Data Scientists zijn data-analyse-experts die over de technische vaardigheden beschikken om complexe vraagstukken op te lossen
Alexandra Murzina, ingenieur machinaal leren, Advanced Technologies Group, Positive Technologies
Eén van de meest veelbelovende technieken inmachine learning is nu versterkend leren. Trouwens, het DeepMind-systeem, dat StarCraft II won, is daarop gebaseerd. Deze benadering van leren en vervolgens van gebruiken doet eigenlijk meer denken aan AI. Een dergelijk systeem wordt ondergedompeld in een omgeving die het reacties geeft op acties. Deze methode lijkt erg op hoe jij en ik studeren, maar soms duurt het jaren, maar hier is er een mogelijkheid om het proces aanzienlijk te versnellen door middel van modellering en computerkracht.
Zo'n systeem leert bijvoorbeeld snel "goed"auto rijden. Natuurlijk blijven er problemen met betrekking tot uitzonderlijke situaties en de werking van het systeem in hun omstandigheden (vanwege de beperking van de taken die het oplost). In het najaar van 2017 veroorzaakten capsulaire neurale netwerken niet minder ruis: op dat moment spraken ze evenveel over een revolutie in de wereld van diep leren. Vandaag vergaten ze ze bijna in het openbaar. In de praktijk zijn nog steeds erg populair de busings en neurale netwerkarchitecturen, die al de standaard zijn geworden voor het oplossen van bepaalde problemen. Zoals bijvoorbeeld het detecteren van objecten in afbeeldingen of het classificeren van afbeeldingen.
Theoretisch zal AI als technologie sneller binnenkomendie gebieden waar iemands werk voornamelijk bestaat uit routinematige acties, of in gebieden waar beslissingen snel moeten worden genomen op basis van een grote hoeveelheid gegevens. Dat wil zeggen, het sensationele nieuws over hoe 600 handelaren werden vervangen door tweehonderd programmeurs, kan gemakkelijk een van de gewone gebeurtenissen op het gebied van automatisering worden. Wat betreft de cybersecurity-industrie, is dergelijke automatisering waarschijnlijk bijvoorbeeld op het gebied van virusanalyse of de detectie van aanvallen. Ons team werkt trouwens aan een technologie waarmee machine learning aanvallen op webapplicaties in seconden kan detecteren.
In de praktijk voorspellen het voorspellen van industrieën waarin A.I.Er zal op grote schaal veel vraag naar zijn en in de nabije toekomst zal het moeilijk zijn, omdat het gebruik ervan gepaard gaat met veel sociale en juridische nuances. Laten we zeggen de automatische piloot: technologisch gezien is het al heel goed mogelijk om standaardvluchten over te zetten naar automatische piloten, maar hoeveel passagiers zouden hun leven aan een vliegtuig toevertrouwen zonder dat er iemand aan het stuur zit? Of bijvoorbeeld de geneeskunde - er zijn veel ontwikkelingen gebaseerd op het gebruik van AI in relatie tot deze industrie, maar vanuit het oogpunt van het wetgevingskader kunnen ze niet ten volle worden benut en vandaag de dag blijven ze nog steeds op conceptueel niveau.
Ja, er is veel lawaai in de richting:Tegelijkertijd geven veel experts er de voorkeur aan om onmiddellijk te praten over het oplossen van specifieke problemen, waardoor tijd en geld worden bespaard, afhankelijk van het gebruik van technologie. In werkelijkheid struikelen deze ideeën over de personeelskwestie: als er enkele jaren geleden sprake was van een tekort aan programmeurs, dan is er nu niets veranderd, behalve dat we nu niet langer alleen bijvoorbeeld Java-programmeurs nodig hebben, maar ook complexe ingenieurs. die het probleem kan begrijpen en oplossen, inclusief het gebruik van machine learning-methoden.
Gevoel van oververzadiging van de markt met specialistenMachine learning is meer bedrieglijk dan echt. Ja, veel mensen denken dat ze dit gebied snel kunnen leren door een paar cursussen te volgen, maar daardoor is de markt oververzadigd met specialisten met een irrelevante achtergrond. Machine learning is echter in de meeste gevallen een hulpmiddel om een specifiek probleem effectief op te lossen (nou ja, alleen als je het niet voor het eigen belang doet) en om het juiste hulpmiddel te kiezen moet je over uitgebreide expertise op een specifiek gebied beschikken ( in ons geval informatiebeveiliging).
