データサイエンティストは、複雑な問題を解決する技術的スキルを備えたデータ分析の専門家です。
Positive Technologiesアドバンストテクノロジーズグループ機械学習エンジニアAlexandra Murzina
最も有望な技術の 1 つ機械学習は強化学習になりました。ちなみに、StarCraft IIで優勝したDeepMindシステムはそれをベースにしている。この学習してから使用するというアプローチは、まさに AI を彷彿とさせます。このようなシステムは、アクションに応答する環境に組み込まれます。この方法はあなたや私が勉強する方法とよく似ていますが、場合によっては何年もかかることもありますが、ここではモデリングとコンピューターの力によってプロセスを大幅にスピードアップする機会があります。
例えば、そのようなシステムはすぐによく学ぶでしょう車を運転する。もちろん、例外的な状況やその状態でのシステムの動作に関連する問題が残ります（それが解決するタスクの制限による）。 2017年の秋、莢膜ニューラルネットワークはそれ以上の騒音を発生させませんでした。今日彼らは公の場で彼らのことをほとんど忘れていました。実際には、まだ非常に人気があるのはすでに特定の問題を解決するための標準となっているbusingとニューラルネットワークアーキテクチャです。たとえば、画像内のオブジェクトの検出や画像の分類などです。
理論的には、技術としてのAIは、人の仕事が日常的な行動であるか、大量のデータに基づいて意思決定を迅速に行う必要がある分野で主に成り立っています。つまり、600人のトレーダーが200人のプログラマーに置き換えられたというセンセーショナルなニュースは、自動化の分野では普通のイベントの1つになりやすいのです。サイバーセキュリティ業界に目を向けると、このような自動化は、たとえばウイルス分析や攻撃の検出などの分野で可能性があります。ところで、私たちのチームは、機械学習が数秒でWebアプリケーションへの攻撃を検出できるようにする技術に取り組んでいます。
実際には、AI が導入される業界を予測します。の需要は本格的に大規模になるでしょうが、その使用には多くの社会的および法的微妙なニュアンスが伴うため、近い将来には困難になるでしょう。たとえば、自動操縦について考えてみましょう。技術的には、標準的なフライトを自動操縦に移行することはすでにかなり可能ですが、操縦席に人が座っていない飛行機に命を託す乗客がどれだけいるでしょうか?たとえば、医療については、この業界に関連して AI の使用に基づいた開発が数多く行われていますが、法的枠組みの観点からはそれらを最大限に活用することができず、今日でもまだ概念レベルに留まっています。
はい、その方向の周囲に多くのノイズがあります。同時に、多くの専門家は、テクノロジーの使用を条件として、特定の問題を解決し、時間とお金を節約することについてすぐに話し合うことを好みます。実際には、これらの考えは人材の問題でつまずきます。数年前にプログラマー不足について話があったとしても、現在は何も変わっていません。ただ、現在では、たとえば Java プログラマーだけでなく、複雑なエンジニアも必要になっているということ以外は何も変わっていません。機械学習手法の使用を含め、問題を理解して解決できる人。
専門家による市場の飽和感機械学習は本物よりも欺瞞的です。確かに、多くの人はこの分野については、いくつかのコースを受講すればすぐに学べると考えていますが、その結果、市場は無関係な背景を持つ専門家で過飽和になっています。ただし、ほとんどの場合、機械学習は特定の問題を効果的に解決するためのツールです (ただし、それ自体が目的ではない場合に限ります)。適切なツールを選択するには、特定の分野に関する広範な専門知識が必要です (当社の場合は情報セキュリティ）。
今日の機械学習の歴史はもっとそれは開発環境で人気のある「ゴールデンハンマー」アンチパターンの状況に似ています。そこでは、どんな問題でも単一の（ゴールデンではあるが）ハンマーの助けを借りて解決しようとします。いくつかのコースを修了した機械学習の専門家は、別のツールキットが必要になる時期を理解することができずに、100のうち100のケースで彼らの経験を適用します。焼きたての専門家の多くは開発者ではないし、Jupyter Notebook（MLでよく使われるツール）の枠を超えたり、特定の問題を解決するために特定の分野で技術をうまく使うことができない他の分野での十分な知識がない。
