Kako naučiti strojno učenje
— Koje je vaše iskustvo, što ste radili prije strojnog učenja? Kako
— Vodim Sethijev uslužni posaotehnologije. Našim klijentima pružamo rješenja temeljena na strojnom učenju i umjetnoj inteligenciji. Tijekom protekle dvije godine surađivali smo s nekim od najvećih Fortune 500 kompanija.
Oduvijek su me fascinirali podaci.To je presudilo mom izboru – nakon toga sam počeo tražiti znanja, vještine i iskustvo u području strojnog učenja kroz projektno učenje. To mi je dalo priliku da postanem stručnjak za strojno učenje u obrazovnom ekosustavu, decentraliziranom ekosustavu učenja koji podučava stručnjake i studente izradi pravih proizvoda.
"Ako su podaci, automatizacija i algoritmi od interesa, onda je strojno učenje isplativ izbor karijere"
Kako ljudi počinju učiti strojno učenje? Nije li ovo područje gdje su potrebna temeljna znanja i višegodišnje obrazovanje?
— Temeljno znanje iz područjaprogramiranje je dodatna prednost, inače će krivulja učenja biti prestrma. Strojno učenje također je glavna komponenta područja koja se najbrže razvijaju – Big Data, Prediktivna analitika, Data Mining i Računalna statistika.
Ako podaci, automatizacija i algoritmi zovuinteresa, tada je strojno učenje isplativ izbor karijere. Pohađanje strukturiranog programa ili tečaja jedan je od najboljih načina za učenje strojnog učenja od nule. Velika potražnja u ovoj industriji rezultirala je stotinama tečajeva licem u lice i online tečajeva.
— Što možete savjetovati programerima i analitičarima koji se žele razvijati u ovom području?
– Strojno učenje ima potencijal za uspjehaplikacije snažnije i osjetljivije na potrebe korisnika. Programeri koji žele implementirati strojno učenje u aplikacije trebaju znati nekoliko ključnih stvari koje će im pomoći u uspjehu:
- Što više podataka algoritam ima, to je točniji, stoga izbjegavajte poduzorkovanje kad god je to moguće.
- Odabir najbolje metode strojnog učenja za problem je ključan i često određuje uspjeh ili neuspjeh.
- Modeli strojnog učenja mogu biti dobri samo ako su podaci dobri.
- Razumijevanje značajki podataka i njihovo poboljšanje (stvaranjem novih i uklanjanjem postojećih) ima velik utjecaj na predvidljivost.
- Gdje se to može naučiti? Možda na tečajevima ili školama?
— Srećom, danas postoji mnogo platformionline učenje kao što je Education Ecosystem gdje možete naučiti različite koncepte strojnog učenja i umjetne inteligencije. U Obrazovnom ekosustavu možete učiti od stručnih programera kroz projekte koji uključuju poduke i projektne resurse. Na primjer, napravio sam nekoliko ovakvih projekata:
- Dohvaćanje slike prema sličnosti pomoću Tensorflowa i Kerasa
- Prijenos neuralnog stila pomoću Kerasa i Tensorflowa
- Kako napraviti prepoznavanje lica pomoću OpenCV Haar Cascades
Koji posao treba, a koji ne treba AI
— Kako „prodati“ AI i strojno učenje tvrtkama i kako one poboljšavaju svoj rad? Što mislite, zašto je poslovanje postalo više znanstveno?
— Algoritmi strojnog učenja mogu više putaučiti na temelju dobivenog skupa podataka, razumjeti obrasce, ponašanje. Ovaj proces je iterativan i stalno se poboljšava, što pomaže tvrtkama da se stalno mijenjaju kako bi zadovoljile potrebe poslovanja i kupaca.
"Algoritmi strojnog učenja mogu iterativno učiti iz zadanog skupa podataka"
Kojim tvrtkama će to odgovarati, a kojim neće? Koji se problemi mogu riješiti uz njihovu pomoć?
— Strojno učenje prije svega treba poslovanju,koji se bavi klasifikacijom slika, raščlanjivanjem teksta ili prediktivnim modeliranjem. Za druge vrste poslovanja, algoritmi se mogu osposobiti da nešto preporuče korisniku, prikupljaju podatke, koriste duboko učenje i neuronske mreže. U uslužnoj industriji, algoritmi se mogu uvježbati poput voditelja službe za pomoć putem obrade prirodnog jezika na temelju uobičajenih pritužbi korisnika.
— Na ovim prostorima se gotovo svaki dan pojavi nešto novo. Kako pratiti što se događa, na što obratiti posebnu pozornost?
