Naukowcy zajmujący się danymi to eksperci w dziedzinie analizy danych, którzy posiadają umiejętności techniczne umożliwiające rozwiązywanie złożonych problemów
Alexandra Murzina, Inżynier ds. Uczenia maszynowego, Grupa zaawansowanych technologii, Pozytywne technologie
Jedna z najbardziej obiecujących technik wuczenie maszynowe to obecnie uczenie się przez wzmacnianie. Swoją drogą, na nim oparty jest system DeepMind, który wygrał StarCrafta II. Takie podejście do uczenia się, a następnie do używania, naprawdę bardziej przypomina sztuczną inteligencję. System taki jest zanurzony w środowisku, które daje mu reakcje na działania. Ta metoda jest bardzo podobna do tej, którą ty i ja studiujemy, ale czasami zajmuje nam to lata, ale tutaj istnieje możliwość znacznego przyspieszenia procesu poprzez modelowanie i moc komputera.
Na przykład taki system szybko się „nauczy”prowadzić samochód. Oczywiście pozostaną kwestie związane z wyjątkowymi sytuacjami i działaniem systemu w ich warunkach (ze względu na ograniczenie zadań, które rozwiązuje). Jesienią 2017 r. Otoczkowe sieci neuronowe powodowały nie mniejszy hałas: w tym czasie mówili tak samo, jak o rewolucji w świecie głębokiej nauki. Dziś prawie zapomnieli o nich publicznie. W praktyce nadal bardzo popularne są magistrale i architektury sieci neuronowych, które już stały się standardem w rozwiązywaniu pewnych problemów. Takie jak na przykład wykrywanie obiektów na obrazach lub klasyfikacja obrazów.
Teoretycznie sztuczna inteligencja jako technologia przyjdzie szybciejte obszary, w których praca osoby składa się głównie z rutynowych działań lub w obszarach, w których decyzje muszą być podejmowane szybko w oparciu o dużą ilość danych. Oznacza to, że sensacyjne wiadomości o tym, jak 600 handlowców zostało zastąpionych przez dwieście programistów, mogą łatwo stać się jednym ze zwykłych wydarzeń w dziedzinie automatyzacji. Jeśli chodzi o branżę cyberbezpieczeństwa, taka automatyzacja jest prawdopodobna na przykład w obszarze analityki wirusów lub wykrywania ataków. Nawiasem mówiąc, nasz zespół pracuje nad technologią, która umożliwia uczenie maszynowe wykrywanie ataków na aplikacje internetowe w kilka sekund.
W praktyce przewidywanie branż, w których A.I.będzie zapotrzebowanie na dużą skalę w pełnej mocy iw najbliższej przyszłości będzie to trudne, ponieważ jego stosowanie wiąże się z wieloma niuansami społecznymi i prawnymi. Powiedzmy autopilot: technologicznie jest już całkiem możliwe przeniesienie standardowych lotów na autopiloty, ale ilu pasażerów powierzyłoby swoje życie samolotowi bez osoby za sterami? Albo, powiedzmy, medycyna – istnieje wiele osiągnięć opartych na wykorzystaniu AI w odniesieniu do tej branży, ale z punktu widzenia ram legislacyjnych nie można ich w pełni wykorzystać i dziś pozostają one nadal na poziomie koncepcyjnym.
Tak, w okolicy jest dużo hałasu:jednocześnie wielu ekspertów woli od razu rozmawiać o rozwiązaniu konkretnych problemów, oszczędzając czas i pieniądze, pod warunkiem zastosowania technologii. W rzeczywistości te pomysły krzyżują się z kwestią kadrową: jeśli kilka lat temu mówiono o niedoborze programistów, to teraz nic się nie zmieniło, z wyjątkiem tego, że teraz nie potrzebujemy już tylko np. Programistów Java, ale także skomplikowanych inżynierów, którzy potrafią zrozumieć i rozwiązać problem, w tym wykorzystując metody uczenia maszynowego.
Poczucie przesycenia rynku specjalistamiuczenie maszynowe jest bardziej zwodnicze niż rzeczywiste. Tak, wiele osób uważa, że można szybko nauczyć się tego obszaru, biorąc udział w kilku kursach, ale w efekcie rynek jest przesycony specjalistami z nieistotnym wykształceniem. Jednak uczenie maszynowe w większości przypadków jest narzędziem pozwalającym skutecznie rozwiązać konkretny problem (no, jeśli nie robisz tego dla samego rozwiązania) i aby wybrać odpowiednie narzędzie, musisz mieć szeroką wiedzę z konkretnej dziedziny ( w naszym przypadku bezpieczeństwo informacji).