Alena Arykina、データサイエンティストSberbank PJSC
機械学習には創造的な部分があります、その分野のデータや知識、開発者の直感、その他にもよります。そして自動的なことがあり、そこではより良いパラメータを見つけ、長い間知られているコードを書き直す必要があります。 2番目の部分は、他の「機械的」プロセスと同様に、機械学習を含め、すべてを最適化する傾向があります。初期の数学者がケラのようなライブラリに基づいて「手動学習」から自動学習に移行した場合、今日のこのような最適化の例は、データセットの状態管理、写真やテキストの処理、さらには要素の特徴の自動検出のライブラリとして役立ちます。アルゴリズムは単純（単語の終わりを切り取る）でも複雑（特殊なニューラルネットワーク - データを任意のサイズに圧縮するオートエンコーダを構築する）でもかまいませんが、ほとんどの場合、このようなトレーニングツールのセットによって最終モデルの品質が決まります。
機械学習は最終的には全体的に遅くなるでしょう法律や人間の不信によって速度が低下する分野：医学や自動操縦装置付きの車。私たちはすでにこれらの分野で素晴らしい成果を目にしています - それらは他の国々でも使われています。しかし、私たちと一緒にそれらを実行し、それらを普通の人々が利用できるようにするためには、私たちは一つ以上の官僚戦争に勝たなければならないでしょう。
データサイエンスは本当に面白いです。 毎秒私の友人のITスペシャリストは少なくとも機械学習についてすでに読んでいます。 Willy-nilly、あなたは心配し始めます：あまりにも多くのデータシンチストがいないのではないですか？さらに、今や彼らはあらゆるITプロジェクトやあらゆるタスクに機械学習を使用しようとしていますが、そのようなアルゴリズムがなぜそこで必要とされるのか実際には想像できません - おしゃれです。 HYIPは合格し、空室数は減少するでしょう。一方で、問題は、データサイエンスを本当に愛する人々が職業に留まり、ファッションを追いかけないのかということです。
非構造化データグループの責任者、Tatyana Savelyeva、Yandex.Taxi、tldr_arxivテレグラムチャネルの作者
私は「AI」という言葉があまり好きではありません。それはあまりにも一般的かつ野心的であり、人々がテクノロジーのレベルを過大評価する原因となることがよくあります。 「ML と AI をどうやって区別するか?」というジョークがあります。 ML は Python で行われ、AI は PowerPoint で行われます。」
データ サイエンスの最初のトレンドは、対象分野の人気: 企業は、将来的に大量の有用な情報を処理しなければ、それが困難になることをますます認識しつつあります。機械学習は自動化する傾向にあります。10 年前であれば、すべてのメソッドを自分で作成する必要がありましたが、今では便利な既製のライブラリがたくさんあります。
しかし、メソッドの使いやすさが増すにつれて、現在のツールはますます急速に変化しているため、常に最新情報を把握しておく必要があります。ニューラル ネットワークの使用に向けた傾向があり、業界会議ではこのタイプのアルゴリズムに関連する記事がますます多く発表されています。
だから機械学習は最後です例えば、このようにして、あなたが小惑星が落ちる場所、または地球と月が衝突する時間を予測することはほとんどできません。機械学習は官公庁、政府機関、医療機関などでは実装が難しいようです。
いずれにせよ、ある時点で市場はジュニアスペシャリストやインターンなど、そのような職種での雇用に必要な知識がより入手しやすくなっているため、これらの求人には多数の応募者が集まるでしょう。しかし、すでに ML プロジェクトを実装した経験豊富なスペシャリストの需要は今後も高まるでしょう。その経験を得るには多大な時間と労力がかかり、機械学習タスクの数は、これまでに時間と経験を積んだ人の数よりも速いスピードで増加しているからです。そういった経験を積むことができます。
