מדעני נתונים הם מומחי ניתוח נתונים בעלי הכישורים הטכניים לפתור מורכבים
אלכסנדרה מרזינה, מהנדס מכונות, קבוצת טכנולוגיות מתקדמות, טכנולוגיות חיוביות
אחת הטכניקות המבטיחות ביותר בלמידת מכונה היא כעת למידת חיזוק. אגב, מערכת DeepMind שזכתה ב-StarCraft II מבוססת עליה. הגישה הזו ללמידה, ולאחר מכן לשימוש, באמת מזכירה יותר AI. מערכת כזו שקועה בסביבה שנותנת לה תגובות לפעולות. השיטה הזו מאוד דומה לאופן שבו אתה ואני לומדים, אבל לפעמים לוקח לנו שנים, אבל כאן יש הזדמנות לזרז משמעותית את התהליך באמצעות מידול וכוח מחשב.
לדוגמה, מערכת כזו יהיה ללמוד במהירות "טובלנהוג במכונית. כמובן, יישארו נושאים הקשורים למצבים יוצאי דופן ולפעולת המערכת בתנאים שלהם (בשל הגבלת המשימות שהיא פותרת). בסתיו של שנת 2017, רשתות עצביות קפסולריות גרמו לא פחות רעש: באותו זמן הן דיברו על מהפכה בעולם הלמידה העמוקה. היום כמעט שכחו אותם בפומבי. בפועל, עדיין מאוד פופולרי הם busings ו ארכיטקטורות רשת עצבית, אשר כבר הפך את תקן לפתרון בעיות מסוימות. כאלה, למשל, כמו גילוי של חפצים בתמונות או סיווג של תמונות.
תיאורטית, AI כמו טכנולוגיה יבוא מהר יותראותם תחומים שבהם עבודתו של אדם מורכבת בעיקר מפעולות שגרתיות, או באזורים שבהם יש לקבל החלטות במהירות בהתבסס על כמות גדולה של נתונים. כלומר, את החדשות סנסציוני על איך 600 סוחרים הוחלפו על ידי 200 מתכנתים יכול בקלות להפוך לאחד האירועים הרגילים בתחום של אוטומציה. מפנה את תעשיית cybersecurity, אוטומציה כזו צפויה, למשל, בתחום של ניתוחי וירוסים, או איתור של התקפות. אגב, הצוות שלנו עובד על טכנולוגיה המאפשרת ללמידה מכונה לזהות התקפות על יישומי אינטרנט תוך שניות.
בפועל, חיזוי תעשיות בהן א.י.יהיה ביקוש בקנה מידה גדול במלוא עוצמתו ובעתיד הקרוב זה יהיה קשה, מכיוון שהשימוש בו קשור להרבה ניואנסים חברתיים ומשפטיים. נניח, טייס אוטומטי: מבחינה טכנולוגית כבר אפשר בהחלט להעביר טיסות סטנדרטיות לטייסים אוטומטיים, אבל כמה נוסעים היו סומכים על חייהם למטוס בלי אדם שיושב בפקדים? או, נניח, רפואה – יש הרבה פיתוחים המבוססים על שימוש בבינה מלאכותית ביחס לענף הזה, אבל מבחינת המסגרת החקיקתית לא ניתן להשתמש בהם במלואם וכיום הם עדיין נשארים ברמה הרעיונית.
כן, יש הרבה רעש סביב הכיוון:יחד עם זאת, מומחים רבים מעדיפים לדבר מיד על פתרון בעיות ספציפיות, חיסכון בזמן וכסף, בכפוף לשימוש בטכנולוגיה. במציאות, הרעיונות הללו מעידים בסוגיית כוח האדם: אם לפני מספר שנים דיברו על מחסור במתכנתים, אז שום דבר לא השתנה עכשיו, חוץ מזה שכעת אנחנו כבר לא צריכים רק, למשל, מתכנתי ג'אווה, אלא גם מהנדסים מורכבים, שיכול להבין ולפתור את הבעיה, כולל שימוש בשיטות למידת מכונה.
תחושה של רוויה יתר בשוק עם מומחיםלמידת מכונה מטעה יותר מאשר אמיתית. כן, אנשים רבים חושבים שהם יכולים ללמוד במהירות את התחום הזה על ידי לקיחת כמה קורסים, אבל כתוצאה מכך, השוק רווי יתר על המידה במומחים עם רקע לא רלוונטי. עם זאת, למידת מכונה היא ברוב המקרים כלי לפתרון יעיל של בעיה ספציפית (טוב, רק אם אתה לא עושה זאת לשמה) וכדי לבחור את הכלי הנכון אתה צריך להיות בעל מומחיות נרחבת בתחום ספציפי ( במקרה שלנו, אבטחת מידע).
