Datu zinātnieki ir datu analīzes eksperti, kuriem ir tehniskās prasmes sarežģītu jautājumu risināšanā
Alexandra Murzina, mašīnu apguves inženieris, progresīvo tehnoloģiju grupa, pozitīvas tehnoloģijas
Viena no daudzsološākajām tehnikāmmašīnmācība tagad ir pastiprinoša mācīšanās. Starp citu, DeepMind sistēma, kas uzvarēja StarCraft II, ir balstīta uz to. Šī pieeja mācībām un pēc tam lietošanai patiešām vairāk atgādina AI. Šāda sistēma ir iegremdēta vidē, kas tai sniedz atbildes uz darbībām. Šī metode ir ļoti līdzīga tam, kā mēs ar jums pētām, taču dažreiz mums ir vajadzīgi gadi, taču šeit ir iespēja ievērojami paātrināt procesu, izmantojot modelēšanu un datora jaudu.
Piemēram, šāda sistēma ātri mācīsiesvadīt automašīnu. Protams, paliks jautājumi, kas saistīti ar ārkārtas situācijām un sistēmas darbību to apstākļos (sakarā ar to uzdevumu ierobežošanu). 2017. gada rudenī kapsulas neironu tīkli izraisīja ne mazāk trokšņu: tajā laikā viņi runāja tikpat daudz kā par revolūciju dziļas mācīšanās pasaulē. Šodien tās gandrīz publiski aizmirsa. Praksē joprojām ir ļoti populāri autobusu un neironu tīkla arhitektūras, kas jau ir kļuvušas par standartu noteiktu problēmu risināšanai. Piemēram, kā objektu atklāšana attēlos vai attēlu klasifikācija.
Teorētiski AI kā tehnoloģija būs ātrākatajās jomās, kurās personas darbs galvenokārt sastāv no ikdienas darbībām, vai jomās, kur lēmumi ir jāpieņem ātri, pamatojoties uz lielu datu apjomu. Tas ir, sensacionālie jaunumi par to, kā 600 tirgotāji tika aizstāti ar diviem simtiem programmētāju, var viegli kļūt par vienu no parastajiem notikumiem automatizācijas jomā. Runājot par kiberdrošības nozari, šāda automatizācija, piemēram, ir vīrusu analīzes vai uzbrukumu atklāšanas jomā. Starp citu, mūsu komanda strādā pie tehnoloģijas, kas ļauj mašīnām mācīties atklāt uzbrukumus tīmekļa lietojumprogrammām dažu sekunžu laikā.
Praksē, prognozējot nozares, kurās A.I.būs pieprasīts plašā mērogā un tuvākajā nākotnē tas būs sarežģīti, jo tā lietošana ir saistīta ar daudzām sociālām un juridiskām niansēm. Teiksim, autopilots: tehnoloģiski jau ir pilnīgi iespējams standarta lidojumus pārcelt uz autopilotiem, bet cik daudzi pasažieri uzticētu savu dzīvību lidmašīnai bez cilvēka, kas sēdētu pie vadības ierīcēm? Vai, teiksim, medicīna - ir daudz izstrādņu, kas balstītas uz AI izmantošanu saistībā ar šo nozari, taču no likumdošanas ietvara viedokļa tās nevar pilnībā izmantot un šodien tās paliek konceptuālā līmenī.
Jā, šajā virzienā ir daudz trokšņu:tajā pašā laikā daudzi eksperti dod priekšroku nekavējoties runāt par konkrētu problēmu risināšanu, ietaupot laiku un naudu, ievērojot tehnoloģiju izmantošanu. Reāli šīs idejas klupst pie personāla jautājuma: ja pirms vairākiem gadiem tika runāts par programmētāju trūkumu, tad tagad nekas nav mainījies, izņemot to, ka tagad mums vairs nav vajadzīgi tikai, piemēram, Java programmētāji, bet arī sarežģīti inženieri, kas var saprast un atrisināt problēmu, tostarp izmantojot mašīnmācīšanās metodes.
Tirgus pārsātinājuma sajūta ar speciālistiemmašīnmācība ir vairāk maldinoša nekā īsta. Jā, daudzi domā, ka šo jomu var ātri apgūt, izejot pāris kursos, taču rezultātā tirgus ir pārsātināts ar speciālistiem ar nebūtisku pieredzi. Tomēr mašīnmācība vairumā gadījumu ir rīks konkrētas problēmas efektīvai risināšanai (labi, tikai tad, ja jūs to nedarāt tās pašas dēļ), un, lai izvēlētos pareizo rīku, jums ir jābūt plašām zināšanām noteiktā jomā ( mūsu gadījumā informācijas drošība).