De geschiedenis van machine learning vandaag is meerHet lijkt op de situatie met het 'gouden hamer'-antipatroon dat populair is in de ontwikkelomgeving, waarin elk probleem wordt proberen op te lossen met behulp van een enkele (zij het gouden) hamer. Specialisten in machine learning die een aantal cursussen hebben gevolgd, passen hun ervaring toe in honderd van de honderd gevallen, zonder te kunnen begrijpen wanneer een andere toolkit nodig is - een extra. Veel van deze versgebakken specialisten zijn geen ontwikkelaars en kunnen niet verder gaan dan het raamwerk van Jupyter Notebook (een populaire tool in ML), of hebben onvoldoende kennis op andere gebieden, waardoor ze met succes technologie op een bepaald gebied niet kunnen gebruiken om specifieke problemen op te lossen.
Alena Arykina, gegevenswetenschapper Sberbank PJSC
In machine learning is er een creatief deel,afhankelijk van de gegevens en kennis van het veld, van de intuïtie van de ontwikkelaar en nog veel meer. En er zijn automatische dingen, waarbij je betere parameters moet vinden en een lang bekende code moet herschrijven. Het tweede deel, zoals bij elk "mechanisch" proces, hebben mensen de neiging om alles te optimaliseren, inclusief door middel van machine learning. Als eerdere wiskundigen overstapten van "handmatig leren" naar automatisch op basis van bibliotheken als kera's, kunnen tegenwoordig voorbeelden van dergelijke optimalisaties dienen als bibliotheken voor het beheren van de status van gegevenssets, voorbewerkingen van afbeeldingen en teksten, zelfs automatische detectie van kenmerken van elementen. Algoritmen kunnen eenvoudig zijn (de eindes van woorden afsnijden) of complex (speciale neurale netwerken bouwen - autoencoders die gegevens naar elke grootte comprimeren), maar een set van dergelijke trainingstools bepaalt meestal de kwaliteit van het uiteindelijke model, en daarom de vaardigheden van een datassentist.
Machine learning komt uiteindelijk allemaal latergebieden waar het door wetgeving of menselijk wantrouwen wordt vertraagd: medicijnen of een auto met een stuurautomaat. We zien al geweldige resultaten op deze gebieden - ze worden in andere landen gebruikt. Maar ik ben er zeker van dat we meer dan één bureaucratische oorlog moeten winnen om ze bij ons te implementeren en toegankelijk te maken voor gewone mensen.
Data Science is echt heel interessant. Elke seconde las mijn vriend IT-specialist al minstens over machine learning. Willy-nilly, je begint je zorgen te maken: zullen er niet teveel datasintists zijn? Bovendien proberen ze nu machine learning te gebruiken in elk IT-project en voor alle taken, zonder zich echt in te beelden waarom dergelijke algoritmen daar nodig zijn - het is modieus. HYIP gaat voorbij en het aantal vacatures neemt af. Aan de andere kant is de vraag of degenen die echt van Data Science houden, in het vak blijven en niet achter mode aan gaan.
Tatyana Savelyeva, hoofd van de ongestructureerde datagroep, Yandex.Taxi, auteur van het telegramkanaal tldr_arxiv
Ik houd helemaal niet van het woord ‘AI’, omdathet is te algemeen en te ambitieus, en zorgt er vaak voor dat mensen het technologieniveau overschatten. Weet je, er is zo'n grap: “Hoe onderscheid je ML van AI? ML gebeurt in Python en AI in PowerPoint.”
De eerste Data Science-trend is de stijgendepopulariteit van het vakgebied: bedrijven realiseren zich steeds meer dat het in de toekomst moeilijk zal worden om een grote hoeveelheid bruikbare informatie te verwerken. Er is een trend in de richting van automatisering van machinaal leren: als je tien jaar geleden alle methoden moest schrijven om zelf te werken, zijn er nu veel handige kant-en-klare bibliotheken.
Maar met het toenemende gebruiksgemak van methodende huidige instrumenten veranderen steeds sneller - je moet voortdurend de vinger aan de pols houden. Er is een trend richting het gebruik van neurale netwerken: industriële conferenties publiceren steeds meer artikelen over dit soort algoritmen.
Dus machine learning is het laatstekomt naar gebieden waar weinig gegevens zijn of helemaal niet - op deze manier kunt u bijvoorbeeld nauwelijks de plaats voorspellen waar de asteroïde valt, of de tijd van de botsing van de maan met de aarde. Het lijkt erop dat machine learning moeilijk te implementeren is in bureaucratische instellingen - overheidsinstellingen, medische instellingen.
Hoe dan ook, op een gegeven moment zal de markt dat wel doenEr zal een groot aantal sollicitanten zijn voor startende vacatures: junior specialisten of stagiaires, omdat de kennis die nodig is voor een baan in een dergelijke functie steeds toegankelijker wordt. Maar de vraag naar ervaren specialisten die al ML-projecten hebben geïmplementeerd, zal groeien, omdat het veel tijd en moeite kost om deze ervaring op te doen, en het aantal machine learning-taken sneller groeit dan het aantal mensen dat tijd heeft gehad en dergelijke ervaring kunnen opdoen.
