Data Scientists sú odborníci na analýzu údajov, ktorí majú technické zručnosti na riešenie zložitých problémov
Alexandra Murzina, inžinier strojového učenia, Advanced Technologies Group, Pozitívne technológie
Jedna z najsľubnejších techník vstrojové učenie je teraz posilňovacie učenie. Mimochodom, je na ňom založený systém DeepMind, ktorý vyhral StarCraft II. Tento prístup k učeniu a následne k používaniu skutočne viac pripomína AI. Takýto systém je ponorený do prostredia, ktoré mu dáva reakcie na akcie. Táto metóda je veľmi podobná tomu, ako študujeme vy a ja, ale niekedy nám to trvá roky, ale tu je možnosť výrazne urýchliť proces pomocou modelovania a výkonu počítača.
Takýto systém sa napríklad rýchlo naučí dobreriadiť auto. Samozrejme, zostanú problémy týkajúce sa výnimočných situácií a fungovania systému v ich podmienkach (vzhľadom na obmedzenie úloh, ktoré rieši). Na jeseň 2017 nespôsobili kapsulárne neurónové siete menej hluku: vtedy hovorili o revolúcii vo svete hlbokého učenia. Dnes na ne skoro zabudli. V praxi sú stále veľmi populárne zbernice a architektúry neurónových sietí, ktoré sa už stali štandardom pre riešenie určitých problémov. Napríklad, ako je detekcia objektov v obrazoch alebo klasifikácia obrázkov.
Teoreticky, AI ako technológia príde rýchlejšieoblasti, kde práca osoby pozostáva prevažne z rutinných činností, alebo v oblastiach, kde je potrebné rýchlo prijímať rozhodnutia na základe veľkého množstva údajov. To znamená, že senzačná správa o tom, ako 600 obchodníkov nahradilo dvesto programátorov, sa môže ľahko stať jednou z bežných udalostí v oblasti automatizácie. Pokiaľ ide o odvetvie kybernetickej bezpečnosti, takáto automatizácia je pravdepodobne napríklad v oblasti analýzy vírusov alebo detekcie útokov. Mimochodom, náš tím pracuje na technológii, ktorá umožňuje strojové učenie odhaliť útoky na webové aplikácie v priebehu niekoľkých sekúnd.
V praxi predpovedanie odvetví, v ktorých A.I.bude žiadaný vo veľkom meradle v plnej sile av blízkej budúcnosti to bude ťažké, pretože jeho používanie je spojené s množstvom sociálnych a právnych nuancií. Povedzme, autopilot: technologicky je už celkom možné preniesť štandardné lety na autopilotov, ale koľko pasažierov by zverilo svoj život lietadlu bez toho, aby človek sedel pri riadení? Alebo povedzme medicína – vo vzťahu k tomuto odvetviu existuje veľa vývojov založených na využívaní AI, ktoré sa však z hľadiska legislatívneho rámca nedajú využiť naplno a dnes stále zostávajú na koncepčnej úrovni.
Áno, v tomto smere je veľa hluku:zároveň mnohí odborníci radšej okamžite hovoria o riešení konkrétnych problémov, šetrení času a peňazí, s výhradou použitia technológie. V skutočnosti tieto myšlienky narážajú na personálnu otázku: ak sa pred niekoľkými rokmi hovorilo o nedostatku programátorov, tak teraz sa nič nezmenilo, až na to, že už nepotrebujeme napríklad Java programátorov, ale aj komplexných inžinierov, ktorí dokážu problém pochopiť a vyriešiť, vrátane použitia metód strojového učenia.
Pocit presýtenia trhu špecialistamistrojové učenie je viac klamlivé ako skutočné. Áno, veľa ľudí si myslí, že sa túto oblasť rýchlo naučí pár kurzami, no v dôsledku toho je trh presýtený odborníkmi s irelevantným pozadím. Strojové učenie je však vo väčšine prípadov nástrojom na efektívne riešenie konkrétneho problému (dobre, iba ak to nerobíte pre jeho vlastné dobro) a aby ste si vybrali ten správny nástroj, musíte mať rozsiahle odborné znalosti v konkrétnej oblasti ( v našom prípade informačná bezpečnosť).
História strojového učenia je dnes viacPripomína situáciu so „zlatým kladivom“ antipattern, ktorý je obľúbený vo vývojovom prostredí, v ktorom sa každý problém snaží vyriešiť pomocou jedného (aj keď zlatého) kladiva. Odborníci na strojové učenie, ktorí absolvovali niekoľko kurzov, uplatňujú svoje skúsenosti v sto prípadoch zo stovky, bez toho, aby boli schopní pochopiť, kedy je potrebná ďalšia sada nástrojov - ďalšia. Mnohí z týchto čerstvo upečených špecialistov nie sú vývojári a nemôžu prekročiť rámec Jupyter Notebook (populárny nástroj v ML), alebo im chýbajú dostatočné znalosti v iných oblastiach, čo im neumožňuje úspešne využívať technológie v konkrétnej oblasti na riešenie konkrétnych problémov.