Mašīnmācības vēsture šodien ir vairākTas līdzinās situācijai ar “zelta āmuru”, kas ir populārs attīstības vidē, kurā jebkura problēma tiek mēģināta atrisināt ar viena (kaut arī zelta) āmura palīdzību. Mašīnmācības speciālisti, kuri ir pabeiguši pāris kursus, pielieto savu pieredzi simtiem gadījumu, nespējot saprast, kad ir nepieciešams vēl viens rīku komplekts - papildu. Daudzi no šiem svaigi ceptajiem speciālistiem nav izstrādātāji, un tie nevar pārsniegt Jupyter piezīmjdatoru (populārs ML rīks), vai arī trūkst atbilstošu zināšanu citās jomās, kas neļauj veiksmīgi izmantot tehnoloģiju jebkurā konkrētā jomā, lai atrisinātu īpašas problēmas.
Alena Arykina, datu zinātniece Sberbank PJSC
Mašīnmācībā ir radoša daļa,atkarībā no datiem un zināšanām par jomu, par attīstītāja intuīciju un daudz ko citu. Un ir automātiskas lietas, kur jums ir nepieciešams atrast labākus parametrus un pārrakstīt ilgi zināmu kodu. Otrā daļa, tāpat kā jebkurš "mehānisks" process, cilvēkiem ir tendence optimizēt visu, tostarp izmantojot mašīnu apguvi. Ja agrākie matemātiķi no “manuālās mācīšanās” uz automātisku pārcēlās uz šādu bibliotēku kā keras, šodien šādu optimizācijas piemērus var izmantot kā bibliotēkas datu kopu stāvokļa pārvaldībai, attēlu un tekstu priekšapstrādei, pat elementu funkciju automātiskai noteikšanai. Algoritmi var būt vienkārši (nojaukt vārda galus) vai sarežģīti (veidot īpašus neironu tīklus - autoencoderus, kas saspiež datus uz jebkuru lielumu), bet šādu mācību līdzekļu kopums visbiežāk nosaka galīgā modeļa kvalitāti un līdz ar to arī datassentista prasmes.
Mašīnmācība galu galā nonāks vēlākjomas, kur to var palēnināt tiesību akti vai cilvēku neuzticība: zāles vai automašīna ar autopilotu. Mēs jau redzam milzīgus sasniegumus šajās jomās - tos izmanto citās valstīs. Bet es esmu pārliecināts, ka, lai tos īstenotu kopā ar mums un padarītu tos pieejamus parastiem cilvēkiem, mums būs jāsaņem vairāk nekā viens birokrātisks karš.
Datu zinātne patiešām ir ļoti interesanta. Katru otro reizi mans draugs IT speciālists jau lasīja par mašīnu mācīšanos. Willy-nilly, jūs sākat uztraukties: vai nebūs pārāk daudz datu rādītāju? Turklāt tagad viņi cenšas izmantot mašīnmācības jebkurā IT projektā un jebkādos uzdevumos, nevis īsti iedomāties, kāpēc tur ir vajadzīgi šādi algoritmi - tas ir modē. HYIP iet un darba vietu skaits samazināsies. No otras puses, jautājums ir par to, vai tie, kas patiešām mīl Datu zinātni, paliks profesijā, nevis pēc modes.
Tatjana Savelyeva, nestrukturētās datu grupas vadītāja, Yandex.Taxi, tldr_arxiv telegrammas kanāla autore
Man vispār nepatīk vārds “AI”, jotas ir pārāk vispārīgs un ambiciozs, un tas bieži liek cilvēkiem pārvērtēt tehnoloģiju līmeni. Ziniet, ir tāds joks: “Kā atšķirt ML no AI? ML tiek veikta Python, un AI tiek veikta programmā PowerPoint.
Pirmā datu zinātnes tendence pieaugpriekšmeta jomas popularitāte: uzņēmumi arvien vairāk saprot, ka bez liela daudzuma noderīgas informācijas apstrādes nākotnē būs grūti. Ir tendence uz mašīnmācīšanās automatizāciju: ja pirms 10 gadiem visas metodes, lai strādātu, bija jāraksta pašam, tad tagad ir daudz ērtu gatavu bibliotēku.
Bet līdz ar metožu izmantošanas vienkāršībupašreizējie rīki mainās arvien ātrāk - jums pastāvīgi jātur pirksts uz pulsa. Ir tendence izmantot neironu tīklus: industriālās konferencēs tiek publicēti arvien vairāk rakstu, kas saistīti ar šāda veida algoritmiem.
Tāpēc mašīnmācība ir pēdējānonāks jomās, kur ir maz datu vai kur tās vispār nav - piemēram, tādā veidā jūs diez vai varēsiet paredzēt vietu, kur asteroīds krīt, vai laiku, kad Mēness saduras ar Zemi. Šķiet, ka birokrātiskajās iestādēs - valsts aģentūrās, medicīnas iestādēs - ir grūti īstenot mašīnu mācības.
Jebkurā gadījumā kādā brīdī tirgus būsUzsākot vakances būs liels pretendentu skaits - jaunākie speciālisti vai praktikanti, jo zināšanas, kas nepieciešamas darbam šādā amatā, kļūst arvien pieejamākas. Taču pieaugs pieprasījums pēc pieredzējušiem speciālistiem, kuri jau ir ieviesuši ML projektus, jo šīs pieredzes iegūšana prasa daudz laika un pūļu, un mašīnmācības uzdevumu skaits pieaug straujāk nekā to cilvēku skaits, kuriem ir bijis laiks un var iegūt šādu pieredzi.
