Data Scientists er dataanalyseeksperter som har de tekniske ferdighetene til å løse komplekse
Alexandra Murzina, maskinlæringsingeniør, Advanced Technologies Group, Positive Technologies
En av de mest lovende teknikkene imaskinlæring er nå forsterkende læring. DeepMind-systemet, som vant StarCraft II, er forresten basert på det. Denne tilnærmingen til læring, og deretter til bruk, minner egentlig mer om AI. Et slikt system er nedsenket i et miljø som gir det respons på handlinger. Denne metoden er veldig lik hvordan du og jeg studerer, men noen ganger tar det oss år, men her er det en mulighet til å fremskynde prosessen betydelig gjennom modellering og datakraft.
For eksempel vil et slikt system raskt lære "godt"kjør bil. Selvfølgelig vil det forbli problemer knyttet til eksepsjonelle situasjoner og driften av systemet under deres forhold (på grunn av begrensningen av oppgavene det løser). Høsten 2017 forårsaket kapselnettet ikke noe mindre støy: på den tiden snakket de like mye som om en revolusjon i verden av dyp læring. I dag glemte de nesten dem i offentligheten. I praksis er det fortsatt svært populært å ha busser og nevrale nettverksarkitekturer, som allerede har blitt standarden for å løse visse problemer. Slike, for eksempel som deteksjon av objekter i bilder eller klassifisering av bilder.
Teoretisk vil AI som teknologi komme raskere innde områdene hvor en persons arbeid består for det meste av rutinemessige tiltak, eller i områder der beslutninger må gjøres raskt basert på en stor mengde data. Det vil si at de sensasjonelle nyhetene om hvordan 600 forhandlere ble erstattet av to hundre programmører, kan lett bli en av de vanlige hendelsene innen automasjon. Når det gjelder cybersikkerhetsindustrien, er slike automatiseringer sannsynlig, for eksempel innen virusanalyse, eller påvisning av angrep. Forresten, jobber vårt team med en teknologi som gjør det mulig for maskinlæring å oppdage angrep på webapplikasjoner på få sekunder.
I praksis kan forutsi bransjer der A.I.vil være etterspurt i stor skala i full kraft, og i nær fremtid vil det være vanskelig, siden bruken er forbundet med mange sosiale og juridiske nyanser. La oss si, autopilot: teknologisk er det allerede fullt mulig å overføre standardflyvninger til autopiloter, men hvor mange passasjerer ville stole på livene sine til et fly uten en person som sitter ved kontrollene? Eller for eksempel medisin - det er mange utviklinger basert på bruk av AI i forhold til denne industrien, men sett fra det lovgivende rammeverket kan de ikke brukes til det fulle og i dag forblir de fortsatt på det konseptuelle nivået.
Ja, det er mye støy rundt retningen:Samtidig foretrekker mange eksperter å umiddelbart snakke om å løse spesifikke problemer, spare tid og penger, med forbehold om bruk av teknologi. I virkeligheten snubler disse ideene over personalspørsmålet: hvis det for flere år siden var snakk om mangel på programmerere, så har ingenting endret seg nå, bortsett fra at nå trenger vi ikke lenger bare, for eksempel Java-programmerere, men også komplekse ingeniører, som kan forstå og løse problemet, inkludert ved hjelp av maskinlæringsmetoder.
Følelse av markedsovermetning med spesialistermaskinlæring er mer villedende enn ekte. Ja, mange tror at de raskt kan lære seg dette området ved å ta et par kurs, men som et resultat av dette er markedet overmettet med spesialister med irrelevant bakgrunn. Imidlertid er maskinlæring i de fleste tilfeller et verktøy for å effektivt løse et spesifikt problem (vel, bare hvis du ikke gjør det for dets egen skyld), og for å velge riktig verktøy må du ha omfattende ekspertise på et spesifikt felt ( i vårt tilfelle informasjonssikkerhet).
Historien om maskinlæring i dag er merDen ligner på situasjonen med "Golden Hammer" antipatternen populær i utviklingsmiljøet, der et problem er forsøkt å bli løst ved hjelp av en enkelt (om enn gylden) hammer. Maskininlæringsspesialister som har gjennomført et par kurs, bruker erfaring i hundre tilfeller ut av hundre uten å kunne forstå når en annen verktøykasse er nødvendig - en ekstra. Mange av disse nybakte spesialistene er ikke utviklere og kan ikke gå utover rammen av Jupyter Notebook (et populært verktøy i ML), eller mangler tilstrekkelig kunnskap på andre områder, noe som ikke tillater at de med hell bruker teknologi i et bestemt område for å løse bestemte problemer.