Alena Arykina, Data Scientist Sberbank PJSC
V strojovom učení je tvorivá časť,v závislosti na údajoch a poznatkoch z oblasti, na intuícii developera a oveľa viac. A tam sú automatické veci, kde musíte nájsť lepšie parametre a prepísať dlho známy kód. Druhá časť, tak ako v každom "mechanickom" procese, má tendenciu všetko optimalizovať, a to aj prostredníctvom strojového učenia. Ak sa skorší matematici presunuli z „manuálneho učenia“ do automatického na základe takýchto knižníc ako keras, dnes príklady takýchto optimalizácií môžu slúžiť ako knižnice na riadenie stavu súborov údajov, predspracovania obrázkov a textov, dokonca aj automatickej detekcie prvkov prvkov. Algoritmy môžu byť jednoduché (odrezať konce slov) alebo zložité (vybudovať špeciálne neurónové siete - autoenkodéry, ktoré komprimujú dáta na ľubovoľnú veľkosť), ale súbor takýchto vzdelávacích nástrojov najčastejšie určuje kvalitu konečného modelu, a teda zručnosti dátového poradcu.
Strojové učenie nakoniec príde neskôroblasti, kde bude spomalená legislatívou alebo nedôverou ľudí: liek alebo auto s autopilotom. V týchto oblastiach už vidíme obrovské úspechy - využívajú sa aj v iných krajinách. Som si však istý, že na to, aby sme ich mohli realizovať s nami a sprístupniť ich bežným ľuďom, budeme musieť vyhrať viac ako jednu byrokratickú vojnu.
Data Science je naozaj veľmi zaujímavé. Každý druhý môj priateľ IT špecialista už aspoň čítal o strojovom učení. Willy-nilly, začnete sa báť: nebude príliš veľa datasintistov? Okrem toho sa teraz snažia využívať strojové učenie v akomkoľvek IT projekte a pre všetky úlohy, ktoré si v skutočnosti neuvedomujú, prečo sú takéto algoritmy potrebné - je to módne. HYIP prejde a počet voľných pracovných miest sa zníži. Na druhú stranu, otázkou je, či tí, ktorí naozaj milujú Data Science zostanú v povolaní a nie naháňať po móde.
Tatyana Savelyeva, vedúca neštruktúrovanej skupiny údajov, Yandex.Taxi, autor telegramu tldr_arxiv
Slovo „AI“ sa mi vôbec nepáči, pretožeje príliš všeobecný a ambiciózny a často spôsobuje, že ľudia preceňujú úroveň technológií. Viete, existuje taký vtip: „Ako rozlíšiť ML od AI? ML sa robí v Pythone a AI sa robí v PowerPointe.“
Prvý trend Data Science je rastúciobľúbenosť predmetnej oblasti: firmy si čoraz viac uvedomujú, že bez spracovania veľkého množstva užitočných informácií to v budúcnosti bude ťažké. Existuje trend k automatizácii strojového učenia: ak ste pred 10 rokmi museli napísať všetky metódy, aby ste fungovali sami, teraz existuje veľa pohodlných hotových knižníc.
Ale so zvyšujúcou sa jednoduchosťou použitia metódsúčasné nástroje sa menia čoraz rýchlejšie – treba neustále držať prst na pulze. Existuje trend k používaniu neurónových sietí: priemyselné konferencie publikujú čoraz viac článkov súvisiacich s týmto typom algoritmov.
Strojové učenie je teda poslednépríde do oblastí, kde je málo údajov, alebo kde vôbec nie sú - napríklad týmto spôsobom môžete len ťažko predvídať miesto, kde padá asteroid, alebo čas kolízie Mesiaca so Zemou. Zdá sa, že strojové učenie je ťažké realizovať v byrokratických inštitúciách - vládnych agentúrach, zdravotníckych zariadeniach.
V každom prípade, v určitom bode trh budeO nástup na voľné pracovné miesta bude veľký počet záujemcov – junior špecialistov alebo stážistov, keďže znalosti potrebné pre zamestnanie na takejto pozícii sú čoraz dostupnejšie. Dopyt po skúsených špecialistoch, ktorí už implementovali projekty ML, však bude rásť, pretože získanie týchto skúseností si vyžaduje veľa času a úsilia a počet úloh strojového učenia rastie rýchlejšie ako počet ľudí, ktorí mali čas a boli schopný získať takéto skúsenosti.
