Дата Научници су стручњаци за аналитику података који имају техничке вештине за решавање комплекса
Алекандра Мурзина, Инжењер стројног учења, Напредне групе за технологије, Позитивне технологије
Једна од најперспективнијих техника умашинско учење је сада учење поткрепљења. Иначе, на њему је заснован систем ДеепМинд који је освојио СтарЦрафт ИИ. Овај приступ учењу, а затим и коришћењу, заиста више подсећа на АИ. Такав систем је уроњен у окружење које му даје одговоре на акције. Овај метод је веома сличан начину на који ви и ја учимо, али понекад нам треба године, али овде постоји прилика да значајно убрзамо процес кроз моделирање и моћ рачунара.
На пример, такав систем ће брзо научити “добро”возити ауто. Наравно, остају питања везана за изузетне ситуације и функционисање система у њиховим условима (због ограничења задатака које решава). У јесен 2017. капсуларне неуронске мреже нису изазвале ништа мање буке: тада су говорили о револуцији у свету дубоког учења. Данас су скоро заборавили на њих у јавности. У пракси су и даље веома популарне архитектуре бусинга и неуронских мрежа, које су већ постале стандард за решавање одређених проблема. Таква, на пример, као детекција објеката у сликама или класификација слика.
Теоретски, АИ као технологија ће брже доћиподручја у којима се рад особе састоји углавном од рутинских радњи или у областима у којима се одлуке морају брзо доносити на основу велике количине података. Наиме, сензационална вест о томе како је 600 трговаца замењено са двесто програмера лако може постати један од обичних догађаја у области аутоматизације. Окрећући се индустрији за кибернетичку сигурност, таква аутоматизација је вјероватно, на примјер, у подручју аналитике вируса или откривања напада. Иначе, наш тим ради на технологији која омогућава да стројно учење детектује нападе на веб апликације у секунди.
У пракси, предвиђање индустрија у којима је А.И.ће бити тражен у великој мери у пуној снази и у блиској будућности ће бити тешко, јер је његова употреба повезана са пуно друштвених и правних нијанси. Рецимо, аутопилот: технолошки је већ сасвим могуће пренети стандардне летове на аутопилоте, али колико би путника поверило своје животе авиону без особе која седи за командом? Или, рецимо, медицина – има много развоја заснованих на коришћењу АИ у односу на ову индустрију, али са становишта законодавног оквира не могу се користити у потпуности и данас су и даље на концептуалном нивоу.
Да, има много буке око правца:у исто време, многи стручњаци више воле да одмах говоре о решавању конкретних проблема, уштеди времена и новца, уз коришћење технологије. У стварности, ове идеје се спотичу око кадровског питања: ако се пре неколико година говорило о недостатку програмера, сада се ништа није променило, осим што нам сада више не требају само, на пример, Јава програмери, већ и сложени инжењери, који могу да разумеју и реше проблем, укључујући коришћење метода машинског учења.
Осећај презасићености тржишта специјалистимамашинско учење је више варљиво него стварно. Да, многи људи мисле да могу брзо научити ову област ако похађају неколико курсева, али као резултат тога, тржиште је презасићено стручњацима са небитним искуством. Међутим, машинско учење је у већини случајева алат за ефикасно решавање одређеног проблема (па, само ако то не радите због њега самог) и да бисте изабрали прави алат морате имати широку стручност у одређеној области ( у нашем случају информациона безбедност) .
Историја машинског учења данас је вишеПодсећа на ситуацију са антипаттерном „златним чекићем“ популарном у развојном окружењу, у којој се сваки проблем покушава решити уз помоћ једног (мада златног) чекића. Стручњаци за стројно учење који су завршили неколико курсева примјењују своја искуства у стотину случајева од стотину, без могућности да разумеју када је потребан још један алат - још један. Многи од ових свјеже печених стручњака нису програмери и не могу ићи изван оквира Јупитер Нотебоок-а (популарног алата у МЛ-у), или немају адекватно знање у другим областима, што им не дозвољава да успјешно користе технологију у било којем подручју за рјешавање специфичних проблема.
Алена Арикина, Дата Сциентист Сбербанк ПЈСЦ
У машинском учењу постоји креативни део,у зависности од података и знања о пољу, о интуицији девелопера и још много тога. А ту су и аутоматске ствари, у којима је потребно пронаћи боље параметре и преписати дуго познати код. Други део, као иу сваком "механичком" процесу, људи настоје да оптимизују све, укључујући и машинско учење. Ако су раније математичари прешли са „ручног учења“ на аутоматско на основу таквих библиотека као керас, данас примери таквих оптимизација могу да послуже као библиотеке за управљање стањем скупова података, предобрадом слика и текстова, чак и аутоматским откривањем особина елемената. Алгоритми могу бити једноставни (одсечени завршетци речи) или сложени (градити специјалне неуронске мреже - аутокодери који компримују податке на било коју величину), али скуп таквих алата за обуку најчешће одређује квалитет коначног модела, а самим тим и вештине датасентиста.
Машинско учење ће на крају доћи каснијеподручја у којима ће се успорити законодавством или људским неповјерењем: лијек или аутомобил с аутопилотом. Већ видимо огромна достигнућа у овим областима - они се користе у другим земљама. Али сигуран сам да ћемо, да бисмо их спровели са собом и учинили доступним обичним људима, морати да освојимо више од једног бирократског рата.
Наука о подацима је веома интересантна. Сваки други мој ИТ стручњак већ је бар читао о машинском учењу. Невољко, почињете да се бринете: неће ли бити превише података? Поред тога, сада покушавају да користе машинско учење у било ком ИТ пројекту и за било који задатак, не замишљајући зашто су такви алгоритми тамо потребни - то је модерно. ХИИП ће проћи и број слободних радних мјеста ће се смањити. С друге стране, поставља се питање да ли ће они који заиста воле Дата Сциенце остати у професији, а не у потрази за модом.