Alena Arykina, dataforsker Sberbank PJSC
I maskinlæring er det en kreativ del,avhengig av data og kunnskap om feltet, på utviklerens intuisjon og mye mer. Og det er automatiske ting, der du trenger å finne bedre parametere og omskrive en kjent kode. Den andre delen, som i en "mekanisk" prosess, har folk en tendens til å optimalisere alt, blant annet gjennom maskinlæring. Hvis tidligere matematikere flyttet fra "manuell læring" til automatisk en på grunnlag av slike biblioteker som keras, kan eksempler på slike optimeringer i dag fungere som biblioteker for å administrere tilstanden til datasett, forhåndsbehandle bilder og tekster, til og med automatisk gjenkjenning av elementelementer. Algoritmer kan være enkle (kutte ordens ende) eller komplekse (bygge spesielle nevrale nettverk - autoenkodere som komprimerer data til en hvilken som helst størrelse), men et sett av slike treningsverktøy bestemmer oftest kvaliteten på den endelige modellen, og dermed ferdighetene til en datassentist.
Maskininnlæring vil etter hvert komme senereområder hvor det vil bli redusert ved lov eller menneskelig mistillit: medisin eller bil med autopilot. Vi ser allerede store prestasjoner på disse områdene - de blir brukt i andre land. Men jeg er sikker på at for å kunne implementere dem med oss og gjøre dem tilgjengelige for vanlige mennesker, må vi vinne mer enn en byråkratisk krig.
Datavitenskap er veldig interessant. Hvert sekund forteller min venns IT-spesialist i det minste om maskinlæring. Willy-nilly, du begynner å bekymre deg: vil det ikke være for mange datasintister? I tillegg prøver de nå å bruke maskinlæring i et hvilket som helst IT-prosjekt og for noen oppgaver, egentlig ikke forestille seg hvorfor slike algoritmer trengs der - det er fasjonabelt. HYIP vil passere og antall ledige stillinger vil reduseres. På den annen side er spørsmålet om de som virkelig liker Data Science vil forbli i yrket og ikke jage etter mote.
Tatyana Savelyeva, leder av den ustrukturerte datagruppen, Yandex.Taxi, forfatter av tldr_arxiv telegramkanalen
Jeg liker egentlig ikke ordet "AI" i det hele tatt, fordidet er for generelt og ambisiøst, og får ofte folk til å overvurdere teknologinivået. Du vet, det er en slik vits: "Hvordan skille ML fra AI? ML gjøres i Python, og AI gjøres i PowerPoint."
Den første datavitenskapstrenden er den økendefagområdets popularitet: bedrifter innser i økende grad at uten å behandle en stor mengde nyttig informasjon i fremtiden vil det være vanskelig. Det er en trend mot automatisering av maskinlæring: Hvis du for 10 år siden måtte skrive alle metodene for å jobbe selv, er det nå mange praktiske ferdige biblioteker.
Men med den økende brukervennligheten av metodernåværende verktøy endres stadig raskere - du må hele tiden holde fingeren på pulsen. Det er en trend mot bruk av nevrale nettverk: industrielle konferanser publiserer flere og flere artikler relatert til denne typen algoritmer.
Så maskinlæring er sistvil komme til områder der det er lite data eller hvor de ikke er i det hele tatt - for eksempel, på denne måten kan du neppe forutse stedet hvor asteroiden faller, eller tidspunktet for kollisjonen av månen med jorden. Det virker som maskinlæring er vanskelig å implementere i byråkratiske institusjoner - myndigheter, medisinske institusjoner.
I alle fall vil markedet på et tidspunkt gjøre detDet vil være et stort antall søkere til å starte ledige stillinger - juniorspesialister eller praktikanter, ettersom kunnskapen som er nødvendig for ansettelse i en slik stilling blir mer tilgjengelig. Men etterspørselen etter erfarne spesialister som allerede har implementert ML-prosjekter vil vokse, siden det tar mye tid og krefter å få denne erfaringen, og antallet maskinlæringsoppgaver vokser raskere enn antall personer som har hatt tid og var kunne få slik erfaring.