Emily Drahl, Data Analysis Analytics, Mechanica AI, vedúca Data Mining v akcii
V strojovom učení sa jeden z najviacJasné trendy je prechod od jeho používania ako asistenčnej technológie k plnej automatizácii založenej na nej. To sa najvýraznejšie prejavuje v automatizácii priemyselnej výroby, poľnohospodárstva a poľnohospodárstva, ako aj v rozvoji koncepcií inteligentného mesta a inteligentného domova.
Teraz aplikácie strojového učeniadosť veľa a to je vzhľadom na súčasnú úroveň rozvoja technologického zásobníka, úroveň nášho chápania oblasti a množstvo nevyriešených etických otázok. Mojou osobnou top aplikáciou je medicína, psychológia a pedagogika. V tomto prípade nejde predovšetkým o doplnkové služby (systémy odporúčaní na diagnostikovanie chorôb alebo interaktívnych systémov), ale o úplnú automatizáciu procesov prostredníctvom AI a ML.
Myslím, že IT priemysel je dnes iný, pretožetechnológie sa vyvíjajú veľmi dynamicky a ak prestanete držať krok s týmito zmenami, potom je tu veľmi hmatateľné riziko, že sa stanete špecialistom bez nároku na honorár. Je to jedna z mála oblastí, kde absolventi vysokých škôl bez skúseností môžu konkurovať skúseným odborníkom.
Vďaka dynamickému trhu pracujte pre tých, ktoríS trendmi bude vždy v poriadku. Ale pre tých, ktorí nie sú pripravení učiť sa celý život, je potrebné vyriešiť zložitú otázku: ako zostať relevantný. Tu vám pomôžu skúsenosti, profesionálne vyhliadky a znalosti súvisiacich (alebo nie!) Oblasti činnosti.
Oblasť vzdelávania sa v súčasnosti meníkoncepčne a takpovediac čelí nielen školákom a študentom, ale aj dospelým odborníkom s praxou.Máte relevantné vzdelanie v minulosti, dostatok času a patričnú mieru vytrvalosti, môžete sa preškoliť bez výraznejších finančných investícií a absolvovať pohovor minimálne na vstupnú pozíciu v analýze údajov. To je jeden z cieľov online kurzov.
Ak hovoríme o univerzitách, tak o väčšinemá pri výučbe súčasných technických disciplín množstvo ťažkostí: technológie sa veľmi rýchlo menia, je potrebné prilákať odborníkov z praxe a nie sú vždy pripravení pracovať vo formáte, ktorý implikuje univerzita. Takto prichádzajú na pomoc popredné IT spoločnosti, ktoré vytvárajú školy, otvárajú katedry na univerzitách, vedú praktické kurzy a stáže a tiež školia včerajších absolventov v rámci spoločnosti na začiatku práce. V konečnom dôsledku ja osobne nevidím úlohu vysokej školy len a ani nie tak v uvoľnení hotového odborníka na trh, ale v tom, že vysokoškolské vzdelanie má dať človeku určitú kultúrnu, intelektuálnu a emocionálnu úroveň, na ktorej profesionálny život do značnej miery závisí skôr ako od znalosti konkrétnych technológií.
Anna Voevodskaya, expert na strojové učenie, Jet Infosystems
Zdá sa mi, že teraz používajú viacvzdelávania. Rozhodnutie učiť sa, spolupracovať s prostredím, využívať odmeny, akcie a pozorovania. Jedným z najznámejších príkladov posilňovacieho učenia je AlphaGo. Také tréningové metódy sa používajú na simuláciu pohybu osoby (posledné súťaže v NIPS boli o RL), stroje a iné.
Strojové učenie je mágia v celej svojej kráse.zmysel. Pomerne zložitá matematika je aplikovaná špeciálne na vaše dáta, je vykonaná hĺbková analýza a je vydaná veľmi presná predpoveď práve pre vás. A každý chce túto mágiu pre seba: zarába peniaze a je to dobré pre ich imidž - skvelé.
Čo sa týka prebytku trhu, som v tomNeverím. Dobrých špecialistov je vždy ťažké nájsť. Napríklad, Java sa neobjavila pred dvoma rokmi, ale senior je stále ťažké nájsť v tejto oblasti. A dobrý datasaytnist je všeobecne ako jednorožca: pozná a miluje matematiku, kodit a chápe obchodné metriky a všetko dobre vysvetľuje. Ak budeme mať nadbytok takýchto ľudí na nejakom mieste na svete, bude to pekné. Ale toto je nejaká utópia.