Historia uczenia maszynowego jest dziś czymś więcejPrzypomina sytuację z „złotym młotem”, popularnym w środowisku programistycznym, w którym każdy problem próbuje się rozwiązać za pomocą jednego (choć złotego) młotka. Specjaliści od uczenia maszynowego, którzy ukończyli kilka kursów, wykorzystują swoje doświadczenie w stu przypadkach na sto, nie będąc w stanie zrozumieć, kiedy potrzebny jest inny zestaw narzędzi - dodatkowy. Wielu z tych świeżo upieczonych specjalistów nie jest programistami i nie może wykroczyć poza ramy Notebooka Jupytera (popularnego narzędzia w ML) lub nie posiada odpowiedniej wiedzy w innych dziedzinach, co nie pozwala im z powodzeniem wykorzystywać technologii w jakimkolwiek konkretnym obszarze do rozwiązywania konkretnych problemów.
Alena Arykina, Data Scientist Sberbank PJSC
W uczeniu maszynowym jest część kreatywna,w zależności od danych i znajomości dziedziny, intuicji dewelopera i wielu innych. Są też rzeczy automatyczne, w których trzeba znaleźć lepsze parametry i przepisać długo znany kod. Druga część, jak w każdym „mechanicznym” procesie, ma tendencję do optymalizacji wszystkiego, w tym poprzez uczenie maszynowe. Jeśli wcześniejsi matematycy przeszli od „ręcznego uczenia się” do automatycznego na podstawie takich bibliotek, jak dzisiaj, przykłady takich optymalizacji mogą służyć jako biblioteki do zarządzania stanem zbiorów danych, wstępnego przetwarzania obrazów i tekstów, a nawet automatycznego wykrywania cech elementów. Algorytmy mogą być proste (odciąć końcówki słów) lub skomplikowane (zbudować specjalne sieci neuronowe - autoenkodery kompresujące dane do dowolnego rozmiaru), ale zestaw takich narzędzi szkoleniowych najczęściej określa jakość ostatecznego modelu, a zatem umiejętności dostawcy danych.
Uczenie maszynowe w końcu nastąpi późniejobszary, w których będzie to spowolnione przez ustawodawstwo lub nieufność ludzi: medycyna lub samochód z autopilotem. Widzimy już ogromne osiągnięcia w tych dziedzinach - są one wykorzystywane w innych krajach. Ale jestem pewien, że aby je wdrożyć i udostępnić zwykłym ludziom, będziemy musieli wygrać więcej niż jedną biurokratyczną wojnę.
Data Science jest naprawdę bardzo interesująca. Co sekundę mój znajomy informatyk przynajmniej czytał o uczeniu maszynowym. Chcąc nie chcąc, zaczynasz się martwić: czy nie będzie zbyt wielu informatyków? Ponadto teraz próbują korzystać z uczenia maszynowego w dowolnym projekcie informatycznym i przy jakichkolwiek zadaniach, nie wyobrażając sobie, dlaczego takie algorytmy są tam potrzebne - jest to modne. HYIP przejdzie i liczba wolnych miejsc spadnie. Z drugiej strony pytanie brzmi, czy ci, którzy naprawdę kochają naukę danych, pozostaną w zawodzie, a nie będą gonić za modą.
Tatiana Savelyeva, szefowa nieustrukturyzowanej grupy danych, Yandex.Taxi, autor kanału telegramu tldr_arxiv
W ogóle nie podoba mi się słowo „AI”, ponieważjest zbyt ogólny i ambitny i często powoduje, że ludzie przeceniają poziom technologii. Wiecie, jest taki dowcip: „Jak odróżnić ML od AI? ML odbywa się w Pythonie, a AI w programie PowerPoint”.
Pierwszym trendem w Data Science jest wzrostpopularność tematu: firmy coraz częściej zdają sobie sprawę, że bez przetworzenia dużej ilości przydatnych informacji w przyszłości będzie to trudne. Istnieje trend w kierunku automatyzacji uczenia maszynowego: jeśli 10 lat temu trzeba było samemu pisać wszystkie metody, aby działały, teraz istnieje wiele wygodnych, gotowych bibliotek.
Ale wraz ze wzrostem łatwości stosowania metodObecne narzędzia zmieniają się coraz szybciej – trzeba cały czas trzymać rękę na pulsie. Istnieje trend w kierunku wykorzystania sieci neuronowych: na konferencjach branżowych publikuje się coraz więcej artykułów związanych z tego typu algorytmami.
Tak więc uczenie maszynowe jest ostatniedojdzie do obszarów, w których jest mało danych lub w ogóle nie ma ich - na przykład w ten sposób trudno przewidzieć miejsce, w którym spada asteroida, lub czas zderzenia Księżyca z Ziemią. Wydaje się, że uczenie maszynowe jest trudne do wdrożenia w biurokratycznych instytucjach - agencjach rządowych, instytucjach medycznych.
W każdym razie w pewnym momencie rynek to zrobiNa wolne stanowiska będzie zgłaszać się duża liczba kandydatów – młodszych specjalistów czy stażystów, gdyż wiedza niezbędna do zatrudnienia na takim stanowisku staje się coraz bardziej dostępna. Ale zapotrzebowanie na doświadczonych specjalistów, którzy już realizowali projekty ML, będzie rosło, gdyż zdobycie tego doświadczenia zajmuje dużo czasu i wysiłku, a liczba zadań uczenia maszynowego rośnie szybciej niż liczba osób, które miały czas i były w stanie zdobyć takiego doświadczenia.
