Cientistas de Dados são especialistas em análise de dados que possuem as habilidades técnicas para resolver problemas complexos.
Alexandra Murzina, engenheira de aprendizado de máquina, Advanced Technologies Group, Positive Technologies
Uma das técnicas mais promissoras emo aprendizado de máquina agora é aprendizado por reforço. Aliás, o sistema DeepMind, que ganhou StarCraft II, é baseado nele. Essa abordagem de aprendizagem e, em seguida, de uso, lembra mais a IA. Tal sistema está imerso em um ambiente que lhe dá respostas às ações. Este método é muito semelhante ao modo como você e eu estudamos, mas às vezes leva anos, mas aqui há uma oportunidade de acelerar significativamente o processo por meio de modelagem e poder computacional.
Por exemplo, tal sistema aprenderá rapidamente "bemdirigir um carro. Obviamente, permanecerão questões relacionadas a situações excepcionais e a operação do sistema em suas condições (devido à limitação das tarefas que ele resolve). No outono de 2017, as redes neurais capsulares não causaram menos ruído: na época, elas falavam tanto quanto uma revolução no mundo da aprendizagem profunda. Hoje eles quase se esqueceram deles em público. Na prática, ainda são muito populares as arquiteturas de busings e redes neurais, que já se tornaram o padrão para resolver certos problemas. Tais, por exemplo, como a detecção de objetos em imagens ou classificação de imagens.
Teoricamente, a IA como tecnologia virá mais rápidoas áreas em que o trabalho de uma pessoa consiste principalmente em ações de rotina ou em áreas onde as decisões precisam ser tomadas rapidamente com base em uma grande quantidade de dados. Ou seja, as notícias sensacionais sobre como 600 traders foram substituídos por duzentos programadores podem facilmente se tornar um dos eventos comuns no campo da automação. Voltando-se para o setor de segurança cibernética, essa automação é provável, por exemplo, na área de análise de vírus ou na detecção de ataques. A propósito, nossa equipe está trabalhando em uma tecnologia que permite que o aprendizado de máquina detecte ataques em aplicativos da Web em segundos.
Na prática, prever setores nos quais a I.A.será procurado em grande escala com força total e num futuro próximo será difícil, pois a sua utilização está associada a muitas nuances sociais e jurídicas. Digamos, piloto automático: tecnologicamente já é bem possível transferir voos padrão para pilotos automáticos, mas quantos passageiros confiariam suas vidas a um avião sem uma pessoa sentada no controle? Ou, digamos, medicina - há muitos desenvolvimentos baseados na utilização da IA em relação a esta indústria, mas do ponto de vista do quadro legislativo não podem ser aproveitados ao máximo e hoje permanecem ao nível conceptual.
Sim, há muito barulho na direção:ao mesmo tempo, muitos especialistas preferem falar imediatamente sobre a solução de problemas específicos, economizando tempo e dinheiro, mediante o uso da tecnologia. Na realidade, estas ideias tropeçam na questão do pessoal: se há vários anos se falava em escassez de programadores, então nada mudou agora, excepto que agora já não precisamos apenas, por exemplo, de programadores Java, mas também de engenheiros complexos, quem pode entender e resolver o problema, inclusive usando métodos de aprendizado de máquina.
Sensação de supersaturação do mercado com especialistaso aprendizado de máquina é mais enganoso do que real. Sim, muitas pessoas pensam que podem aprender rapidamente esta área fazendo alguns cursos, mas como resultado, o mercado está saturado de especialistas com formação irrelevante. No entanto, o aprendizado de máquina é, na maioria dos casos, uma ferramenta para resolver efetivamente um problema específico (bem, apenas se você não estiver fazendo isso por si só) e, para escolher a ferramenta certa, você precisa ter amplo conhecimento em um campo específico ( no nosso caso, segurança da informação).
A história da aprendizagem de máquina hoje é maisAssemelha-se à situação com o antipadrão de “martelo de ouro” popular no ambiente de desenvolvimento, no qual qualquer problema é tentado ser resolvido com a ajuda de um único martelo (embora dourado). Os especialistas em aprendizado de máquina que concluíram alguns cursos aplicam sua experiência em cem casos em cem, sem poderem compreender quando é necessário outro kit de ferramentas - um adicional. Muitos desses especialistas recém-assados não são desenvolvedores e não podem ir além da estrutura do Jupyter Notebook (uma ferramenta popular no ML), ou não possuem conhecimento adequado em outras áreas, o que não permite o uso bem-sucedido da tecnologia em qualquer área específica para resolver problemas específicos.