Emily Drahl, data-analyseanalyse, Mechanica AI, hoofd datamining in actie
In machine learning een van de meestheldere trends is de overgang van het gebruik ervan als hulptechnologie naar volledige automatisering op basis hiervan. Dit komt het duidelijkst tot uiting in de automatisering van industriële productie, landbouw en agribusiness, evenals de ontwikkeling van de concepten smart city en smart home.
Nu machine learning-applicatiesbest veel en dit komt door het huidige niveau van de ontwikkeling van technologiestacks, het niveau van ons begrip van het veld en een aantal onopgeloste ethische kwesties. Mijn persoonlijke topapplicatie is geneeskunde, psychologie en pedagogiek. Hier gaat het niet primair om ondersteunende diensten (aanbevelingssystemen voor het diagnosticeren van ziekten of interactieve systemen), maar om de volledige automatisering van processen via AI en ML.
Ik denk dat de IT-industrie vandaag anders is omdattechnologieën ontwikkelen zich zeer dynamisch en als u stopt met het bijhouden van deze veranderingen, dan is er een zeer tastbaar risico om een niet-geclaimde specialist te worden. Dit is een van de weinige gebieden waar afgestudeerden zonder ervaring kunnen concurreren met ervaren professionals.
Dankzij de dynamische markt, werk voor degenen diebijblijft met trends, zal dat altijd blijven. Maar voor degenen die niet klaar zijn om hun hele leven te leren, moet de moeilijke vraag nog worden opgelost: hoe relevant te blijven. Hier worden ervaringen, professionele inzichten en kennis van gerelateerde (of niet)!
Het onderwijsveld is momenteel aan het veranderenconceptueel en bij wijze van spreken niet alleen geconfronteerd met scholieren en studenten, maar ook met volwassen professionals met werkervaring. Met een relevante opleiding in het verleden, voldoende tijd en het juiste niveau van doorzettingsvermogen, kun je jezelf omscholen zonder noemenswaardige financiële investeringen en minimaal slagen voor een sollicitatiegesprek voor een instappositie in data-analyse. Dit is een van de doelen van online cursussen.
Als we het over universiteiten hebben, de meesteondervindt een aantal moeilijkheden bij het onderwijzen van de huidige technische disciplines: technologieën veranderen zeer snel, het is noodzakelijk om praktiserende specialisten aan te trekken, en ze zijn niet altijd bereid om te werken in het formaat dat de universiteit impliceert. Dit is hoe toonaangevende IT-bedrijven te hulp schieten door scholen op te zetten, afdelingen op universiteiten te openen, praktijkcursussen en stages te geven, en ook de afgestudeerden van gisteren binnen het bedrijf op te leiden aan het begin van hun werk. Uiteindelijk zie ik persoonlijk de taak van een universiteit niet alleen en niet zozeer in het op de markt brengen van een kant-en-klare specialist, maar in het feit dat het hoger onderwijs iemand een bepaald cultureel, intellectueel en emotioneel niveau moet geven, waarop zijn het professionele leven hangt voor een groot deel af van kennis van specifieke technologieën.
Anna Voevodskaya, expert in machine learning, Jet Infosystems
Het lijkt mij dat ze nu steeds meer solliciteren.versterking leren. De beslissing om te leren, interactie met de omgeving, met behulp van beloningen, acties en observaties. Een van de bekendste voorbeelden van versterkingsleren is AlphaGo. Ook worden dergelijke trainingsmethoden gebruikt om de beweging van een persoon te simuleren (de laatste wedstrijden op NIPS gingen over RL), machines en andere.
Machine learning is magie op zijn best.gevoel. Er wordt specifiek complexe wiskunde op uw gegevens toegepast, er wordt een diepgaande analyse uitgevoerd en er wordt speciaal voor u een zeer nauwkeurige voorspelling afgegeven. En iedereen wil deze magie voor zichzelf: het levert geld op, en het is goed voor hun imago - geweldig.
Wat betreft de overvloed van de markt, ik zit hierinIk geloof niet Goede specialisten zijn altijd moeilijk te vinden. Java is bijvoorbeeld niet twee jaar geleden verschenen, maar senior is nog steeds moeilijk te vinden in dit gebied. En een goede datasaytnist is over het algemeen als een eenhoorn: hij kent wiskunde en kodit en is er dol op, en begrijpt bedrijfsstatistieken en legt alles goed uit. Als we ooit een overaanbod van dergelijke mensen hebben, zal het leuk zijn. Maar dit is een soort utopie.