데이터 과학자는 복잡한 문제를 해결할 수 있는 기술적 능력을 갖춘 데이터 분석 전문가입니다.
Alexandra Murzina, 기계 학습 엔지니어, 고급 기술 그룹, 긍정적 인 기술
가장 유망한 기술 중 하나머신러닝은 이제 강화학습입니다. 그런데 스타크래프트 II에서 우승한 DeepMind 시스템이 이를 기반으로 하고 있습니다. 학습과 사용에 대한 이러한 접근 방식은 실제로 AI를 더 연상시킵니다. 이러한 시스템은 행동에 반응하는 환경에 담겨 있습니다. 이 방법은 여러분과 제가 공부하는 방법과 매우 유사하지만 때로는 몇 년이 걸리기도 하지만 여기에는 모델링과 컴퓨터 성능을 통해 프로세스 속도를 크게 높일 수 있는 기회가 있습니다.
예를 들어, 그러한 시스템은 "잘 배우게 될 것입니다.차를 운전 해. 물론 예외적 인 상황과 시스템의 운영과 관련된 문제 (해결해야 할 작업의 제한으로 인해)가 남아 있습니다. 2017 년 가을, 캡슐 형 신경 회로망은 그다지 잡음을 발생시키지 않았습니다. 그 당시 그들은 깊은 학습의 세계에서 혁명만큼 이야기했습니다. 오늘날 그들은 공개적으로 그들을 잊어 버렸습니다. 실제로, 특정 문제를 해결하기위한 표준이 된 버스 및 신경망 아키텍처가 여전히 많이 사용되고 있습니다. 예를 들어, 이미지 내의 물체의 검출 또는 이미지의 분류로서.
이론적으로 기술로서의 AI는어떤 사람의 작업이 대부분 일상적인 작업으로 이루어 지거나 많은 양의 데이터를 바탕으로 의사 결정을 신속하게 수행해야하는 영역에서. 즉, 600 명의 거래자가 200 명의 프로그래머로 교체 된 것에 대한 깜짝 놀랄만 한 소식은 자동화 분야의 일반적인 사건 중 하나가 될 수 있습니다. 사이버 보안 업계에 따르면 이러한 자동화는 바이러스 분석이나 공격 탐지와 같은 영역에서 가능할 수 있습니다. 그런데 우리 팀은 기계 학습이 몇 초 안에 웹 응용 프로그램의 공격을 탐지 할 수 있도록하는 기술 개발에 착수했습니다.
실제로 A.I.대규모 수요가 전면적으로 발생할 것이며 가까운 시일 내에 사용이 많은 사회적, 법적 뉘앙스와 관련되어 있기 때문에 어려울 것입니다. 자동 조종이라고 가정해 보겠습니다. 기술적으로 표준 항공편을 자동 조종 장치로 전환하는 것이 이미 가능하지만 조종석에 사람이 앉아 있지 않은 상태에서 비행기에 자신의 생명을 맡길 승객이 몇 명이나 될까요? 또는 의학과 관련하여 이 산업과 관련하여 AI 사용을 기반으로 한 많은 개발이 있지만 입법 체계의 관점에서 볼 때 이를 최대한 활용할 수 없으며 오늘날 개념적 수준에 남아 있습니다.
예, 방향 주변에 소음이 많이 있습니다.동시에 많은 전문가들은 기술 사용에 따라 특정 문제 해결, 시간과 비용 절약에 대해 즉시 이야기하는 것을 선호합니다. 실제로 이러한 아이디어는 인사 문제로 인해 발생합니다. 몇 년 전에 프로그래머 부족에 대한 이야기가 있었다면 이제는 더 이상 Java 프로그래머뿐만 아니라 복잡한 엔지니어도 필요하다는 점을 제외하고는 아무것도 바뀌지 않았습니다. 기계 학습 방법을 포함하여 문제를 이해하고 해결할 수 있는 사람.
전문가들로 인해 시장이 과포화되었다는 느낌머신러닝은 실제보다 더 기만적입니다. 예, 많은 사람들은 몇 가지 과정을 수강하면 이 분야를 빨리 배울 수 있다고 생각합니다. 그러나 결과적으로 시장은 관련 없는 배경을 가진 전문가들로 인해 과포화됩니다. 그러나 기계 학습은 대부분의 경우 특정 문제를 효과적으로 해결하기 위한 도구이며(글쎄, 그 자체를 위해 수행하는 것이 아닌 경우에만) 올바른 도구를 선택하려면 특정 분야에 대한 광범위한 전문 지식이 필요합니다( 우리의 경우 정보 보안).
오늘날 기계 학습의 역사는개발 환경에서 인기있는 "황금 망치"반 패턴이있는 상황을 닮았습니다.이 문제는 단일 (황금 임에도 불구하고) 망치로 해결해야합니다. 몇 가지 과정을 이수한 기계 학습 전문가는 다른 툴킷이 필요할 때를 이해하지 못하고 수백 가지의 경험을 100 번에 걸쳐 적용합니다. 이 갓 구운 전문가 중 상당수는 개발자가 아니며 Jupyter Notebook (ML의 인기 도구)의 틀을 벗어나거나 다른 특정 분야의 기술을 성공적으로 사용하여 특정 문제를 해결할 수없는 다른 분야에 대한 충분한 지식이 부족합니다.
