous pouvez vous recycler sans investissements financiers importants et passer au minimum un entretien pour un poste de débutant en analyse de données. C'est l'un des objectifs des cours en ligne.
Si nous parlons d'universités, la plupart d'entre ellesconnaît un certain nombre de difficultés dans l'enseignement des disciplines techniques actuelles : les technologies évoluent très rapidement, il est nécessaire d'attirer des spécialistes en exercice, et ils ne sont pas toujours prêts à travailler dans le format qu'implique l'université. C'est ainsi que les grandes entreprises informatiques viennent à la rescousse, en créant des écoles, en ouvrant des départements dans les universités, en organisant des cours pratiques et des stages, mais aussi en formant au sein de l'entreprise les diplômés d'hier au début du travail. En fin de compte, je vois personnellement la tâche d'une université non seulement et pas tant dans la mise sur le marché d'un spécialiste tout fait, mais dans le fait que l'enseignement supérieur doit donner à une personne un certain niveau culturel, intellectuel et émotionnel, sur lequel son la vie professionnelle dépend dans une large mesure plutôt que de la connaissance de technologies spécifiques.
Anna Voevodskaya, experte en apprentissage automatique chez Jet Infosystems
Il me semble que maintenant ils appliquent de plus en plus.apprentissage par renforcement. La décision d'apprendre, en interaction avec l'environnement, en utilisant des récompenses, des actions et des observations. AlphaGo est l’un des exemples les plus célèbres d’apprentissage par renforcement. De plus, de telles méthodes d’entraînement sont utilisées pour simuler les mouvements d’une personne (les dernières compétitions du NIPS étaient au sujet de RL), de machines et d’autres.
L’apprentissage automatique est la magie à son meilleur.sens. Des mathématiques assez complexes sont appliquées spécifiquement à vos données, une analyse approfondie est effectuée et une prévision très précise est émise rien que pour vous. Et chacun veut cette magie pour lui-même : ça rapporte de l'argent, et c'est bon pour son image - génial.
Quant à la surabondance du marché, je suis dans cetteJe ne crois pas Les bons spécialistes sont toujours difficiles à trouver. Par exemple, Java n'est pas apparu il y a deux ans, mais senior est toujours difficile à trouver dans cette région. Et une bonne base de données ressemble généralement à une licorne: il connaît et aime les maths, et kodit, et comprend les métriques commerciales et explique bien tout. Si nous avons une offre excédentaire de telles personnes à un moment donné dans le monde, ce sera bien. Mais c'est une sorte d'utopie.