ההיסטוריה של הלמידה מכונה היוםזה דומה למצב עם הפטיש "הפטיש הזהב" פופולרי בסביבת הפיתוח, שבו כל בעיה היא ניסתה להיפתר בעזרת פטיש אחד (אם כי זהוב). מומחי למידה ממוחשבים, שהשלימו כמה קורסים, מיישמים את ניסיונם במאה מקרים מתוך מאה, מבלי שיוכלו להבין מתי נדרשת ערכת כלים נוספת - אחת נוספת. רבים מאלה הטריים מומחים אינם מפתחים ולא יכול ללכת מעבר למסגרת של Jupyter מחברת (כלי פופולרי ML), או חוסר ידע נאות בתחומים אחרים, אשר אינו מאפשר להם בהצלחה להשתמש בטכנולוגיה בכל אזור מסוים כדי לפתור בעיות ספציפיות.
Alena Arykina, מדענית נתונים Sberbank PJSC
בלמידה מכונה יש חלק יצירתי,בהתאם לנתונים וידע של השדה, על האינטואיציה של היזם ועוד. ויש דברים אוטומטיים, שבהם אתה צריך למצוא פרמטרים טובים יותר לשכתב קוד ידוע. החלק השני, כמו בכל תהליך "מכני", אנשים נוטים לייעל את הכל, כולל באמצעות מכונת למידה. אם מתמטיקאים קודמים עברו מ"מדריך ידני "לאוטומטי אחד על בסיס ספריות כארזות, הדוגמאות כיום לאופטימיזציות כאלה יכולות לשמש ספריות לניהול מצב הנתונים, לעיבוד תמונות וטקסטים, ואפילו זיהוי אוטומטי של תכונות של אלמנטים. אלגוריתמים יכולים להיות פשוטים (לחתוך את קצות המילים) או מורכבים (לבנות רשתות עצביות מיוחדות - autoencoders לדחוס נתונים בכל גודל), אבל קבוצה של כלים אימונים כאלה בדרך כלל קובע את איכות המודל הסופי, ולכן הכישורים של datassentist.
למידה ממוחשבת תגיע בסופו של דברתחומים שבהם הוא יואט על ידי חקיקה או חוסר אמון אנושי: רפואה או מכונית עם טייס אוטומטי. אנחנו כבר רואים הישגים עצומים בתחומים אלה - הם נמצאים בשימוש במדינות אחרות. אבל אני בטוח שכדי ליישם אותם ולהפוך אותם לנגישים לאנשים רגילים, נצטרך לנצח יותר ממלחמה ביורוקרטית אחת.
מדע הנתונים הוא מאוד מעניין. בכל שנייה ידידי IT מומחה כבר לפחות לקרוא על מכונת למידה. באווילי, אתה מתחיל לדאוג: לא יהיו יותר מדי datasintists? בנוסף, כעת הם מנסים להשתמש בלמידה מכונה בכל פרויקט IT ובכל משימות, לא ממש מדמיין מדוע נדרשים אלגוריתמים כאלה שם - זה אופנתי. HYIP יעבור ומספר המשרות הפנויות יקטן. מצד שני, השאלה היא אם מי באמת אוהב מדע נתונים יישאר במקצוע ולא לרדוף אחרי האופנה.
טטיאנה Savelyeva, ראש קבוצת נתונים בלתי מובנים, Yandex.Taxi, מחבר ערוץ המברק tldr_arxiv
אני לא ממש אוהב את המילה "AI" בכלל, כיזה כללי ושאפתני מדי, ולעיתים קרובות גורם לאנשים להפריז ברמת הטכנולוגיה. אתה יודע, יש בדיחה כזו: "איך להבחין בין ML לבין AI? ML נעשה ב-Python, ובינה מלאכותית נעשית ב-PowerPoint."
המגמה הראשונה של Data Science היא הגידולהפופולריות של תחום הנושא: חברות מבינות יותר ויותר שללא עיבוד כמות גדולה של מידע שימושי בעתיד זה יהיה קשה. יש מגמה לאוטומציה של למידת מכונה: אם לפני 10 שנים היית צריך לכתוב את כל השיטות לעבוד בעצמך, עכשיו יש הרבה ספריות מוכנות נוחות.
אבל עם קלות השימוש הגוברת בשיטותהכלים הנוכחיים משתנים יותר ויותר מהר - אתה צריך להיות כל הזמן עם האצבע על הדופק. ישנה מגמה של שימוש ברשתות עצביות: כנסים תעשייתיים מפרסמים יותר ויותר מאמרים הקשורים לסוג זה של אלגוריתמים.
אז מכונת למידה היא האחרונהיגיעו לאזורים שבהם יש מעט נתונים או היכן הם כלל לא - למשל, בדרך זו אתה בקושי יכול לחזות את המקום שבו נופל האסטרואיד, או את זמן ההתנגשות של הירח עם כדור הארץ. נראה כי לימוד מכונה קשה ליישום במוסדות ביורוקרטיים - סוכנויות ממשלתיות, מוסדות רפואיים.
בכל מקרה, בשלב מסוים השוק יעשה זאתלמקומות פנויים מתחילים יהיה מספר רב של מועמדים - מומחים זוטרים או מתמחים, שכן הידע הדרוש לתעסוקה בתפקיד כזה הופך נגיש יותר. אבל הביקוש למומחים מנוסים שכבר יישמו פרויקטי ML יגדל, מכיוון שנדרש הרבה זמן ומאמץ לצבור ניסיון זה, ומספר משימות למידת המכונה גדל מהר יותר ממספר האנשים שהספיקו והיו. מסוגלים לצבור ניסיון כזה.