Emily Drahl、データ分析分析、Mechanica AI、データマイニング部門長
機械学習で最も優れたものの1つ明るいトレンドは、支援技術としての使用からそれに基づく完全自動化への移行です。これは、工業生産、農業およびアグリビジネスの自動化、ならびにスマートシティおよびスマートホームの概念の開発において最も明確に示されています。
今機械学習アプリケーションこれは非常に多くのことであり、これは現在のレベルの技術スタック開発、この分野に対する私たちの理解のレベル、そして多くの未解決の倫理的問題によるものです。私の個人的なトップアプリケーションは医学、心理学そして教育学です。ここでは、主に補助サービス（病気を診断するための推奨システムまたは対話型システム）についてではなく、AIおよびMLを介したプロセスの完全自動化について説明します。
今日のIT業界は違うと思います技術は非常に動的に発展しています、そして、あなたがこれらの変化に追いつくのをやめるなら、それから要求されていない専門家になるという非常に明白な危険があります。これは、経験のない大学卒業生が経験豊富な専門家と競争できる数少ない分野の1つです。
活気ある市場のおかげで、トレンドについていく、常になるでしょう。しかし、生涯学習する準備ができていない人にとって、難しい問題は解決されていません。ここでは経験、専門的見通し、そして関連する（あるいはそうではない！）分野の知識が手助けされます。
今、教育現場は変わりつつある概念的には、いわば、学童や学生だけでなく、実務経験のある成人の専門家も対象としています。過去に適切な教育を受け、十分な時間と適切なレベルの忍耐力があれば、多額の金銭的投資をすることなく、自分自身を再訓練することができます。データ分析のエントリーレベルのポジションについては、少なくとも面接に合格する必要があります。これがオンラインコースの目標の 1 つです。
大学というと、ほとんどが現在の技術分野を教える際に多くの困難を経験しています。技術は急速に変化し、実践的な専門家を集める必要があり、大学が示唆する形式で常に取り組む準備ができているわけではありません。大手IT企業はこのようにして学校を設立し、大学に学部を開設し、実践的なコースやインターンシップを実施し、入社時に昨日の卒業生を社内で訓練することも行っています。結局のところ、私個人としては、大学の使命は、既成の専門家を市場に送り出すことだけではなく、高等教育によって人間に一定の文化的、知的、感情的レベルを与え、その上で自分の人生を豊かにすることであると考えています。職業生活は、特定のテクノロジーの知識よりもむしろ大きく左右されます。
Jet Infosystemsの機械学習エキスパート、Anna Voevodskaya
今、彼らはますます適用されているようです。強化学習学ぶこと、環境と対話すること、報酬、行動、観察を用いて学ぶこと。強化学習の最も有名な例の1つはAlphaGoです。また、そのようなトレーニング方法は、人（NIPSでの最後の競技はRLに関するもの）、機械などの動きをシミュレートするために使用されます。
機械学習は最高の魔法です。センス。非常に複雑な数学がお客様のデータに特別に適用され、詳細な分析が行われ、非常に正確な予測がお客様専用に発行されます。そして、誰もがこの魔法を自分のものにしたいと考えています。それはお金を稼ぎ、自分たちのイメージにも良いので、素晴らしいことです。
市場の大食いについては、私はこれで私は信じていません。優秀な専門家は常に見つけるのが難しいです。たとえば、Javaは2年前には登場しませんでしたが、シニアはまだこの分野で見つけるのが困難です。そして良いデータ分析者は一般的にユニコーンのようなものです。彼は数学を知っていてkoditし、ビジネス指標を理解し、すべてをうまく説明しています。世界のどこかでそのような人々の供給が過剰にあるとすれば、それは素晴らしいことです。しかし、これはある種のユートピアです。