Alena Arykina, 데이터 과학자 Sberbank PJSC
기계 학습에는 창의적인 부분이 있습니다.현장의 데이터와 지식, 개발자의 직감 등에 따라 다릅니다. 더 나은 매개 변수를 찾고 오래 전에 알려진 코드를 다시 작성해야하는 자동 작업이 있습니다. 두 번째 부분은 "기계적"프로세스에서와 마찬가지로 기계 학습을 비롯한 모든 것을 최적화하는 경향이 있습니다. 이전의 수학자들이 케라와 같은 도서관을 바탕으로 "수동 학습"에서 자동 학습으로 옮긴다면, 오늘날 그러한 최적화의 예는 데이터 세트의 상태를 관리하고 그림과 텍스트를 사전 처리하며 요소의 특징을 자동으로 탐지하는 라이브러리 역할을 할 수 있습니다. 알고리즘은 간단하고 (단어의 끝을 잘라내는) 복잡하거나 (특수 신경망을 만들면 어떤 크기로든 데이터를 압축하는 자동 인코딩 장치) 복잡한 트레이닝 도구를 사용하여 최종 모델의 품질을 결정할 수 있습니다. 따라서 데이터 고용주의 기술을 결정할 수 있습니다.
기계 학습은 결국 나중에 모두 이루어질 것입니다.입법이나 인간의 불신으로 인해 속도가 느려질 곳 : 의약품 또는 자동 조종 장치가있는 자동차. 우리는 이미이 분야에서 엄청난 업적을보고 있습니다. 그들은 다른 나라에서 사용되고 있습니다. 그러나 나는 우리와 함께 그들을 구현하고 일반인들이 접근 할 수 있도록하기 위해서, 우리는 하나 이상의 관료 전쟁에서 승리해야 할 것이라고 확신한다.
데이터 과학은 실제로 매우 흥미 롭습니다. 초마다 내 친구 IT 전문가는 이미 기계 학습에 관해 읽었습니다. Willy-nilly, 당신은 걱정하기 시작합니다 : 너무 많은 datasintists가 없을 것입니까? 또한 이제는 IT 프로젝트 및 업무에 기계 학습을 사용하려고 노력하고 있으며 왜 그러한 알고리즘이 필요한지 상상하지 못합니다. 유행입니다. HYIP이 통과하고 공석이 줄어 듭니다. 반면에, 문제는 정말로 데이터 과학을 사랑하는 사람들이 직업에 남아있을 것이고 유행 후에 쫓지 않을 것인가하는 것입니다.
Tatyana Savelyeva, 구조화되지 않은 데이터 그룹의 책임자, Yandex.Taxi, tldr_arxiv 전보 채널 작성자
나는 "AI"라는 단어를 전혀 좋아하지 않습니다.이는 너무 일반적이고 야심적이어서 종종 사람들이 기술 수준을 과대평가하게 만듭니다. 아시다시피 “ML과 AI를 어떻게 구별하나요?”라는 농담이 있습니다. ML은 Python에서 수행되고 AI는 PowerPoint에서 수행됩니다.”
첫 번째 데이터 과학 트렌드는 증가하고 있습니다.주제 영역의 인기: 기업들은 미래에 많은 양의 유용한 정보를 처리하지 않으면 어려울 것이라는 점을 점점 더 깨닫고 있습니다. 기계 학습의 자동화 추세가 있습니다. 10년 전에는 모든 작업 방법을 직접 작성해야 했다면 이제는 편리한 기성 라이브러리가 많이 있습니다.
그러나 방법의 사용이 점점 쉬워짐에 따라현재 도구는 점점 더 빠르게 변화하고 있습니다. 따라서 지속적으로 최신 정보를 파악해야 합니다. 신경망을 사용하는 경향이 있습니다. 산업 회의에서는 이러한 유형의 알고리즘과 관련된 기사가 점점 더 많이 게시되고 있습니다.
그래서 기계 학습은 마지막입니다.데이터가 거의없는 곳이나 전혀없는 곳, 예를 들어 소행성이 떨어지는 곳이나 달과 지구가 충돌하는 시간을 거의 예측할 수없는 등의 경우가 있습니다. 정부 기관, 의료기관 등 관료주의 기관에서는 기계 학습을 구현하기가 어렵습니다.
어쨌든, 어느 시점에 시장은그러한 직위에 취업하는 데 필요한 지식이 점점 더 접근 가능해짐에 따라 공석을 시작하는 지원자(하급 전문가 또는 인턴)가 많아질 것입니다. 그러나 이미 ML 프로젝트를 구현한 숙련된 전문가에 대한 수요는 늘어날 것입니다. 이러한 경험을 얻으려면 많은 시간과 노력이 필요하고, 기계 학습 작업의 수가 시간을 갖고 작업한 사람의 수보다 빠르게 증가하고 있기 때문입니다. 그런 경험을 얻을 수 있다.
