Az adattudósok olyan adatelemzési szakértők, akik technikai készségekkel rendelkeznek az összetett megoldások megoldásához
Alexandra Murzina, géptanulásmérnök, fejlett technológiák csoportja, pozitív technológiák
Az egyik legígéretesebb technikaa gépi tanulás ma megerősítő tanulás. A StarCraft II-t megnyerő DeepMind rendszer egyébként erre épül. A tanulásnak, majd a használatnak ez a megközelítése valóban inkább az MI-re emlékeztet. Egy ilyen rendszer olyan környezetbe merül, amely válaszokat ad a cselekvésekre. Ez a módszer nagyon hasonlít ahhoz, ahogy te és én tanulunk, de néha évekbe telik, de itt lehetőség van arra, hogy jelentősen felgyorsítsuk a folyamatot a modellezés és a számítógépes teljesítmény révén.
Egy ilyen rendszer például gyorsan megtanuljaautót vezetni. Természetesen a kivételes helyzetekkel és a rendszer működésével kapcsolatos kérdések továbbra is fennállnak (a megoldandó feladatok korlátozása miatt). 2017 őszén a kapszuláris ideghálózatok nem csökkentették a zajt: akkoriban annyira beszéltek, mint egy forradalom a mély tanulás világában. Ma szinte elfelejtették őket nyilvánosan. A gyakorlatban még mindig nagyon népszerűek a buszok és a neurális hálózati architektúrák, amelyek már bizonyos problémák megoldásának szabványaként váltak. Ilyen például az objektumok felismerése a képekben vagy a képek osztályozása.
Elméletileg az AI, mint technológia, gyorsabb leszazok a területek, ahol egy személy munkája többnyire rutin cselekvésekből áll, vagy olyan területeken, ahol a döntéseket gyorsan, nagy mennyiségű adat alapján kell meghozni. Azaz, a szenzációs hírek arról, hogy 600 kereskedő helyett kétszáz programozó váltotta fel, könnyen válhat az automatizálás egyik rendes eseményévé. Ami a kiberbiztonsági iparágat illeti, az ilyen automatizálás valószínűleg például a vírusanalitika vagy a támadások felderítése terén van. Mellesleg a csapatunk olyan technológiával dolgozik, amely lehetővé teszi a gépi tanulást, hogy másodpercek alatt észlelje a webes alkalmazások támadásait.
A gyakorlatban olyan iparágak előrejelzése, amelyekben A.I.nagyarányú kereslet lesz teljes erővel, és a közeljövőben nehéz lesz, mivel használata sok társadalmi és jogi árnyalattal jár. Mondjuk, robotpilóta: technológiailag már teljesen lehetséges a normál repüléseket robotpilótákra átállítani, de hány utas bízná az életét egy repülőgépre, ha nem ül a vezérlőknél? Vagy mondjuk az orvostudomány - ezzel az iparággal kapcsolatban számos fejlesztés létezik az MI használatán, de a jogszabályi keretek szempontjából ezek nem használhatók ki maradéktalanul, és ma is koncepcionális szinten maradnak.
Igen, nagy a zaj az irány körül:ugyanakkor sok szakértő szívesebben beszél azonnal konkrét problémák megoldásáról, idő- és pénzmegtakarításról, a technológia használatától függően. A valóságban ezek a gondolatok a személyi kérdésben akadnak meg: ha néhány éve még programozóhiányról beszéltek, akkor mostanra semmi sem változott, csak az, hogy már nem csak például Java programozókra van szükségünk, hanem komplex mérnökökre is. aki képes megérteni és megoldani a problémát, beleértve a gépi tanulási módszereket is.
A piac túltelítettségének érzése a szakemberekkelA gépi tanulás inkább megtévesztő, mint valódi. Igen, sokan azt hiszik, hogy egy-két tanfolyam elvégzésével gyorsan elsajátíthatják ezt a területet, de ennek következtében a piac túltelített az irreleváns hátterű szakemberekkel. A gépi tanulás azonban a legtöbb esetben egy adott probléma hatékony megoldásának eszköze (jó, csak akkor, ha nem önmagáért csinálja), és a megfelelő eszköz kiválasztásához széleskörű szakértelemmel kell rendelkeznie egy adott területen ( esetünkben információbiztonság) .
A gépi tanulás története ma többEz hasonlít a fejlődési környezetben népszerű „arany kalapács” antipattern helyzetre, amelyben minden problémát megpróbálnak megoldani egyetlen (bár arany) kalapáccsal. Azok a gépi tanulási szakemberek, akik néhány kurzust befejeztek, százról száz esetben használják tapasztalataikat, anélkül, hogy megérthetnék, mikor szükség van egy másik eszközkészletre - egy újabb. Ezek közül a frissen sült szakemberek közül sokan nem fejlesztők, és nem léphetnek túl a Jupyter Notebook (egy népszerű eszköz a ML-ben) keretein belül, vagy más területeken nem rendelkeznek megfelelő ismeretekkel, ami nem teszi lehetővé számukra, hogy a konkrét problémák megoldásához bármelyik területen sikeresen használják a technológiát.
