Jak uczyć się uczenia maszynowego
— Jakie jest Twoje doświadczenie i co robiłeś przed uczeniem maszynowym? Jak
— Prowadzę firmę usługową Sethitechnologie. Naszym klientom dostarczamy rozwiązania oparte na uczeniu maszynowym i sztucznej inteligencji. Przez ostatnie dwa lata współpracowaliśmy z największymi firmami z listy Fortune 500.
Zawsze fascynowały mnie dane.To zadecydowało o moim wyborze – potem zacząłem szukać wiedzy, umiejętności i doświadczenia w zakresie uczenia maszynowego poprzez uczenie projektowe. To dało mi możliwość zostania ekspertem od uczenia maszynowego w ekosystemie edukacji, zdecentralizowanym ekosystemie uczenia się, który uczy profesjonalistów i studentów tworzenia prawdziwych produktów.
„Jeśli interesują Cię dane, automatyzacja i algorytmy, uczenie maszynowe jest opłacalnym wyborem kariery”
Jak ludzie zaczynają uczyć się uczenia maszynowego? Czy nie jest to dziedzina, w której potrzebna jest podstawowa wiedza i wieloletnia edukacja?
— Podstawowa wiedza w tej dziedzinieprogramowanie jest dodatkową zaletą, w przeciwnym razie krzywa uczenia się będzie zbyt stroma. Uczenie maszynowe jest również głównym składnikiem najszybciej rozwijających się obszarów - Big Data, Predictive Analytics, Data Mining i Statystyka Obliczeniowa.
Jeśli zadzwonią dane, automatyzacja i algorytmyzainteresowanie, to uczenie maszynowe to opłacalny wybór kariery. Uczestnictwo w zorganizowanym programie lub kursie to jeden z najlepszych sposobów na naukę uczenia maszynowego od podstaw. Wysoki popyt w tej branży zaowocował setkami kursów stacjonarnych i internetowych.
— Co możesz doradzić deweloperom i analitykom, którzy chcą się rozwijać w tym obszarze?
– Uczenie maszynowe ma potencjał, abyaplikacje wydajniejsze i lepiej reagujące na potrzeby użytkowników. Deweloperzy, którzy chcą wdrożyć uczenie maszynowe w aplikacjach, muszą znać kilka kluczowych rzeczy, które pomogą im odnieść sukces:
- Im więcej danych ma algorytm, tym dokładniejszy się staje, więc w miarę możliwości unikaj podpróbkowania.
- Wybór najlepszej metody uczenia maszynowego dla problemu jest kluczem i często decyduje o sukcesie lub porażce.
- Modele uczenia maszynowego mogą być dobre tylko wtedy, gdy dane są dobre.
- Zrozumienie funkcji danych i ich ulepszanie (poprzez tworzenie nowych i usuwanie istniejących) ma duży wpływ na przewidywalność.
- Gdzie możesz się tego nauczyć? Może na kursach lub w szkołach?
— Na szczęście dziś platform jest wielenauka online, taka jak Ekosystem Edukacyjny, gdzie można poznać różne koncepcje uczenia maszynowego i sztucznej inteligencji. W Ekosystemie Edukacyjnym możesz uczyć się od doświadczonych programistów poprzez projekty obejmujące samouczki i zasoby projektowe. Na przykład stworzyłem kilka takich projektów:
- Pobieranie obrazu przez podobieństwo za pomocą Tensorflow i Keras
- Transfer stylu neuronowego za pomocą Keras i Tensorflow
- Jak wykonać wykrywanie twarzy za pomocą kaskad Haar OpenCV
Jaki biznes potrzebuje, a który nie potrzebuje AI
— Jak „sprzedajecie” sztuczną inteligencję i uczenie maszynowe firmom i jak usprawniają one swoją pracę? Jak myślisz, dlaczego biznes stał się bardziej naukowy?
— Algorytmy uczenia maszynowego mogą wielokrotnieuczyć się na podstawie dostarczonego zbioru danych, rozumieć wzorce, zachowania. Proces ten ma charakter iteracyjny i stale się doskonali, co pomaga firmom nieustannie zmieniać się w celu zaspokojenia potrzeb biznesu i klientów.
"Algorytmy uczenia maszynowego mogą uczyć się iteracyjnie z danego zestawu danych"
Jakie firmy będą i nie będą pasować? Jakie problemy można rozwiązać za ich pomocą?
— Uczenie maszynowe jest przede wszystkim potrzebne biznesowi,która zajmuje się klasyfikacją obrazów, parsowaniem tekstu czy modelowaniem predykcyjnym. W przypadku innych rodzajów działalności można wytrenować algorytmy, które polecają coś użytkownikowi, zbierają dane, wykorzystują głębokie uczenie i sieci neuronowe. W branży usługowej algorytmy można szkolić jak menedżera pomocy technicznej poprzez przetwarzanie języka naturalnego na podstawie typowych skarg klientów.
— W tej dziedzinie prawie codziennie pojawia się coś nowego. Jak śledzić, co się dzieje, na co zwracać szczególną uwagę?
