איך להפוך למומחה בלמידת מכונה ובינה מלאכותית. הסבר על ידי אדם שלמד את זה מאפס

איך ללמוד למידת מכונה

- מה הרקע שלך, מה עשית לפני למידת מכונה? אֵיך

התעניינת והתחלת ללמוד את התחום הזה?

- אני מנהל את עסקי השירות של סטיטכנולוגיות. אנו מספקים ללקוחותינו פתרונות המבוססים על למידת מכונה ובינה מלאכותית. במהלך השנתיים האחרונות, עבדנו עם כמה מחברות Fortune 500 הגדולות ביותר.

תמיד הייתי מוקסם מנתונים.זה קבע את הבחירה שלי – לאחר מכן התחלתי לחפש ידע, מיומנויות וניסיון בתחום למידת מכונה באמצעות למידה מבוססת פרויקטים. זה נתן לי את ההזדמנות להפוך למומחה למידת מכונה ב-Education Ecosystem, אקולוגית למידה מבוזרת שמלמדת אנשי מקצוע וסטודנטים לבנות מוצרים אמיתיים.

"אם נתונים, אוטומציה ואלגוריתמים מעניינים, אז למידת מכונה היא בחירה רווחית בקריירה"

איך אנשים מתחילים ללמוד למידת מכונה? האם זה לא תחום שבו נדרש ידע בסיסי ושנים רבות של חינוך?

- ידע בסיסי בתחוםתכנות הם יתרון נוסף, אחרת עקומת הלמידה תהיה תלולה מדי. למידת מכונה היא גם המרכיב העיקרי בתחומים המתפתחים במהירות הגבוהה ביותר - Big Data, Predictive Analytics, Data Mining וסטטיסטיקה חישובית.

אם נתונים, אוטומציה ואלגוריתמים מתקשריםעניין, אז למידת מכונה היא בחירת קריירה רווחית. נטילת תוכנית או קורס מובנית היא אחת הדרכים הטובות ביותר ללמוד למידת מכונה מאפס. הביקוש הרב בענף זה הביא למאות קורסים פנים אל פנים ומקוונים.

— מה אתה יכול לייעץ למפתחים ואנליסטים שרוצים להתפתח בתחום זה?

- למידת מכונה יש פוטנציאל לעשותיישומים חזקים יותר ומגיבים יותר לצרכי המשתמש. מפתחים שרוצים ליישם למידת מכונה באפליקציות צריכים לדעת כמה דברים מרכזיים שיעזרו להם להצליח:

• ככל שלאלגוריתם יש יותר נתונים, כך הוא הופך מדויק יותר, לכן הימנעו מדגימת משנה במידת האפשר.

• בחירת שיטת למידת המכונה הטובה ביותר לבעיה היא המפתח וקובעת לרוב הצלחה או כישלון.

• מודלים של למידת מכונה יכולים להיות טובים רק כאשר הנתונים טובים.

• להבנת תכונות הנתונים ושיפורן (על ידי יצירת תכונות חדשות והסרת קיימות) יש השפעה גדולה על יכולת הניבוי.

- איפה אפשר ללמוד את זה? אולי בקורסים או בבתי ספר?

- למרבה המזל, היום יש הרבה פלטפורמותלמידה מקוונת כמו מערכת החינוך האקולוגית שבה אתה יכול ללמוד מושגים שונים של למידת מכונה ואינטליגנציה מלאכותית. ב-Education Ecosystem תוכלו ללמוד ממפתחים מומחים באמצעות פרויקטים הכוללים הדרכות ומשאבי פרויקטים. לדוגמה, יצרתי מספר פרויקטים כמו זה:

• אחזור תמונה לפי דמיון באמצעות Tensorflow ו-Keras

• העברת סגנון עצבי באמצעות Keras ו- Tensorflow

• כיצד לבצע זיהוי פנים באמצעות OpenCV Haar Cascades

איזה עסק צריך ואיזה לא צריך AI

- איך "מוכרים" בינה מלאכותית ולמידת מכונה לחברות וכיצד הן משפרים את עבודתן? למה אתה חושב שהעסקים הפכו מדעיים יותר?

- אלגוריתמי למידת מכונה יכולים שוב ושובללמוד על סמך מערך הנתונים שסופק, להבין דפוסים, התנהגות. תהליך זה הוא איטרטיבי ומשתפר כל הזמן, מה שעוזר לחברות להשתנות כל הזמן כדי לענות על הצרכים של העסק והלקוחות.

"אלגוריתמים של למידת מכונה יכולים ללמוד באופן איטרטיבי מקבוצת נתונים נתונה"

לאיזה חברות זה יתאים והאם לא? אילו בעיות ניתן לפתור בעזרתם?

- יותר מכל, למידת מכונה נחוצה לעסק,העוסקת בסיווג תמונות, ניתוח טקסט או דוגמנות חזויה. עבור סוגים אחרים של עסקים, ניתן לאמן אלגוריתמים להמליץ ​​על משהו למשתמש, לאסוף נתונים, להשתמש בלמידה עמוקה וברשתות עצביות. בתעשיית השירותים, ניתן לאמן אלגוריתמים כמו מנהל דלפק עזרה באמצעות עיבוד שפה טבעית המבוססת על תלונות נפוצות של לקוחות.

— באזור הזה, משהו חדש מופיע כמעט בכל יום. איך לעקוב אחר המתרחש, למה לשים לב במיוחד?