Татјана Савељева, шеф неструктуиране групе података, Иандек.Таки, аутор телеграмског канала тлдр_аркив
Уопште ми се не свиђа реч „АИ“, јерпревише је уопштено и амбициозно и често доводи до тога да људи прецењују ниво технологије. Знате, постоји таква шала: „Како разликовати МЛ од АИ? МЛ се ради у Питхон-у, а АИ се ради у ПоверПоинт-у.”
Први тренд науке о подацима је у пораступопуларност предметне области: компаније све више схватају да ће без обраде велике количине корисних информација у будућности бити тешко. Постоји тренд ка аутоматизацији машинског учења: ако сте пре 10 година морали сами да пишете све методе да бисте радили, сада постоји много практичних готових библиотека.
Али са све већом лакоћом употребе методатренутни алати се све брже мењају - потребно је да стално држите прст на пулсу. Постоји тренд ка коришћењу неуронских мрежа: индустријске конференције објављују све више чланака везаних за ову врсту алгоритама.
Машинско учење је последњедоћи ће на подручја гдје има мало података или гдје их уопће нема - на примјер, на овај начин тешко можете предвидјети гдје пада астероид или вријеме судара Мјесеца са Земљом. Чини се да је стројно учење тешко имплементирати у бирократске институције - владине агенције, медицинске установе.
У сваком случају, тржиште ће у неком тренуткуБиће велики број кандидата за почетна радна места – млађих специјалиста или приправника, јер су знања неопходна за запошљавање на таквом месту све доступнија. Али потражња за искусним стручњацима који су већ имплементирали МЛ пројекте ће расти, јер је потребно много времена и труда да се ово искуство стекне, а број задатака машинског учења расте брже од броја људи који су имали времена и били у стању да стекне такво искуство.
Емили Драхл, Аналитицс Дата Аналисис, Мецханица АИ, шеф Дата Мининг у акцији
У машинском учењу један од најважнијихсветли трендови су прелазак из употребе као помоћне технологије у пуну аутоматизацију засновану на њој. Ово се најјасније манифестује у аутоматизацији индустријске производње, пољопривреде и агробизниса, као и развоју концепта паметног града и паметне куће.
Сада апликације за стројно учењедоста тога и то је због тренутног нивоа развоја технолошког стогова, нивоа нашег разумевања области и низа неријешених етичких питања. Моја лична топ апликација је медицина, психологија и педагогија. Овдје се не ради прије свега о помоћним услугама (системима препорука за дијагностицирање болести или интерактивним системима), већ о потпуној аутоматизацији процеса кроз АИ и МЛ.
Мислим да је ИТ индустрија данас другачија јерТехнологије се развијају веома динамично и ако престанете држати корак с тим промјенама, постоји врло опипљив ризик да постанете стручњак који није затражен. Ово је једна од ретких области у којој универзитетски студенти без искуства могу да се такмиче са искусним професионалцима.
Захваљујући динамичном тржишту, радите за оне којиПрати трендове, увек ће бити. Али за оне који нису спремни да науче сав свој живот, остаје тешко питање: како остати релевантан. Овдје ће вам помоћи искуство, професионални изглед и знање о сродним (или не!) Подручјима дјеловања.
Област образовања се тренутно мењаконцептуално и, да тако кажем, суочава се не само са школарцима и студентима, већ и са одраслим професионалцима са радним искуством.Поседујући одговарајуће образовање у прошлости, довољно времена и одговарајући ниво истрајности, можете се преквалификовати без значајних финансијских улагања и проћи најмање интервју за позицију на почетном нивоу у анализи података. Ово је један од циљева онлајн курсева.
Ако говоримо о универзитетима, већина њихдоживљава низ потешкоћа у настави актуелних техничких дисциплина: технологије се веома брзо мењају, потребно је привући практичаре, а они нису увек спремни да раде у формату који универзитет подразумева. Тако у помоћ прискачу водеће ИТ компаније које стварају школе, отварају одељења на универзитетима, изводе практичне курсеве и праксе, али и обучавају јучерашње дипломце у оквиру компаније на почетку рада. На крају крајева, ја лично видим задатак универзитета не само и не толико у пуштању на тржиште готовог специјалисте, већ у томе да високо образовање треба да пружи човеку одређени културни, интелектуални и емоционални ниво, на коме ће он професионални живот зависи у великој мери него од познавања специфичних технологија.
Анна Воеводскаиа, експерт за машинско учење, Јет Инфосистемс
Чини ми се да се сада све више пријављују.учење ојачавања. Одлука о учењу, интеракцији са окружењем, коришћењем награда, акција и запажања. Један од најпознатијих примера учења ојачавања је АлпхаГо. Такодје, такве методе тренинга користе се за симулацију кретања особе (последња такмичења на НИПС-у била су око РЛ), машине и друго.
Машинско учење је магија у свом најбољем издању.смисао. Прилично сложена математика се примењује посебно на ваше податке, врши се дубинска анализа и издаје се врло тачна прогноза само за вас. И свако жели ову магију за себе: зарађује новац и добро је за њихов имиџ - одлично.
Што се тиче презасићености тржишта, ја сам у овомеНе верујем. Добре стручњаке је увек тешко наћи. На пример, Јава се није појавила пре две године, али је старији и даље тешко наћи у овој области. Добар датасаитнист је углавном као једнорог: он зна и воли математику, и кодит, и разумије пословне метрике, и све добро објашњава. Ако имамо превелику понуду таквих људи у неком тренутку у свету, биће лепо. Али ово је нека врста утопије.