Emily Drahl, 데이터 분석 분석, Mechanica AI, 데이터 마이닝 헤드 실천
기계 학습에서 가장밝은 추세는 보조 기술로서의 사용으로부터 그것을 기반으로 한 완전 자동화로의 전환입니다. 이것은 산업 생산, 농업 및 농업 관련 산업의 자동화 및 똑똑한 도시와 스마트 홈의 개념 개발에서 가장 명확하게 나타납니다.
이제 기계 학습 응용 프로그램꽤 많이 그리고 이것은 기술 스택 개발의 현재 수준, 분야에 대한 우리의 이해 수준, 해결되지 않은 윤리적 문제들로 인해 발생합니다. 제 개인적으로 가장 많이 쓰이는 응용 프로그램은 의학, 심리학 및 교육학입니다. 여기서는 주로 보조 서비스 (질병 또는 대화 형 시스템 진단을위한 추천 시스템)가 아니라 AI 및 ML을 통한 프로세스의 완전 자동화에 관한 것입니다.
IT 산업은 오늘날과 다르다고 생각합니다. 왜냐하면기술이 매우 역동적으로 발전하고 있으며 이러한 변화에 보조를 맞추지 않는다면 청구되지 않은 전문가가 될 수있는 매우 실체적인 위험이 있습니다. 이것은 경험이없는 대학 졸업생들이 경험있는 전문가들과 경쟁 할 수있는 몇 안되는 분야 중 하나입니다.
역동적 인 시장 덕분에트렌드를 따라 잡고, 항상있을 것입니다. 그러나 모든 일생을 배우기 위해 준비가되어 있지 않은 사람들에게는 어려운 질문, 즉 어떻게 관련성을 유지할 것인가에 대한 문제가 남아 있습니다. 여기서는 경험, 전문성 및 관련 지식 (또는 그렇지 않은 영역)에 대한 지식을 얻습니다.
교육분야는 현재 변화하고 있다개념적으로 말하면 학생과 학생뿐만 아니라 업무 경험이 있는 성인 전문가에게도 직면합니다. 과거에 관련 교육을 받았고 충분한 시간과 적절한 수준의 인내가 있으면 상당한 재정적 투자 없이도 재교육을 받을 수 있습니다. 데이터 분석 분야의 초급 직책을 얻으려면 최소한 인터뷰를 통과해야 합니다. 이것이 온라인 강좌의 목표 중 하나입니다.
대학 이야기를 하면 대부분이현재 기술 분야를 가르치는 데 많은 어려움을 겪고 있습니다. 기술은 매우 빠르게 변화하고 실무 전문가를 유치해야 하며 대학이 제안하는 형식으로 항상 작업할 준비가 되어 있지는 않습니다. 이것이 선도적인 IT 기업이 구출되어 학교를 만들고, 대학에 학과를 개설하고, 실무 과정과 인턴십을 진행하고, 입사 시 어제 졸업생을 회사 내에서 교육하는 방식입니다. 궁극적으로 저는 개인적으로 기성 전문가를 시장에 출시하는 것뿐만 아니라 고등 교육이 사람에게 특정 문화적, 지적, 정서적 수준을 제공해야 한다는 사실에서 대학의 임무를 봅니다. 직업 생활은 특정 기술에 대한 지식보다는 크게 좌우됩니다.
Anna Voevodskaya, 기계 학습 전문가, Jet Infosystems
이제는 점점 더 많이 적용되고있는 것처럼 보입니다.강화 학습. 배우고, 환경과 상호 작용하며, 보상, 행동 및 관찰을 사용하기로 한 결정. 강화 학습의 가장 유명한 사례 중 하나가 AlphaGo입니다. 또한 그러한 훈련 방법은 사람의 움직임을 시뮬레이션하는 데 사용됩니다 (NIPS의 마지막 경기는 RL 정도였습니다). 기계 및 기타.
머신러닝은 최고의 마법입니다.감각. 매우 복잡한 수학이 귀하의 데이터에 구체적으로 적용되고, 심층적인 분석이 수행되며, 귀하에게 꼭 맞는 매우 정확한 예측이 발행됩니다. 그리고 모두가 스스로 이 마법을 원합니다. 그것은 돈도 벌고, 이미지에도 좋습니다. 훌륭합니다.
시장의 과잉에 관해서는, 나는 이것에 속해있다.나는 믿지 않는다. 좋은 전문가는 항상 찾기가 어렵습니다. 예를 들어, Java는 2 년 전에 등장하지 않았지만 수석은이 분야에서 여전히 찾기가 어렵습니다. 좋은 datasaytnist는 일반적으로 유니콘과 같습니다 : 그는 수학을 알고 사랑하며, 비즈니스 메트릭스를 이해하고 모든 것을 잘 설명합니다. 우리가 세계 어느 곳에서 그러한 사람들의 공급 과잉이 있다면, 좋을 것입니다. 그러나 이것은 일종의 유토피아입니다.