— Nedavno izvješće Indeeda pokazalo je da otvaranje radnih mjestaInženjeri strojnog učenja ispred su svih ostalih po plaćama, potražnji i rastu. U dokumentu se također navodi da je potražnja za inženjerima strojnog učenja porasla za 344%.
Ovo je područje toliko važno jeromogućuje poduzećima da vide trendove u ponašanju kupaca i obrascima poslovanja, promiče razvoj novih proizvoda. Mnoge vodeće tvrtke poput Facebooka, Googlea i Ubera čine strojno učenje središnjim dijelom svojih operacija. Stalno stručno usavršavanje pomoći će stručnjacima da iskoriste veliku potražnju i nisku ponudu u ovoj industriji.
— Strojno učenje često se koristi u analizi velikih podataka. Koji će se revolucionarni proizvodi ovdje pojaviti?
Veliki podaci postali su važni kao i mnogi drugiorganizacije, javne i privatne, prikupljaju ogromne količine informacija u određenim područjima. Spajanje strojnog učenja i velikih podataka proces je koji nema kraja. Vidjet ćemo kako se algoritmi strojnog učenja primjenjuju na svaki element rada s velikim podacima, uključujući segmentaciju, analizu podataka i modeliranje.
— Koje su tržišne niše povezane s razvojem strojnog učenja i umjetne inteligencije?
- Umjetna inteligencija je iskoraknovija tehnologija. Postoje mnoga područja u kojima AI ima značajan utjecaj. Postoje i druge nišne primjene koje nisu popraćene u medijima, ali ih ima u znanstvenim publikacijama. U nadolazećim godinama oni će dobiti najveći razvoj, a to su obrazovanje, građevinarstvo i planiranje, zabava i sportska analitika.
— Kako vidite razvoj strojnog učenja? Kako može pomoći ljudima, poduzećima, državi?
— Strojno učenje pomaže poduzećimakoristite preventivno održavanje kako biste smanjili kvarove opreme i povećali profit. Kako raste potražnja za velikim i složenim mogućnostima obrade podataka, strojno učenje će pomoći tvrtkama da koriste podatke o potrošačima za izradu korisnih profila kupaca, povećanje prodaje i izgradnju lojalnosti brendu.
Strojno učenje se tek počinje razvijati. Sve najzanimljivije stvari su pred nama
Koje su najveće zablude o velikim podacima i strojnom učenju?
- Najveća zabluda jeda modeli strojnog učenja mogu riješiti sve probleme ovoga svijeta. Jedan od najpoznatijih citata o strojnom učenju dolazi od Davea Watersa: „Beba uči puzati, hodati i zatim trčati. U području strojnog učenja mi smo u fazi puzanja.”
U procesu strojnog učenja uvijek će ih bitiuključena osoba. Ali ovdje postoji ograda. S poboljšanim algoritmima, moći ćemo potpuno eliminirati ljudsku uključenost nakon obuke određenog modela strojnog učenja.
- Ne idu svi u korak s prodorima u ovom području - na što trebamo obratiti pozornost?
— Najnovija dostignuća u području strojevaučenje danas je automatizirano strojno učenje (AutoML), upravljanje operacionalizacijom strojnog učenja (MLOps), strojno učenje bez kodiranja i razvoj strojnog učenja s niskim kodiranjem. To su koncepti koji će dovesti do vrlo obećavajućih projekata u nadolazećim godinama.
— Koji su kratkoročni i dugoročni problemi pranja novca? Što je s pristranošću programera, lošim namjerama i etičkim standardima koji se ne mogu zapisati i formalizirati?
— Najveći izazovi u strojnom učenju —to je nedostatak kvalificiranih resursa, nedostatak kvalitetnih podataka i razumijevanja procesa koje je potrebno automatizirati. Sve dok ne budemo imali čiste i pouzdane podatke, stručnjaci za strojno učenje i dalje će se suočavati s izazovima u razvoju algoritama i sustava koji zadovoljavaju točne potrebe za koje su stvoreni.
- Kada će se i na kojem području umjetna inteligencija najzanimljivije pokazati?
— Umjetna inteligencija oblikuje budućnostčovječanstvo u gotovo svim sektorima. Već je glavni pokretač tehnologija u nastajanju kao što su veliki podaci, robotika i internet stvari, a nastavit će biti tehnološki inovator u doglednoj budućnosti. Danas je teško odabrati jedno specifično područje, s obzirom da sve industrije danas rade s velikim količinama podataka i imaju različite potrebe za automatizacijom.
Čitaj više:
Arheolozi su službeno potvrdili legende iz Biblije
Pronađen grob "svećenice" Afrodite: znanstvenici pokazali što su tamo pronašli
Znanstvenici su vidjeli što se nalazi na području prijestolnice Maja. Nalaz ih je iznenadio.