- דו"ח של Indeed לאחרונה מצא כי משרות פנויותמהנדסי למידת מכונה מקדימים את כולם בשכר, ביקוש וצמיחה. המסמך גם ציין שהביקוש למהנדסי למידת מכונה גדל ב-344%. 

התחום הזה כל כך חשוב בגלל שהואמאפשר לעסקים לראות מגמות בהתנהגות לקוחות ודפוסי תפעול עסקיים, מקדם פיתוח מוצרים חדשים. רבות מהחברות המובילות כמו פייסבוק, גוגל ואובר הופכות למידת מכונה לחלק מרכזי בפעילותן. פיתוח מקצועי מתמיד יעזור לאנשי מקצוע לנצל את הביקוש הגבוה וההיצע הנמוך בענף זה.

- למידת מכונה משמשת לעתים קרובות בניתוח ביג דאטה. אילו מוצרים פורצי דרך יופיעו כאן?

ביג דאטה הפך חשוב כמו רביםארגונים, ציבוריים ופרטיים כאחד, אוספים כמויות עצומות של מידע בתחומים ספציפיים. מיזוג למידת מכונה וביג דאטה הוא תהליך בלתי נגמר. נראה כיצד אלגוריתמי למידת מכונה מיושמים בכל מרכיב בעבודה עם ביג דאטה, כולל פילוח, ניתוח נתונים ומידול.

- אילו נישות שוק חופשי קשורות לפיתוח למידת מכונה ובינה מלאכותית?

- בינה מלאכותית היא פריצת דרךהטכנולוגיה העדכנית. ישנם תחומי נישה רבים שבהם AI משפיע באופן משמעותי. יש עוד אפליקציות נישה שאינן מכוסות בתקשורת, אבל הן נמצאות בפרסומים מדעיים. בשנים הקרובות הם יזכו להתפתחות הגדולה ביותר, אלו הם חינוך, בנייה ותכנון, בידור ואנליטיקס ספורט.

— איך אתה רואה את ההתפתחות של למידת מכונה? איך זה יכול לעזור לאנשים, עסקים, מדינות?

- למידת מכונה עוזרת לעסקיםהשתמש בתחזוקה מונעת כדי להפחית תקלות בציוד ולהגדיל את הרווחים. ככל שהביקוש ליכולות עיבוד נתונים גדולות ומורכבות גדל, למידת מכונה תעזור לעסקים להשתמש בנתוני צרכנים כדי לבנות פרופילי לקוחות שימושיים, להגדיל מכירות ולבנות נאמנות למותג.

למידת מכונה רק מתחילה להתפתח. כל הדברים המעניינים ביותר לפנינו

מהן התפיסות השגויות הגדולות ביותר לגבי ביג דאטה ולמידת מכונה?

- התפיסה המוטעית הגדולה ביותר היאשמודלים של למידת מכונה יכולים לפתור את כל הבעיות של העולם הזה. אחד הציטוטים המפורסמים ביותר על למידת מכונה מגיע מדייב ווטרס: "תינוק לומד לזחול, ללכת ואז לרוץ. בתחום למידת מכונה, אנחנו בשלב הזחילה”.

בתהליך של למידת מכונה תמיד יהיהאדם מעורב. אבל יש כאן אזהרה. בעזרת אלגוריתמים משופרים, נוכל לבטל את המעורבות האנושית לחלוטין לאחר אימון מודל למידת מכונה ספציפי.

- לא כולם מתעדכנים בפריצות דרך בתחום הזה - למה כדאי לשים לב?

- הפיתוחים האחרונים בתחום המכונותהלמידה היום היא למידת מכונה אוטומטית (AutoML), ניהול תפעול למידת מכונה (MLOps), למידת מכונה ללא קוד ופיתוח למידת מכונה בקוד נמוך. אלו תפיסות שיובילו לפרויקטים מבטיחים מאוד בשנים הקרובות.

- מהן הבעיות בטווח הקצר והארוך של ML? מה לגבי הטיית מפתחים, כוונות רעות וסטנדרטים אתיים שלא ניתן לרשום ולנסח בצורה פורמלית?

- האתגרים הגדולים ביותר בלמידת מכונה -זה חוסר במשאבים מוסמכים, חוסר בנתונים איכותיים והבנה של אילו תהליכים צריכים להיות אוטומטיים. עד שיהיו לנו נתונים נקיים ומהימנים, אנשי מקצוע למידת מכונה ימשיכו להתמודד עם אתגרים בפיתוח אלגוריתמים ומערכות העונים על הצרכים המדויקים שלשמו הם נוצרו.

- מתי ובאיזה אזור תראה את עצמה הבינה המלאכותית בצורה המעניינת ביותר?

- בינה מלאכותית מעצבת את העתידהאנושות כמעט בכל המגזרים. זה כבר מניע מרכזי של טכנולוגיות מתפתחות כמו ביג דאטה, רובוטיקה ו-IoT, והוא ימשיך להיות חדשן טכנולוגי בעתיד הנראה לעין. כיום, קשה לבחור תחום ספציפי אחד, בהתחשב בכך שכל התעשיות כיום עובדות עם כמויות גדולות של נתונים ויש להן צרכי אוטומציה שונים.

קרא עוד:

ארכיאולוגים אישרו רשמית את האגדות מהתנ"ך

נמצא קברה של "הכוהנת" של אפרודיטה: מדענים הראו מה הם מצאו שם

מדענים ראו מה נמצא בשטח בירת המאיה. הממצא הפתיע אותם.