Alena Arykina, cientista de dados Sberbank PJSC
No aprendizado de máquina, há uma parte criativa,dependendo dos dados e conhecimentos do campo, na intuição do desenvolvedor e muito mais. E há coisas automáticas, onde você precisa encontrar melhores parâmetros e reescrever um código conhecido há muito tempo. A segunda parte, como em qualquer processo "mecânico", as pessoas tendem a otimizar tudo, inclusive através do aprendizado de máquina. Se os matemáticos anteriores mudassem de “aprendizado manual” para o automático com base em bibliotecas como keras, hoje exemplos de tais otimizações podem servir como bibliotecas para gerenciar o estado de conjuntos de dados, pré-processamento de imagens e textos, até detecção automática de características de elementos. Os algoritmos podem ser simples (cortar as terminações das palavras) ou complexos (construir redes neurais especiais - autoencodificadores que compactam dados em qualquer tamanho), mas um conjunto dessas ferramentas de treinamento geralmente determina a qualidade do modelo final e, portanto, as habilidades de um datassentista.
A aprendizagem de máquina acabará por vir mais tarde em todosáreas onde será desacelerado pela legislação ou desconfiança humana: medicina ou um carro com um piloto automático. Já vemos tremendas conquistas nessas áreas - elas estão sendo usadas em outros países. Mas tenho certeza de que, para implementá-las conosco e torná-las acessíveis às pessoas comuns, teremos que vencer mais de uma guerra burocrática.
A Data Science é realmente muito interessante. A cada segundo, meu amigo especialista em TI já leu sobre aprendizado de máquina. Willy-nilly, você começa a se preocupar: não haverá muitos datasintists? Além disso, agora eles estão tentando usar o aprendizado de máquina em qualquer projeto de TI e para qualquer tarefa, não imaginando realmente por que tais algoritmos são necessários - está na moda. O HYIP passará e o número de trabalhos diminuirá. Por outro lado, a questão é se aqueles que realmente amam a Data Science permanecerão na profissão e não perseguirão a moda.
Tatyana Savelyeva, chefe do grupo de dados não estruturados, Yandex.Taxi, autor do canal de telegrama tldr_arxiv
Eu realmente não gosto da palavra “IA”, porqueé demasiado genérico e ambicioso e muitas vezes faz com que as pessoas sobrestimem o nível de tecnologia. Você sabe, existe uma piada: “Como distinguir ML de IA? ML é feito em Python e IA é feita em PowerPoint.”
A primeira tendência da Ciência de Dados é o aumentopopularidade da área temática: as empresas estão cada vez mais percebendo que será difícil processar uma grande quantidade de informações úteis no futuro. Há uma tendência para a automação do aprendizado de máquina: se há 10 anos você tinha que escrever todos os métodos para trabalhar sozinho, agora existem muitas bibliotecas prontas e convenientes.
Mas com a crescente facilidade de utilização dos métodosas ferramentas atuais estão mudando cada vez mais rapidamente - você precisa manter constantemente o controle. Existe uma tendência para a utilização de redes neurais: as conferências industriais publicam cada vez mais artigos relacionados com este tipo de algoritmos.
Então a aprendizagem de máquina é a últimachegará a áreas onde há poucos dados ou onde eles não são de todo - por exemplo, desta forma você dificilmente pode prever o local onde o asteróide cai, ou o tempo da colisão da Lua com a Terra. Parece que o aprendizado de máquina é difícil de implementar em instituições burocráticas - agências governamentais, instituições médicas.
De qualquer forma, em algum momento o mercado iráHaverá um grande número de candidatos para vagas iniciais - especialistas juniores ou estagiários, à medida que os conhecimentos necessários para ocupar esse cargo se tornam mais acessíveis. Mas a demanda por especialistas experientes que já implementaram projetos de ML vai crescer, pois é preciso muito tempo e esforço para ganhar essa experiência, e o número de tarefas de aprendizado de máquina está crescendo mais rápido do que o número de pessoas que tiveram tempo e foram capaz de adquirir tal experiência.
