Duomenų mokslininkai yra duomenų analizės ekspertai, turintys techninių įgūdžių spręsti sudėtingus klausimus
Alexandra Murzina, mašinų mokymosi inžinierius, pažangių technologijų grupė, teigiamos technologijos
Viena iš perspektyviausių technikųmašininis mokymasis dabar yra sustiprinamasis mokymasis. Beje, ja paremta ir StarCraft II laimėjusi sistema DeepMind. Šis požiūris į mokymąsi, o vėliau ir į naudojimą, tikrai labiau primena AI. Tokia sistema yra panardinta į aplinką, kuri jai reaguoja į veiksmus. Šis metodas yra labai panašus į tai, kaip jūs ir aš mokomės, tačiau kartais tai užtrunka metų metus, tačiau čia yra galimybė žymiai pagreitinti procesą naudojant modeliavimą ir kompiuterio galią.
Pavyzdžiui, tokia sistema greitai išmokstavairuoti automobilį. Žinoma, išliks problemos, susijusios su išskirtinėmis situacijomis ir sistemos veikimu jų sąlygomis (dėl užduočių, kurias ji sprendžia, ribojimo). 2017 m. Rudenį kapsuliniai nerviniai tinklai sukėlė ne mažiau triukšmo: tuo metu jie kalbėjo tiek apie revoliuciją gilaus mokymosi pasaulyje. Šiandien jie beveik pamiršo apie juos viešai. Praktiškai vis dar labai populiarūs yra įvažiavimai ir nervų tinklo architektūros, kurios jau tapo standartu tam tikroms problemoms spręsti. Pavyzdžiui, kaip objektų aptikimas vaizduose arba vaizdų klasifikavimas.
Teoriškai AI kaip technologija ateis greičiautose srityse, kuriose asmens darbas daugiausia susijęs su įprastiniais veiksmais, arba tose srityse, kuriose sprendimai turi būti priimti greitai, remiantis dideliu duomenų kiekiu. Tai yra sensacinga naujiena apie tai, kaip 600 prekybininkų buvo pakeisti dviem šimtais programuotojų, gali lengvai tapti vienu iš įprastų įvykių automatikos srityje. Kalbant apie kibernetinio saugumo pramonę, tokia automatizacija gali būti, pavyzdžiui, virusų analizės arba atakų aptikimo srityje. Beje, mūsų komanda dirba su technologija, leidžiančia mašinoms mokytis aptikti atakas interneto programose per kelias sekundes.
Praktiškai numatant pramonės šakas, kuriose A.I.bus paklausus dideliu mastu ir artimiausiu metu bus sunku, nes jo naudojimas yra susijęs su daugybe socialinių ir teisinių niuansų. Tarkime, autopilotas: technologiškai jau visai įmanoma standartinius skrydžius perkelti į autopilotus, tačiau kiek keleivių patikėtų savo gyvybę lėktuvui be žmogaus, kuris sėdėtų prie valdymo pultų? Arba, tarkime, medicina – šioje pramonės šakoje yra daug patobulinimų, pagrįstų AI naudojimu, tačiau teisinės bazės požiūriu jie negali būti naudojami iki galo ir šiandien jie vis dar išlieka konceptualiame lygmenyje.
Taip, aplink kryptį yra daug triukšmo:tuo pačiu metu daugelis ekspertų nori nedelsiant kalbėti apie konkrečių problemų sprendimą, taupant laiką ir pinigus, atsižvelgiant į technologijų naudojimą. Realiai šios mintys užkliūva už personalo klausimo: jei prieš keletą metų buvo kalbama apie programuotojų trūkumą, tai dabar niekas nepasikeitė, išskyrus tai, kad dabar mums nebereikia tik, pavyzdžiui, Java programuotojų, bet ir sudėtingų inžinierių, kurie gali suprasti ir išspręsti problemą, įskaitant mašininio mokymosi metodus.
Rinkos persotinimo specialistais jausmasmašininis mokymasis yra labiau apgaulingas nei tikras. Taip, daugelis galvoja, kad šią sritį greitai išmoks išklausę porą kursų, tačiau dėl to rinka yra persotinta nesusijusių žinių turinčių specialistų. Tačiau mašininis mokymasis daugeliu atvejų yra įrankis, padedantis efektyviai išspręsti konkrečią problemą (na, tik jei to darote ne dėl jos pačios), o norint pasirinkti tinkamą įrankį, reikia turėti daug žinių konkrečioje srityje ( mūsų atveju informacijos saugumas).
Mašinų mokymosi istorija šiandien yra daugiauTai panaši į situaciją su „aukso plaktuku“, kuris yra populiarus vystymosi aplinkoje, kurioje bet kokia problema bandoma išspręsti naudojant vieną (nors ir auksinį) plaktuką. Mašinų mokymosi specialistai, baigę porą kursų, savo šimtą kartų išgyvena savo patirtį, nesugebėdami suprasti, kada reikalingas kitas įrankių rinkinys - papildomas. Daugelis šių šviežiai iškeptų specialistų nėra kūrėjai ir negali viršyti „Jupyter Notebook“ (populiarios ML priemonės) sistemos arba neturi pakankamai žinių kitose srityse, o tai neleidžia jiems sėkmingai naudoti konkrečios srities technologijos konkrečioms problemoms spręsti.
