Znanstvenici za podatke stručnjaci su za analizu podataka koji imaju tehničke vještine za rješavanje složenih problema
Alexandra Murzina, Inženjer strojnog učenja, Grupa naprednih tehnologija, Pozitivne tehnologije
Jedna od tehnika koje najviše obećavaju ustrojno učenje je sada učenje potkrepljenjem. Usput, na njemu se temelji sustav DeepMind koji je osvojio StarCraft II. Ovakav pristup učenju, a onda i korištenju, doista više podsjeća na AI. Takav sustav je uronjen u okolinu koja mu daje odgovore na akcije. Ova metoda je vrlo slična onoj koju vi i ja učimo, ali ponekad su nam potrebne godine, ali ovdje postoji prilika da značajno ubrzamo proces kroz modeliranje i snagu računala.
Na primjer, takav će sustav brzo naučiti "dobro"voziti auto. Naravno, ostat će pitanja vezana uz iznimne situacije i rad sustava u njihovim uvjetima (zbog ograničenja zadataka koje rješava). U jesen 2017., kapsularne neuronske mreže nisu uzrokovale manje buke: tada su govorili o revoluciji u svijetu dubokog učenja. Danas su ih gotovo zaboravili u javnosti. U praksi su još uvijek vrlo popularne arhitekture businga i neuronskih mreža, koje su već postale standard za rješavanje određenih problema. Takva, na primjer, kao otkrivanje objekata u slikama ili klasifikaciji slika.
Teoretski, AI kao tehnologija će brže doćipodručja u kojima se rad osobe sastoji uglavnom od rutinskih radnji, ili u područjima gdje se odluke trebaju brzo donijeti na temelju velike količine podataka. To jest, senzacionalna vijest o tome kako je 600 trgovaca zamijenjeno dvjesto programera lako može postati jedan od uobičajenih događaja u području automatizacije. Što se tiče industrije kibernetičke sigurnosti, takva automatizacija je vjerojatno, na primjer, u području analitike virusa ili otkrivanja napada. Usput, naš tim radi na tehnologiji koja omogućuje strojno učenje za otkrivanje napada na web aplikacije u sekundi.
U praksi, predviđanje industrija u kojima A.I.bit će u velikoj potražnji u punoj snazi iu bliskoj budućnosti to će biti teško, budući da je njegova uporaba povezana s puno društvenih i pravnih nijansi. Recimo, autopilot: tehnološki je već sasvim moguće standardne letove prebaciti na autopilote, ali koliko bi putnika povjerilo svoje živote zrakoplovu bez osobe koja sjedi za komandama? Ili, recimo, medicina - postoji mnogo razvoja koji se temelje na korištenju umjetne inteligencije u odnosu na ovu industriju, ali sa stajališta zakonodavnog okvira oni se ne mogu iskoristiti u potpunosti i danas ostaju na konceptualnoj razini.
Da, puno je buke oko smjera:U isto vrijeme, mnogi stručnjaci radije odmah govore o rješavanju specifičnih problema, štedeći vrijeme i novac, ovisno o korištenju tehnologije. U stvarnosti se te ideje spotiču oko kadrovskog pitanja: ako se prije nekoliko godina govorilo o nedostatku programera, sada se ništa nije promijenilo, osim što sada više ne trebaju samo npr. Java programeri, nego i kompleksni inženjeri, koji mogu razumjeti i riješiti problem, uključujući korištenje metoda strojnog učenja.
Osjećaj prezasićenosti tržišta stručnjacimastrojno učenje je više varljivo nego stvarno. Da, mnogi ljudi misle da mogu brzo naučiti ovo područje pohađanjem nekoliko tečajeva, ali kao rezultat toga, tržište je prezasićeno stručnjacima s nebitnim iskustvom. Međutim, strojno učenje je u većini slučajeva alat za učinkovito rješavanje određenog problema (dobro, samo ako to ne radite radi njega samog) i da biste odabrali pravi alat morate imati veliku ekspertizu u određenom području ( u našem slučaju informacijska sigurnost) .
Povijest strojnog učenja danas je višeOn podsjeća na situaciju s antipatternom “zlatnim čekićem” popularnom u razvojnom okruženju u kojem se svaki problem pokušava riješiti uz pomoć jednog (iako zlatnog) čekića. Stručnjaci za strojno učenje koji su završili nekoliko tečajeva primjenjuju svoja iskustva u stotinu slučajeva od stotinu, a da nisu u stanju razumjeti kada je potreban još jedan alat - još jedan. Mnogi od ovih svježe pečenih stručnjaka nisu programeri i ne mogu ići izvan okvira Jupyter Notebooka (popularnog alata u ML-u), ili im nedostaje odgovarajuće znanje u drugim područjima, što im ne dopušta da uspješno koriste tehnologiju u bilo kojem području za rješavanje specifičnih problema.