Emily Drahl, analista de análise de dados, Mechanica AI, chefe de mineração de dados em ação
Na aprendizagem de máquina, uma das maistendências brilhantes é a transição do seu uso como tecnologia assistiva para automação completa baseada nele. Isso se manifesta mais claramente na automação da produção industrial, agricultura e agronegócio, bem como no desenvolvimento dos conceitos de cidade inteligente e casa inteligente.
Agora aplicativos de aprendizado de máquinabastante e isso é devido ao nível atual de desenvolvimento de pilha de tecnologia, o nível de nossa compreensão do campo e um número de questões éticas não resolvidas. Minha principal aplicação pessoal é medicina, psicologia e pedagogia. Aqui, não é principalmente sobre serviços auxiliares (sistemas de recomendação para diagnosticar doenças ou sistemas interativos), mas sobre a automação completa de processos através de AI e ML.
Eu acho que a indústria de TI hoje é diferente porqueas tecnologias estão se desenvolvendo de forma muito dinâmica e, se você parar de acompanhar essas mudanças, há um risco muito concreto de se tornar um especialista não reivindicado. Esta é uma das poucas áreas em que os graduados universitários sem experiência podem competir com profissionais experientes.
Graças ao mercado dinâmico, trabalhe para aqueles queMantém-se com as tendências, sempre será. Mas para aqueles que não estão prontos para aprender toda a sua vida, a difícil questão ainda está por ser resolvida: como permanecer relevante. Aqui vai ajudar a experiência, visão profissional e conhecimento de áreas de atividade relacionadas (ou não!).
O campo da educação está mudando atualmenteconceitualmente e, por assim dizer, enfrenta não apenas crianças em idade escolar e estudantes, mas também profissionais adultos com experiência profissional. Tendo formação relevante no passado, tempo suficiente e o nível adequado de perseverança, você pode se reciclar sem investimentos financeiros significativos e. passar no mínimo em uma entrevista para uma posição inicial em análise de dados. Esse é um dos objetivos dos cursos online.
Se falamos de universidades, a maioria delasenfrenta uma série de dificuldades no ensino das disciplinas técnicas atuais: as tecnologias mudam muito rapidamente, é preciso atrair especialistas praticantes e nem sempre eles estão prontos para trabalhar no formato que a universidade implica. É assim que as principais empresas de TI vêm em socorro, criando escolas, abrindo departamentos em universidades, realizando cursos práticos e estágios, e também treinando os formandos de ontem dentro da empresa no início do trabalho. Em última análise, pessoalmente vejo a tarefa de uma universidade não só e não tanto em colocar no mercado um especialista pronto, mas no facto de o ensino superior dever conferir a uma pessoa um determinado nível cultural, intelectual e emocional, no qual o seu a vida profissional depende em grande medida e não do conhecimento de tecnologias específicas.
Anna Voevodskaya, especialista em aprendizado de máquina, Jet Infosystems
Parece-me que agora eles estão aplicando mais e mais.aprendizagem de reforço. A decisão de aprender, interagindo com o ambiente, usando recompensas, ações e observações. Um dos exemplos mais famosos de aprendizado por reforço é o AlphaGo. Além disso, tais métodos de treinamento são usados para simular o movimento de uma pessoa (as últimas competições na NIPS eram sobre RL), máquinas e outros.
O aprendizado de máquina é o que há de melhor na magia.senso. Matemática bastante complexa é aplicada especificamente aos seus dados, uma análise aprofundada é feita e uma previsão muito precisa é emitida só para você. E todo mundo quer essa magia para si: dá dinheiro e faz bem à imagem - ótimo.
Quanto ao excesso de mercado, estou nesteEu não acredito. Bons especialistas são sempre difíceis de encontrar. Por exemplo, o Java não apareceu há dois anos, mas o senior ainda é difícil de encontrar nessa área. E um bom datasaytnist geralmente é como um unicórnio: ele conhece e adora matemática e kodit, entende as métricas de negócios e explica tudo bem. Se tivermos um excesso de oferta dessas pessoas em algum ponto do mundo, será bom. Mas isso é algum tipo de utopia.