Alena Arykina, Sberbank PJSC adat-tudós
A gépi tanulásban kreatív rész van,a terület adataitól és ismereteitől, a fejlesztő intuíciójától és még sok mástól függően. És vannak olyan automatikus dolgok, ahol jobb paramétereket kell találni, és át kell írni egy régóta ismert kódot. A második rész, mint minden "mechanikus" folyamatban, az emberek mindent optimalizálnak, beleértve a gépi tanulást is. Ha a korábbi matematikusok a „manuális tanulásból” az automatikus könyvtárba költöztek az ilyen könyvtárak kerasaként, ma az ilyen optimalizálás példái könyvtárak lehetnek az adatállományok állapotának kezelésére, a képek és szövegek előfeldolgozására, akár az elemek jellemzőinek automatikus felismerésére. Az algoritmusok egyszerűek lehetnek (a szavak végét levágják) vagy komplexek (speciális neurális hálózatok kiépítése - autoencoderek, amelyek bármilyen adatot tömörítenek), de az ilyen képzési eszközök egy csoportja leggyakrabban meghatározza a végső modell minőségét, és ezáltal az adatgyűjtő készségeit.
A gépi tanulás végül később jön majdolyan területek, ahol a jogszabályok vagy az emberi bizalmatlanság lelassul: gyógyszer vagy autopilóttal rendelkező autó. Ezeken a területeken már hatalmas eredményeket látunk - más országokban is használják. De biztos vagyok benne, hogy ahhoz, hogy azokat velünk együtt valósítsuk meg és elérhetővé tegyük a hétköznapi emberek számára, több bürokratikus háborút kell nyernünk.
Az Data Science valóban nagyon érdekes. A második barátom IT szakembere már legalább a gépi tanulásról olvasott. Willy-nilly, aggódni kezd: nem lesz túl sok adatnyilvántartó? Ezenkívül most igyekeznek a gépi tanulást bármely informatikai projektben és bármilyen feladathoz használni, nem igazán elképzelni, hogy miért van szükség ilyen algoritmusokra - divatos. A HYIP továbbhalad, és az üres álláshelyek száma csökken. Másrészt a kérdés az, hogy azok, akik valóban szeretik a Data Science-t, továbbra is a szakmában maradnak, nem pedig a divat után.
Tatyana Savelyeva, a strukturálatlan adatcsoport vezetője, Yandex.Taxi, a tldr_arxiv telegram csatorna szerzője
Egyáltalán nem szeretem az „AI” szót, merttúl általános és ambiciózus, és gyakran arra készteti az embereket, hogy túlbecsüljék a technológia szintjét. Tudod, van egy ilyen vicc: „Hogyan lehet megkülönböztetni az ML-t az AI-tól? Az ML Pythonban, az AI pedig PowerPointban történik.”
Az első adattudományi trend a növekvőa témakör népszerűsége: a vállalatok egyre inkább felismerik, hogy nagy mennyiségű hasznos információ feldolgozása nélkül a jövőben nehéz lesz. Egy tendencia a gépi tanulás automatizálása felé mutat: ha 10 évvel ezelőtt minden módszert meg kellett írnia a munkavégzéshez, most már számos kényelmes, kész könyvtár létezik.
De a módszerek egyre könnyebbé válásávala jelenlegi eszközök egyre gyorsabban változnak – folyamatosan a pulzuson kell tartania az ujját. Egy tendencia a neurális hálózatok használata felé mutat: az ipari konferenciákon egyre több cikk jelenik meg az ilyen típusú algoritmusokkal kapcsolatban.
Így a géptanulás utolsóolyan területekre fog jönni, ahol kevés adat áll rendelkezésre, vagy ahol egyáltalán nem - például ilyen módon aligha jósolhatja meg az aszteroida esését, vagy a Hold és a Föld ütközésének idejét. Úgy tűnik, hogy a gépi tanulást nehéz megvalósítani a bürokratikus intézményekben - kormányzati szervekben, egészségügyi intézményekben.
Mindenesetre egy bizonyos ponton a piac megtesziAz induló megüresedett állásokra nagy számban lesznek jelentkezők - junior specialisták vagy gyakornokok, hiszen az ilyen munkakörben való elhelyezkedéshez szükséges ismeretek egyre hozzáférhetőbbé válnak. De nőni fog a kereslet a tapasztalt szakemberek iránt, akik már megvalósítottak ML projekteket, mivel ennek a tapasztalatnak a megszerzése sok időt és erőfeszítést igényel, és a gépi tanulási feladatok száma gyorsabban növekszik, mint azoknak, akiknek volt idejük és képes ilyen tapasztalatokat szerezni.