Alena Arykina, Data Scientist Sberbank PJSC
U strojnom učenju postoji kreativni dio,ovisno o podacima i poznavanju terena, o intuiciji developera i još mnogo toga. A tu su i automatske stvari, gdje morate pronaći bolje parametre i prepisati dugo poznati kod. Drugi dio, kao iu svakom "mehaničkom" procesu, ljudi nastoje optimizirati sve, uključujući i strojno učenje. Ako su ranije matematičari prešli s "ručnog učenja" na automatsko na temelju takvih knjižnica kao keras, danas primjeri takvih optimizacija mogu poslužiti kao knjižnice za upravljanje stanjem skupova podataka, pretprocesiranjem slika i tekstova, pa čak i automatskim otkrivanjem značajki elemenata. Algoritmi mogu biti jednostavni (odsječeni završetci riječi) ili složeni (graditi posebne neuronske mreže - auto-koderi koji komprimiraju podatke na bilo koju veličinu), ali skup takvih alata za vježbanje najčešće određuje kvalitetu konačnog modela, a time i vještine datassentista.
Strojno učenje će na kraju doći kasnijepodručja u kojima će se usporiti zakonodavstvom ili ljudskim nepovjerenjem: lijek ili automobil s autopilotom. Već vidimo ogromna postignuća na tim područjima - oni se koriste u drugim zemljama. Ali siguran sam da ćemo, da bismo ih proveli s nama i učinili ih dostupnim običnim ljudima, morati osvojiti više od jednog birokratskog rata.
Znanost o podacima je jako zanimljiva. Svaki drugi moj IT stručnjak već je barem čitao o strojnom učenju. Nevoljko, počnete se brinuti: neće li biti previše podatkovnih stručnjaka? Osim toga, sada pokušavaju koristiti strojno učenje u bilo kojem IT projektu i za bilo kakve zadatke, zapravo ne zamišljajući zašto su ti algoritmi tamo potrebni - to je moderno. HYIP će proći i broj slobodnih radnih mjesta će se smanjiti. S druge strane, pitanje je hoće li oni koji zaista vole Data Science ostati u struci, a ne potjerati za modom.
Tatyana Savelyeva, voditeljica nestrukturirane grupe podataka, Yandex.Taxi, autor telegramskog kanala tldr_arxiv
Uopće mi se zapravo ne sviđa riječ "AI", jerpreopćenit je i ambiciozan i često navodi ljude da precjenjuju razinu tehnologije. Znate, postoji takav vic: “Kako razlikovati ML od AI? ML se radi u Pythonu, a AI u PowerPointu.”
Prvi trend Data Science je u porastupopularnost predmetnog područja: tvrtke sve više shvaćaju da će bez obrade velike količine korisnih informacija u budućnosti biti teško. Postoji trend prema automatizaciji strojnog učenja: ako ste prije 10 godina morali sami napisati sve metode za rad, sada postoji mnogo praktičnih gotovih biblioteka.
Ali sa sve većom lakoćom korištenja metodaTrenutačni alati se sve brže mijenjaju - morate stalno držati prst na pulsu. Postoji trend prema korištenju neuronskih mreža: industrijske konferencije objavljuju sve više članaka vezanih uz ovu vrstu algoritama.
Tako je strojno učenje posljednjedoći će na područja gdje ima malo podataka ili gdje ih uopće nema - na primjer, na taj način teško možete predvidjeti mjesto pada asteroida ili vrijeme sudara Mjeseca sa Zemljom. Čini se da je strojno učenje teško provoditi u birokratskim institucijama - vladinim agencijama, zdravstvenim ustanovama.
U svakom slučaju, tržište će u jednom trenutkuZa početna radna mjesta - specijalizanata ili pripravnika bit će velik broj prijavljenih jer su znanja potrebna za zapošljavanje na takvom radnom mjestu sve dostupnija. Ali potražnja za iskusnim stručnjacima koji su već implementirali ML projekte će rasti, budući da je potrebno puno vremena i truda da se stekne ovo iskustvo, a broj zadataka strojnog učenja raste brže od broja ljudi koji su imali vremena i bili sposobni steći takvo iskustvo.