Emīlija Drahla, Datu analīzes analīze, Mehānika AI, Datu ieguves operācijas vadītāja
Mašīnmācībā viens no visvairākspilgtas tendences ir pāreja no tās izmantošanas kā palīgtehnoloģijas līdz pilnīgai automatizācijai, kas balstīta uz to. Tas visvairāk izpaužas rūpnieciskās ražošanas, lauksaimniecības un lauksaimniecības uzņēmējdarbības automatizācijā, kā arī viedās pilsētas un gudras mājas koncepciju attīstībā.
Tagad mašīnu mācību programmasdiezgan daudz, un tas ir saistīts ar pašreizējo tehnoloģiju steku attīstības līmeni, mūsu izpratni par jomu un vairākiem neatrisinātajiem ētikas jautājumiem. Mans personīgais top pieteikums ir medicīna, psiholoģija un pedagoģija. Šeit galvenokārt nav runa par palīgpakalpojumiem (ieteikumu sistēmas slimību diagnostikai vai interaktīvām sistēmām), bet par procesu pilnīgu automatizāciju caur AI un ML.
Es domāju, ka IT nozare šodien ir atšķirīga, jotehnoloģijas attīstās ļoti dinamiski, un, ja jūs pārtraucat iet kopsolī ar šīm izmaiņām, tad pastāv ļoti reāls risks kļūt par nepieprasītu speciālistu. Šī ir viena no nedaudzajām jomām, kurās universitātes absolventi bez pieredzes var konkurēt ar pieredzējušiem profesionāļiem.
Pateicoties dinamiskam tirgum, strādājiet tiem, kasSeko līdzi tendencēm, vienmēr būs. Bet tiem, kas nav gatavi mācīties visu savu dzīvi, sarežģītais jautājums vēl ir jārisina: kā palikt būtisks. Šeit palīdzēsim pieredzei, profesionālai perspektīvai un zināšanām par saistītām (vai ne!) Darbības jomām.
Izglītības joma šobrīd maināskonceptuāli un, tā sakot, saskaras ne tikai skolēni un studenti, bet arī pieaugušie profesionāļi ar darba pieredzi, ja ir iepriekš iegūta atbilstoša izglītība, pietiekams laiks un atbilstošs neatlaidības līmenis, jūs varat pārkvalificēties bez ievērojamiem finanšu ieguldījumiem un. iziet vismaz interviju, lai iegūtu sākuma līmeņa pozīciju datu analīzē. Tas ir viens no tiešsaistes kursu mērķiem.
Ja runājam par augstskolām, tad lielākā daļa no tāmpiedzīvo vairākas grūtības pašreizējo tehnisko disciplīnu mācīšanā: tehnoloģijas mainās ļoti ātri, nepieciešams piesaistīt praktizējošus speciālistus, un viņi ne vienmēr ir gatavi strādāt tādā formātā, kādu paredz universitāte. Tā palīgā nāk vadošie IT uzņēmumi, kas veido skolas, atver katedras augstskolās, vada praktiskos kursus un praksi, kā arī apmāca vakardienas absolventus uzņēmumā, uzsākot darbu. Galu galā es personīgi augstskolas uzdevumu saskatu ne tikai un ne tik daudz gatavu speciālistu palaišanā tirgū, bet gan tajā, ka augstākajai izglītībai ir jādod cilvēkam noteikts kultūras, intelektuālais un emocionālais līmenis, uz kura viņa spēj attīstīties. profesionālā dzīve lielā mērā ir atkarīga no zināšanām par konkrētām tehnoloģijām.
Anna Voevodskaya, mašīnu apmācības eksperts, Jet Infosystems
Man šķiet, ka tagad viņi arvien vairāk izmanto.pastiprināšana mācīšanās. Lēmums mācīties, mijiedarboties ar vidi, izmantojot atalgojumu, rīcību un novērojumus. Viens no slavenākajiem piemēriem, kā mācīties, ir AlphaGo. Arī šādas apmācības metodes tiek izmantotas, lai modelētu personas kustību (pēdējās sacensības NIPS bija par RL), mašīnas un citas.
Mašīnmācība ir maģija tās labākajā izpausmē.sajūtu. Speciāli jūsu datiem tiek pielietota diezgan sarežģīta matemātika, tiek veikta padziļināta analīze un sagatavota ļoti precīza prognoze tieši jums. Un katrs vēlas šo burvību sev: tā pelna naudu un nāk par labu viņu tēlam - lieliski.
Kas attiecas uz tirgus spīdumu, es esmu šajāEs neticu. Labi speciālisti vienmēr ir grūti atrast. Piemēram, Java pirms diviem gadiem neparādījās, bet vecākiem joprojām ir grūti atrast šajā jomā. Un labs datu atribūts parasti ir vienradzis: viņš zina un mīl matemātiku un kodit, un saprot biznesa metriku un labi izskaidro visu. Ja kādā no pasaules punktiem mums būs pārpilnība, tad būs jauki. Bet tas ir sava veida utopija.