Alena Arykina, duomenų mokslininkė Sberbank PJSC
Mašininio mokymosi metu yra kūrybinė dalis,priklausomai nuo duomenų ir žinių apie lauką, apie kūrėjo intuiciją ir daug daugiau. Ir yra automatinių dalykų, kuriuose reikia rasti geresnių parametrų ir perrašyti seniai žinomą kodą. Antroji dalis, kaip ir bet kuriame „mechaniniame“ procese, žmonės linkę optimizuoti viską, įskaitant mokymąsi naudojant mašiną. Jei ankstesni matematikai perėjo iš „rankinio mokymosi“ į automatinę, remiantis tokiomis bibliotekomis, kaip keras, šiandien tokių optimizavimo pavyzdžiai gali būti bibliotekų, skirtų duomenų rinkinių būsenai valdyti, vaizdų ir tekstų paruošimui, netgi elementų automatiniam aptikimui. Algoritmai gali būti paprasti (nutraukti žodžių galus) arba sudėtingi (sukurti specialius neuroninius tinklus - automatinius koduotojus, kurie suspausti duomenis į bet kokį dydį), tačiau tokių mokymo priemonių rinkinys dažniausiai lemia galutinio modelio kokybę, taigi ir duomenų tvarkytojo įgūdžius.
Mašinų mokymasis galiausiai ateis vėliausritis, kuriose jį lėtins teisės aktai arba žmogaus nepasitikėjimas: medicina ar automobilis su autopilotu. Jau matome milžiniškus pasiekimus šiose srityse - jie naudojami kitose šalyse. Tačiau esu įsitikinęs, kad norėdami juos įgyvendinti su mumis ir padaryti juos prieinamus paprastiems žmonėms, turėsime laimėti daugiau nei vieną biurokratinį karą.
Duomenų mokslas yra labai įdomus. Kas antras mano draugas IT specialistas jau skaitė apie mašinos mokymąsi. Willy-nilly, jūs pradėsite nerimauti: ar nebus per daug duomenų rinkinių? Be to, dabar jie stengiasi naudoti kompiuterinį mokymą bet kuriame IT projekte ir bet kokioms užduotims, o ne iš tikrųjų įsivaizduoti, kodėl tokie algoritmai yra reikalingi - tai madingi. HYIP bus perduotas, o laisvų darbo vietų skaičius sumažės. Kita vertus, kyla klausimas, ar tie, kurie iš tikrųjų mėgsta „Data Science“, išliks profesijoje, o ne mesti po mados.
Tatjana Savelyeva, nestruktūrizuotos duomenų grupės vadovė, Yandex.Taxi, telegramos kanalo autorius
Man visai nepatinka žodis „AI“, nestai per daug bendra ir ambicinga, todėl dažnai žmonės pervertina technologijų lygį. Žinote, yra toks pokštas: „Kaip atskirti ML nuo AI? ML atliekama Python, o AI – PowerPoint.
Pirmoji duomenų mokslo tendencija didėjadalykinės srities populiarumas: įmonės vis labiau supranta, kad neapdorojus daug naudingos informacijos ateityje bus sunku. Pastebima mašininio mokymosi automatizavimo tendencija: jei prieš 10 metų visus metodus, kad dirbtumėte, tekdavo rašyti pačiam, tai dabar yra daugybė patogių paruoštų bibliotekų.
Tačiau vis lengviau naudojant metodusdabartiniai įrankiai keičiasi vis greičiau – reikia nuolat laikyti pirštą ant pulso. Pastebima neuroninių tinklų naudojimo tendencija: pramonės konferencijose publikuojama vis daugiau straipsnių, susijusių su tokio tipo algoritmais.
Taigi mašinų mokymasis yra paskutinisateis į sritis, kuriose yra mažai duomenų arba kur jos visai nėra - pvz., tokiu būdu jūs vargu ar galite prognozuoti vietą, kur asteroidas nukrenta, arba Mėnulio ir Žemės susidūrimo laiką. Atrodo, kad biurokratinėse institucijose - vyriausybinėse įstaigose, medicinos įstaigose - sunku mokytis mašinų.
Bet kokiu atveju, tam tikru momentu rinka busPretendentų į laisvas darbo vietas bus labai daug – jaunesniųjų specialistų ar praktikantų, nes žinios, reikalingos įsidarbinti tokiose pareigose tampa vis labiau prieinamos. Tačiau patyrusių specialistų, jau įgyvendinusių ML projektus, poreikis augs, nes šiai patirtimii įgyti reikia daug laiko ir pastangų, o mašininio mokymosi užduočių skaičius auga greičiau nei žmonių, kurie turėjo laiko ir buvo galintis įgyti tokios patirties.