Emily Drahl, Data Analysis Analytics, Mechanica AI, leder av data mining i aksjon
I maskinlæring er en av de mestlyse trender er overgangen fra bruk som hjelpemiddel til full automasjon basert på den. Dette er tydeligst manifestert i automatisering av industriell produksjon, landbruk og agribusiness, samt utviklingen av konseptene smart by og smart hjem.
Nå maskin læringsprogrammerganske mye, og dette skyldes det nåværende nivået av teknologi stabell utvikling, nivået av vår forståelse av feltet og en rekke uløste etiske problemer. Mitt personlige toppprogram er medisin, psykologi og pedagogikk. Her handler det ikke primært om tilleggstjenester (anbefalingssystemer for diagnostisering av sykdommer eller interaktive systemer), men om full automatisering av prosesser gjennom AI og ML.
Jeg tror IT-bransjen i dag er annerledes forditeknologier utvikler seg veldig dynamisk, og hvis du slutter å holde tritt med disse endringene, er det en veldig konkret risiko for å bli en uoppfordret spesialist. Dette er et av de få områdene hvor universitetsutdannede uten erfaring kan konkurrere med erfarne fagfolk.
Takket være det dynamiske markedet, jobber du for de somHolder opp med trender, vil alltid være. Men for de som ikke er klare til å lære hele livet, er det vanskelige spørsmålet fortsatt å bli løst: Hvordan forblir relevant. Her vil du oppleve, profesjonelle utsikter og kunnskap om relaterte (eller ikke så!) Aktivitetsområder.
Utdanningsfeltet er for tiden i endringkonseptuelt og så å si møter ikke bare skoleelever og studenter, men også voksne fagfolk med arbeidserfaring. Med relevant utdanning i fortiden, tilstrekkelig tid og riktig utholdenhetsnivå, kan du omskolere deg selv uten betydelige økonomiske investeringer og bestå et intervju på et minimum for en startnivåstilling innen dataanalyse. Dette er et av målene med nettkurs.
Hvis vi snakker om universiteter, de fleste av demopplever en rekke vanskeligheter med å undervise i nåværende tekniske disipliner: teknologier endres veldig raskt, det er nødvendig å tiltrekke seg praktiserende spesialister, og de er ikke alltid klare til å jobbe i det formatet universitetet innebærer. Dette er hvordan ledende IT-selskaper kommer til unnsetning, oppretter skoler, åpner avdelinger ved universiteter, gjennomfører praktiske kurs og praksisplasser, og trener også gårsdagens kandidater i selskapet ved oppstart av arbeidet. Til syvende og sist ser jeg personlig oppgaven til et universitet, ikke bare og ikke så mye i å frigjøre en ferdiglaget spesialist til markedet, men i det faktum at høyere utdanning skal gi en person et visst kulturelt, intellektuelt og emosjonelt nivå, som hans yrkeslivet avhenger i stor grad snarere enn av kunnskap om spesifikke teknologier.
Anna Voevodskaya, maskinlæringsekspert, Jet Infosystems
Det synes for meg at nå søker de mer og mer.forsterkning læring. Beslutningen om å lære, samhandle med miljøet, bruke belønninger, handlinger og observasjoner. En av de mest kjente eksemplene på forsterkningslæring er AlphaGo. Også slike treningsmetoder brukes til å simulere bevegelsen til en person (de siste konkurransene ved NIPS var om RL), maskiner og annet.
Maskinlæring er magi på sitt beste.føle. Ganske kompleks matematikk brukes spesifikt på dataene dine, en dybdeanalyse blir gjort og en svært nøyaktig prognose utstedes kun for deg. Og alle vil ha denne magien for seg selv: den tjener penger, og den er bra for deres image - flott.
Når det gjelder glut av markedet, er jeg i detteJeg tror ikke. Gode spesialister er alltid vanskelig å finne. For eksempel viste Java ikke for to år siden, men senior er fortsatt vanskelig å finne på dette området. Og en god datasaytnist er generelt som en enhjørning: han kjenner og elsker matte og kodit, og forstår forretningsmetri, og forklarer alt godt. Hvis vi har et overforbruk av slike mennesker på et tidspunkt i verden, vil det være fint. Men dette er en slags utopi.