Emily Drahl, Data Analysis Analytics, Mechanica AI, szef działu Data Mining in Action
W maszynie uczymy się jednego z najbardziejJasne trendy to przejście od zastosowania jako technologii wspomagającej do pełnej automatyzacji opartej na niej. Najwyraźniej przejawia się to w automatyzacji produkcji przemysłowej, rolnictwa i agrobiznesu, a także rozwoju koncepcji smart city i smart home.
Teraz aplikacje do uczenia maszynowegodość dużo, a to ze względu na obecny poziom rozwoju stosu technologii, poziom naszego zrozumienia tej dziedziny i szereg nierozwiązanych problemów etycznych. Moją osobistą aplikacją jest medycyna, psychologia i pedagogika. Nie chodzi tu głównie o usługi pomocnicze (systemy rekomendacji do diagnozowania chorób lub systemów interaktywnych), ale o pełną automatyzację procesów poprzez AI i ML.
Myślę, że dzisiejsza branża IT jest inna, ponieważtechnologie rozwijają się bardzo dynamicznie i jeśli przestaniesz nadążać za tymi zmianami, istnieje bardzo wymierne ryzyko zostania nieodebranym specjalistą. Jest to jeden z niewielu obszarów, w których absolwenci uniwersytetów bez doświadczenia mogą konkurować z doświadczonymi profesjonalistami.
Dzięki dynamicznemu rynkowi pracuj dla tych, którzyNadąża za trendami, zawsze będzie. Ale dla tych, którzy nie są gotowi uczyć się przez całe życie, trudne pytanie pozostaje do rozwiązania: jak zachować znaczenie. Tutaj pomoże doświadczenie, profesjonalne spojrzenie i znajomość pokrewnych (lub nie!) Obszarów działalności.
Obszar edukacji obecnie się zmieniakoncepcyjnie i, że tak powiem, stoi nie tylko przed uczniami i studentami, ale także dorosłymi profesjonalistami z doświadczeniem zawodowym. Mając odpowiednie wykształcenie w przeszłości, wystarczającą ilość czasu i odpowiedni poziom wytrwałości, możesz przekwalifikować się bez znacznych inwestycji finansowych i przejść przynajmniej rozmowę kwalifikacyjną na stanowisko podstawowe w analizie danych. Jest to jeden z celów kursów online.
Jeśli mówimy o uniwersytetach, to większość z nichdoświadcza szeregu trudności w nauczaniu obecnych dyscyplin technicznych: technologie zmieniają się bardzo szybko, konieczne jest przyciąganie praktykujących specjalistów, a oni nie zawsze są gotowi do pracy w formacie, jaki zakłada uczelnia. W ten sposób z pomocą przychodzą czołowe firmy IT, tworząc szkoły, otwierając wydziały na uczelniach, prowadząc zajęcia praktyczne i staże, a także szkoląc wczorajszych absolwentów w firmie już na początku pracy. Ostatecznie osobiście widzę zadanie uczelni nie tylko i nie tyle w wypuszczeniu na rynek gotowego specjalisty, ile w tym, że wyższe wykształcenie powinno dawać człowiekowi pewien poziom kulturowy, intelektualny i emocjonalny, na którym jego życie zawodowe w dużej mierze zależy nie od znajomości konkretnych technologii.
Anna Voevodskaya, ekspert ds. Uczenia maszynowego, Jet Infosystems
Wydaje mi się, że teraz stosują coraz więcej.uczenie się wzmacniania. Decyzja o nauce, interakcji z otoczeniem, korzystaniu z nagród, działań i obserwacji. Jednym z najbardziej znanych przykładów uczenia się wzmacniania jest AlphaGo. Również takie metody treningowe są wykorzystywane do symulacji ruchu osoby (ostatnie zawody w NIPS dotyczyły RL), maszyn i innych.
Uczenie maszynowe to magia w najlepszym wydaniu.sens. Do Twoich danych stosowana jest dość złożona matematyka, przeprowadzana jest dogłębna analiza i wydawana specjalnie dla Ciebie bardzo dokładna prognoza. I każdy chce tej magii dla siebie: zarabia pieniądze i jest to dobre dla ich wizerunku - świetnie.
Jeśli chodzi o nadmiar rynku, jestem w tymNie wierzę. Dobrych specjalistów zawsze trudno znaleźć. Na przykład Java nie pojawiła się dwa lata temu, ale w tej dziedzinie nadal trudno znaleźć seniora. Dobry datasaytnist jest na ogół jak jednorożec: zna i uwielbia matematykę i kodit oraz rozumie metryki biznesowe i wszystko dobrze wyjaśnia. Jeśli w pewnym momencie na świecie mamy nadpodaż takich ludzi, będzie miło. Ale to jest jakaś utopia.