Emily Drahl, Duomenų analizės analizė, Mechanica AI, duomenų gavybos vadovas
Įrenginio mokymasis yra vienas iš labiausiairyškios tendencijos - tai perėjimas nuo jo naudojimo kaip pagalbinės technologijos prie pilnos automatikos, paremtos ja. Tai akivaizdžiai pasireiškia pramoninės gamybos, žemės ūkio ir žemės ūkio verslo automatizavime, taip pat pažangaus miesto ir protingų namų koncepcijų kūrime.
Dabar mašinų mokymosi programosgana daug, ir tai yra dėl dabartinio technologijų stekų kūrimo lygio, mūsų supratimo apie lauką lygį ir nemažai neišspręstų etikos klausimų. Mano asmeninė geriausia programa yra medicina, psichologija ir pedagogika. Čia kalbama ne tik apie papildomas paslaugas (rekomendacines sistemas ligų diagnostikai ar interaktyviosioms sistemoms), bet ir apie visišką procesų automatizavimą per AI ir ML.
Manau, kad šiandien IT pramonė skiriasi, nestechnologijos vystosi labai dinamiškai ir, jei nustosite laikytis šių pokyčių, yra labai apčiuopiama rizika tapti nepareikalautu specialistu. Tai viena iš nedaugelio sričių, kuriose universitetų absolventai, neturintys patirties, gali konkuruoti su patyrusiais specialistais.
Dinamiškos rinkos dėka dirbkite tiems, kurieSuveikia tendencijos, visada bus. Tačiau tiems, kurie nėra pasirengę mokytis visą savo gyvenimą, sunku išspręsti klausimą: kaip likti aktualus. Čia padės patirtis, profesinės perspektyvos ir žinios apie susijusias (ar ne!) Veiklos sritis.
Šiuo metu švietimo sritis keičiasikonceptualiai ir, galima sakyti, susiduria ne tik su moksleiviais ir studentais, bet ir su suaugusiais specialistais, turinčiais darbo patirties.Turėdami praeityje atitinkamą išsilavinimą, pakankamai laiko ir tinkamo užsispyrimo, galėsite persikvalifikuoti be didelių finansinių investicijų ir išlaikyti pokalbį bent jau pradiniam duomenų analizės lygiui. Tai vienas iš internetinių kursų tikslų.
Jei kalbėtume apie universitetus, dauguma jųpatiria nemažai sunkumų dėstydamas dabartines technines disciplinas: technologijos labai greitai keičiasi, reikia pritraukti praktikuojančius specialistus, o jie ne visada pasiruošę dirbti tokiu formatu, kokį numato universitetas. Taip į pagalbą ateina pirmaujančios IT įmonės, kurios kuria mokyklas, atidaro skyrius universitetuose, veda praktinius kursus ir stažuotes, taip pat apmoko vakar baigusius absolventus įmonėje darbo pradžioje. Galiausiai aš asmeniškai matau universiteto uždavinį ne tik išleisti į rinką jau paruoštą specialistą, bet tai, kad aukštasis mokslas turėtų suteikti žmogui tam tikrą kultūrinį, intelektualinį ir emocinį lygį, kuriame jo profesinis gyvenimas didele dalimi priklauso, o ne nuo konkrečių technologijų žinių.
Anna Voevodskaya, mašinų mokymosi ekspertė, Jet Infosystems
Man atrodo, kad dabar jie vis dažniau taiko.stiprinimas. Sprendimas mokytis, bendrauti su aplinka, naudojant atlygį, veiksmus ir pastabas. Vienas iš garsiausių pavyzdžių, kaip sustiprinti mokymąsi, yra „AlphaGo“. Be to, tokie mokymo metodai naudojami asmens judėjimui imituoti (paskutiniai NIPS varžybos buvo apie RL), mašinos ir kt.
Mašininis mokymasis yra geriausia magija.jausmas. Konkrečiai Jūsų duomenims pritaikoma gana sudėtinga matematika, atliekama gili analizė ir išrašoma labai tiksli prognozė būtent Jums. Ir kiekvienas nori šios magijos sau: tai uždirba pinigus ir yra naudinga jų įvaizdžiui - puiku.
Kalbant apie rinkos glostą, aš esuAš netikiu. Gerus specialistus visada sunku rasti. Pavyzdžiui, „Java“ nepasirodė prieš dvejus metus, bet vyresnysis vis dar sunku rasti šioje srityje. Ir geras duomenų rinkinys paprastai yra kaip vienaragis: jis žino ir myli matematiką, kodit, supranta verslo metriką ir viską gerai paaiškina. Jei tam tikru pasaulio tašku pasieksime tokių žmonių perteklių, tai bus malonu. Bet tai yra tam tikra utopija.