אמילי Drahl, ניתוח נתונים Analytics, מכונאי AI, ראש כריית נתונים בפעולה
בלמידה מכונה אחד ביותרמגמות בהירות היא המעבר משימוש בטכנולוגיה מסייעת לאוטומציה מלאה המבוססת על זה. זה מתבטא בבירור באוטומציה של הייצור התעשייתי, החקלאות, agribusiness, כמו גם את הפיתוח של המושגים של העיר חכם חכם הביתה.
עכשיו מכונת למידה יישומיםדי הרבה, וזאת בשל הרמה הנוכחית של הטכנולוגיה מחסנית הפיתוח, את רמת ההבנה שלנו של השדה ומספר נושאים אתיים לא פתורים. היישום האישי שלי הוא רפואה, פסיכולוגיה ופדגוגיה. הנה, זה לא בעיקר על שירותי עזר (מערכות המלצות לאבחון מחלות או מערכות אינטראקטיביות), אלא על אוטומציה מלאה של תהליכים באמצעות AI ו- ML.
אני חושב תעשיית ה- IT היום שונה כיטכנולוגיות מתפתחות באופן דינמי מאוד ואם אתה מפסיק לשמור על קצב עם שינויים אלה, אז יש סיכון מוחשי מאוד להפוך למומחה ללא דורש. זהו אחד התחומים המעטים שבהם בוגרי אוניברסיטה ללא ניסיון יכולים להתחרות עם אנשי מקצוע מנוסים.
הודות לשוק דינמי, לעבוד עבור מישומר על מגמות, תמיד יהיה. אבל עבור אלה שאינם מוכנים ללמוד כל חייהם, השאלה הקשה נשארת להיפתר: איך להישאר רלוונטי. כאן יסייע ניסיון, השקפה מקצועית וידע של (או לא כל כך!) תחומי פעילות.
תחום החינוך משתנה כעתמבחינה רעיונית, כביכול, מתמודדים לא רק עם תלמידי בית ספר וסטודנטים, אלא גם אנשי מקצוע מבוגרים בעלי ניסיון תעסוקתי. בעל השכלה רלוונטית בעבר, כמות זמן מספקת ורמת התמדה נאותה, תוכל להכשיר את עצמך מחדש ללא השקעות כספיות משמעותיות. לעבור ראיון לפחות לתפקיד התחלתי בניתוח נתונים. זו אחת המטרות של קורסים מקוונים.
אם אנחנו מדברים על אוניברסיטאות, רובןחווה מספר קשיים בהוראת דיסציפלינות טכניות עדכניות: טכנולוגיות משתנות מהר מאוד, יש צורך למשוך מומחים מתרגלים, והם לא תמיד מוכנים לעבוד במתכונת שהאוניברסיטה מרמזת. כך מגיעות לעזרה חברות IT מובילות, יוצרות בתי ספר, פותחות מחלקות באוניברסיטאות, מעבירות קורסים מעשיים והתמחויות, וגם הכשרות את הבוגרים של אתמול בתוך החברה בתחילת העבודה. בסופו של דבר, אני אישית רואה את המשימה של אוניברסיטה לא רק ולא כל כך בשחרור מומחה מוכן לשוק, אלא בעובדה שההשכלה הגבוהה צריכה לתת לאדם רמה תרבותית, אינטלקטואלית ורגשית מסוימת, שבה החיים המקצועיים תלויים במידה רבה ולא בידע של טכנולוגיות ספציפיות.
אנה Voevodskaya, מומחה למידה מכונה, Jet Infosystems
נראה לי כי עכשיו הם חלים יותר ויותר.למידה חיזוק. ההחלטה ללמוד, אינטראקציה עם הסביבה, באמצעות rewards, פעולות ותצפיות. אחת הדוגמאות המפורסמות ביותר של למידה חיזוק הוא AlphaGo. כמו כן, שיטות אימון כאלה משמשים כדי לדמות את התנועה של אדם (תחרויות האחרון ב NIPS היו על RL), מכונות אחרות.
למידת מכונה היא קסם במיטבו.לָחוּשׁ. מתמטיקה מורכבת למדי מיושמת במיוחד על הנתונים שלך, מתבצע ניתוח מעמיק ותחזית מדויקת מאוד מונפקת רק עבורך. וכל אחד רוצה את הקסם הזה עבור עצמו: זה עושה כסף, וזה טוב לתדמית שלהם - נהדר.
אשר לתפארת השוק, אני נמצא בזהאני לא מאמין. מומחים טובים תמיד קשה למצוא. לדוגמה, ג 'אווה לא הופיע לפני שנתיים, אבל עדיין קשה למצוא בתחום זה. ו datasaytnist טוב הוא בדרך כלל כמו חדקרן: הוא יודע ואוהב מתמטיקה, וקודית, ומבין ערכים עסקיים, ומסביר הכל טוב. אם יש לנו עודף של אנשים כאלה בשלב כלשהו בעולם, זה יהיה נחמד. אבל זו איזושהי אוטופיה.