Emily Drahl, analitika analize podataka, Mechanica AI, voditelj Data Mining u akciji
U strojnom učenju jedan od najvažnijihsvijetle trendove je prijelaz iz njegove uporabe kao pomoćne tehnologije u punu automatizaciju na temelju njega. To se najjasnije očituje u automatizaciji industrijske proizvodnje, poljoprivrede i agrobiznisa, kao iu razvoju koncepta pametnog grada i pametnog doma.
Sada aplikacije za strojno učenjedosta je i to je zbog trenutne razine razvoja tehnološkog stogova, razine našeg razumijevanja područja i niza neriješenih etičkih pitanja. Moja osobna primjena je medicina, psihologija i pedagogija. Ovdje se ne radi prije svega o pomoćnim uslugama (sustavima preporuka za dijagnosticiranje bolesti ili interaktivnim sustavima), nego o potpunoj automatizaciji procesa kroz AI i ML.
Mislim da je IT industrija danas drugačija jerTehnologije se razvijaju vrlo dinamično i ako prestaneš držati korak s tim promjenama, postoji vrlo opipljiv rizik da postaneš nezaštićeni stručnjak. Ovo je jedno od rijetkih područja gdje se diplomirani studenti bez iskustva mogu natjecati s iskusnim profesionalcima.
Zahvaljujući dinamičnom tržištu, radite za one kojiPrati trendove, uvijek će biti. Ali za one koji nisu spremni učiti cijeli svoj život, teško je pitanje koje treba riješiti: kako ostati relevantno. Ovdje će vam pomoći iskustvo, profesionalni izgled i znanje o srodnim (ili ne tako!) Područjima djelovanja.
Područje obrazovanja trenutno se mijenjakonceptualno i, da tako kažemo, ne samo školarcima i studentima, već i odraslim stručnjacima s radnim iskustvom Uz odgovarajuće obrazovanje u prošlosti, dovoljno vremena i odgovarajuću razinu upornosti, možete se prekvalificirati bez značajnih financijskih ulaganja i. proći minimalno intervju za početnu poziciju u analizi podataka. To je jedan od ciljeva online tečajeva.
Ako govorimo o sveučilištima, većina njihdoživljava brojne poteškoće u podučavanju aktualnih tehničkih disciplina: tehnologije se vrlo brzo mijenjaju, potrebno je privući praktične stručnjake, a oni nisu uvijek spremni raditi u formatu koji sveučilište podrazumijeva. Tako vodeće IT tvrtke dolaze u pomoć, stvaraju škole, otvaraju odjele na sveučilištima, provode praktične tečajeve i stažiranje, a također obučavaju jučerašnje diplomante unutar tvrtke na početku rada. U konačnici, ja osobno ne vidim zadaću sveučilišta samo i ne toliko u puštanju gotovog stručnjaka na tržište, već u činjenici da visoko obrazovanje čovjeku treba dati određenu kulturnu, intelektualnu i emocionalnu razinu na kojoj će profesionalni život ovisi u velikoj mjeri, a ne o poznavanju specifičnih tehnologija.
Anna Voevodskaya, stručnjak za strojno učenje, Jet Infosystems
Čini mi se da sada primjenjuju sve više i više.učenje učvršćivanja. Odluka o učenju, interakciji s okolinom, korištenjem nagrada, akcija i opažanja. Jedan od najpoznatijih primjera učenja pojačanja je AlphaGo. Također, takve metode treninga koriste se za simulaciju kretanja osobe (posljednja natjecanja na NIPS-u bila su oko RL), strojeva i drugo.
Strojno učenje je magija u svom najboljem izdanju.osjećaj. Prilično složena matematika primjenjuje se posebno na vaše podatke, radi se dubinska analiza i izdaje se vrlo točna prognoza samo za vas. I svatko želi ovu magiju za sebe: donosi novac i dobra je za njihov imidž - super.
Što se tiče prezasićenosti tržišta, ja sam u ovomeNe vjerujem. Dobre stručnjake je uvijek teško pronaći. Na primjer, Java se nije pojavila prije dvije godine, ali je stariji još uvijek teško naći u ovom području. A dobar datasaytnist je općenito kao jednorog: on zna i voli matematiku, i kodit, i razumije poslovne metrike, i sve dobro objašnjava. Ako imamo preveliku ponudu takvih ljudi u nekom trenutku u svijetu, to će biti lijepo. Ali to je neka vrsta utopije.