— Z niedawnego raportu firmy Indeed wynika, że oferty pracyInżynierowie zajmujący się uczeniem maszynowym wyprzedzają wszystkich innych pod względem wynagrodzeń, popytu i wzrostu. W dokumencie wskazano również, że zapotrzebowanie na inżynierów zajmujących się uczeniem maszynowym wzrosło o 344%.
Ten obszar jest tak ważny, ponieważumożliwia firmom dostrzeżenie trendów w zachowaniach klientów i wzorców działania firmy, promuje rozwój nowych produktów. Wiele wiodących firm, takich jak Facebook, Google i Uber, czyni z uczenia maszynowego centralną część swojej działalności. Ciągły rozwój zawodowy pomoże profesjonalistom wykorzystać wysoki popyt i niską podaż w tej branży.
— Uczenie maszynowe jest często wykorzystywane w analizie big data. Jakie przełomowe produkty pojawią się tutaj?
Big data stało się ważne, jak wieluorganizacje, zarówno publiczne, jak i prywatne, gromadzą ogromne ilości informacji w określonych obszarach. Łączenie uczenia maszynowego i big data to niekończący się proces. Zobaczymy, jak algorytmy uczenia maszynowego są stosowane do każdego elementu pracy z big data, w tym segmentacji, analizy danych i modelowania.
— Jakie nisze wolnego rynku wiążą się z rozwojem uczenia maszynowego i sztucznej inteligencji?
- Sztuczna inteligencja to przełomnajnowsza technologia. Istnieje wiele obszarów niszowych, w których sztuczna inteligencja wywiera znaczący wpływ. Istnieją inne niszowe aplikacje, które nie są omawiane w mediach, ale znajdują się w publikacjach naukowych. W najbliższych latach otrzymają największy rozwój, są to edukacja, budownictwo i planowanie, rozrywka i analityka sportowa.
— Jak widzisz rozwój uczenia maszynowego? Jak może pomóc ludziom, firmom, państwom?
— Uczenie maszynowe pomaga firmomstosuj konserwację zapobiegawczą, aby ograniczyć awarie sprzętu i zwiększyć zyski. Wraz ze wzrostem zapotrzebowania na duże i złożone możliwości przetwarzania danych, uczenie maszynowe pomoże firmom wykorzystywać dane konsumenckie do tworzenia użytecznych profili klientów, zwiększania sprzedaży i budowania lojalności wobec marki.
Uczenie maszynowe dopiero zaczyna się rozwijać. Wszystko, co najciekawsze, przede mną
Jakie są największe nieporozumienia dotyczące Big Data i uczenia maszynowego?
- Największym nieporozumieniem jestże modele uczenia maszynowego mogą rozwiązać wszystkie problemy tego świata. Jeden z najbardziej znanych cytatów na temat uczenia maszynowego pochodzi od Dave'a Watersa: „Dziecko uczy się raczkować, chodzić, a potem biegać. W dziedzinie uczenia maszynowego jesteśmy w fazie indeksowania”.
W procesie uczenia maszynowego zawsze będziezaangażowana osoba. Ale jest tutaj zastrzeżenie. Dzięki ulepszonym algorytmom będziemy w stanie całkowicie wyeliminować zaangażowanie człowieka po wytrenowaniu konkretnego modelu uczenia maszynowego.
- Nie wszyscy nadążają za przełomami w tej dziedzinie – na co zwracać uwagę?
— Najnowsze osiągnięcia w dziedzinie maszynDzisiaj uczenie się to Automated Machine Learning (AutoML), Machine Learning Operationalization Management (MLOps), No-Code Machine Learning i Low-Code Machine Learning Development. Są to koncepcje, które doprowadzą do bardzo obiecujących projektów w nadchodzących latach.
— Jakie są krótko- i długoterminowe problemy ML? A co z uprzedzeniami programistów, złymi intencjami i standardami etycznymi, których nie można spisać i sformalizować?
— Największe wyzwania w uczeniu maszynowym —jest to brak wykwalifikowanych zasobów, brak danych wysokiej jakości oraz zrozumienie, jakie procesy należy zautomatyzować. Dopóki nie będziemy mieli czystych i wiarygodnych danych, specjaliści od uczenia maszynowego będą nadal stawiać czoła wyzwaniom związanym z opracowywaniem algorytmów i systemów, które dokładnie spełniają potrzeby, dla których zostały stworzone.
- Kiedy i w jakim obszarze sztuczna inteligencja zaprezentuje się w najciekawszy sposób?
— Sztuczna inteligencja kształtuje przyszłośćludzkości w prawie wszystkich sektorach. Jest już główną siłą napędową powstających technologii, takich jak big data, robotyka i IoT, i nadal będzie innowatorem technologicznym w dającej się przewidzieć przyszłości. Dziś trudno jest wybrać jeden konkretny obszar, biorąc pod uwagę, że wszystkie branże pracują dziś z dużymi ilościami danych i mają różne potrzeby w zakresie automatyzacji.
Czytaj więcej:
Archeolodzy oficjalnie potwierdzili legendy biblijne
Znaleziono grób „kapłanki” Afrodyty: naukowcy pokazali, co tam znaleźli
Naukowcy widzieli, co znajduje się na terytorium stolicy Majów. Znalezisko ich zaskoczyło.