Emily Drahl, Data Analysis Analytics, Mechanica AI, Adatbányászat vezetője
A gépi tanulásban az egyik leginkábbfényes trendek az átmenet a segédtechnológiától való használatától a teljes automatizálásig. Ez leginkább az ipari termelés, a mezőgazdaság és az agrárgazdaság automatizálásában, valamint az intelligens város és az intelligens otthon fogalmának fejlesztésében nyilvánul meg.
Most gépi tanulási alkalmazásokmeglehetősen sokat, és ez a technológiai verem fejlődésének jelenlegi szintje, a terület megértésének szintje és számos megoldatlan etikai kérdés. Személyes top alkalmazásom az orvostudomány, a pszichológia és a pedagógia. Itt nem elsősorban a kiegészítő szolgáltatásokról van szó (ajánlási rendszerek a betegségek diagnosztizálására vagy interaktív rendszerekre), hanem a folyamatok teljes automatizálásáról az AI és ML segítségével.
Azt hiszem, az IT ipar ma más, merta technológiák nagyon dinamikusan fejlődnek, és ha abbahagyják a lépéseket e változásokkal, akkor nagyon kézzelfogható kockázatot jelent az igényelt szakértővé válás. Ez az egyik kevés olyan terület, ahol az egyetemi diplomások tapasztalattal nem rendelkezők versenyezhetnek tapasztalt szakemberekkel.
A dinamikus piacnak köszönhetően dolgozzon azok számára, akikFolyamatban marad a trendekkel, mindig lesz. De azok számára, akik nem állnak készen arra, hogy megtanulják az életüket, a nehéz kérdés továbbra is megoldásra vár: hogyan maradjon releváns. Itt segít a tapasztalatok, a szakmai kilátások és a kapcsolódó (vagy nem is!) Ismeretek ismeretében.
Jelenleg átalakulóban van az oktatás területekonceptuálisan és úgymond nemcsak iskolásokkal, hallgatókkal, hanem munkatapasztalattal rendelkező felnőtt szakemberekkel is szembesül, megfelelő végzettséggel, elegendő idővel és megfelelő szintű kitartással jelentős anyagi ráfordítás nélkül képes átképezni magát, ill. legalább egy interjút teljesíteni az adatelemzés kezdő szintű pozíciójához. Ez az online tanfolyamok egyik célja.
Ha már az egyetemekről beszélünk, akkor a legtöbbszámos nehézséget tapasztal a jelenlegi műszaki tudományok oktatása során: a technológiák nagyon gyorsan változnak, gyakorló szakembereket kell vonzani, és nem mindig állnak készen az egyetem által megkövetelt formátumban dolgozni. Így jönnek a segítségére vezető informatikai cégek, amelyek iskolákat hoznak létre, tanszékeket nyitnak az egyetemeken, gyakorlati kurzusokat és szakmai gyakorlatokat tartanak, és a tegnapi diplomásokat is kiképezik a cégen belül a munka megkezdésekor. Végső soron én személy szerint egy egyetem feladatát nem csak és nem annyira abban látom, hogy egy kész szakembert engedjen a piacra, hanem abban, hogy a felsőoktatás egy bizonyos kulturális, intellektuális és érzelmi szintet adjon az embernek, amelyen a szakmai élet nagymértékben függ, nem pedig a konkrét technológiák ismeretétől.
Anna Voevodskaya, gépi tanulási szakértő, Jet Infosystems
Számomra úgy tűnik, hogy most egyre többet alkalmaznak.megerősítő tanulás. A döntés, hogy tanuljanak, kölcsönhatásba kerülnek a környezettel, jutalmak, akciók és megfigyelések segítségével. Az erősítő tanulás egyik legismertebb példája az AlphaGo. Ezenkívül az ilyen képzési módszereket használják egy személy mozgásának szimulálására (az utolsó versenyek a NIPS-en RL-re vonatkoztak), gépek és más.
A gépi tanulás varázslat a javából.érzék. Meglehetősen összetett matematikát alkalmaznak kifejezetten az Ön adataira, mélyreható elemzést végeznek, és nagyon pontos előrejelzést készítenek Önnek. És mindenki magának akarja ezt a varázslatot: pénzt keres, és jót tesz az imázsának - nagyszerű.
Ami a piacot illeti, ebben vagyokNem hiszem. A jó szakembereket mindig nehéz megtalálni. Például a Java nem jelent meg két évvel ezelőtt, de az idősebbeket még mindig nehéz megtalálni ezen a területen. És egy jó adatszóró általában egyszarvú: ismeri és szereti a matematikát és a koditot, és megérti az üzleti metrikákat, és mindent jól megmagyaráz. Ha egy ilyen ember túlkínálata van a világ bármely pontján, akkor szép lesz. De ez egyfajta utópia.