Data Scientists är dataanalysexperter som har den tekniska kompetensen att lösa komplexa
Alexandra Murzina, maskinlärande ingenjör, Advanced Technologies Group, Positive Technologies
En av de mest lovande teknikerna inommaskininlärning är nu förstärkningsinlärning. Förresten, DeepMind-systemet, som vann StarCraft II, är baserat på det. Detta tillvägagångssätt för att lära sig, och sedan att använda, påminner egentligen mer om AI. Ett sådant system är nedsänkt i en miljö som ger det svar på handlingar. Den här metoden är väldigt lik hur du och jag studerar, men ibland tar det oss år, men här finns en möjlighet att avsevärt snabba upp processen genom modellering och datorkraft.
Ett sådant system kommer till exempel snabbt att lära sig "bra"kör en bil. Det kommer naturligtvis att finnas frågor som rör exceptionella situationer och driften av systemet under deras förhållanden (på grund av begränsningen av de uppgifter som den löser). Hösten 2017 orsakade kapslar neurala nätverk inte mindre buller: på den tiden talade de lika mycket som om en revolution i djupläringsvärlden. Idag glömde de nästan dem offentligt. I praktiken är det fortfarande väldigt populärt de bussningar och neurala nätverksarkitekturer som redan har blivit standarden för att lösa vissa problem. Sådan till exempel som detektering av objekt i bilder eller klassificering av bilder.
Teoretiskt kommer AI som en teknik att komma snabbare inde områden där en persons arbete består mestadels av rutinåtgärder eller på områden där beslut måste fattas snabbt baserat på en stor mängd data. Det vill säga, de sensationella nyheterna om hur 600 handlare ersattes av tvåhundra programmörer kan enkelt bli en vanlig händelse inom automation. När det gäller cybersäkerhetsindustrin är sådan automatisering sannolikt, exempelvis inom virusanalys eller upptäckt av attacker. Förresten arbetar vårt team med en teknik som tillåter maskininlärning att upptäcka attacker på webbapplikationer på några sekunder.
I praktiken förutsäger branscher där A.I.kommer att efterfrågas i stor skala i full kraft och inom en snar framtid kommer det att bli svårt, eftersom dess användning är förknippad med många sociala och juridiska nyanser. Låt oss säga, autopilot: tekniskt sett är det redan fullt möjligt att överföra standardflyg till autopiloter, men hur många passagerare skulle lita på sina liv till ett flygplan utan en person som sitter vid kontrollerna? Eller, säg, medicin - det finns många utvecklingar baserade på användningen av AI i förhållande till denna industri, men ur den rättsliga ramens synvinkel kan de inte användas fullt ut och idag ligger de fortfarande kvar på den konceptuella nivån.
Ja, det är mycket ljud runt riktningen:Samtidigt föredrar många experter att omedelbart prata om att lösa specifika problem, spara tid och pengar, med förbehåll för användningen av teknik. I verkligheten snubblar dessa idéer över personalfrågan: om det för flera år sedan talades om brist på programmerare, så har ingenting förändrats nu, förutom att nu behöver vi inte längre bara till exempel Java-programmerare, utan också komplexa ingenjörer, som kan förstå och lösa problemet, inklusive med hjälp av maskininlärningsmetoder.
Känslan av övermättnad på marknaden med specialistermaskininlärning är mer vilseledande än verkligt. Ja, många tror att de snabbt kan lära sig detta område genom att ta ett par kurser, men som ett resultat är marknaden övermättad av specialister med en irrelevant bakgrund. Maskininlärning är dock i de flesta fall ett verktyg för att effektivt lösa ett specifikt problem (ja, bara om du inte gör det för dess egen skull) och för att välja rätt verktyg behöver du ha omfattande expertis inom ett specifikt område ( i vårt fall informationssäkerhet).
Historien om maskininlärning idag är merDet liknar situationen med "Golden Hammer" antipattern som är populär i utvecklingsmiljön, där något problem försöker lösas med hjälp av en enda (om än guld) hammare. Maskininlärningsspecialister som har genomfört ett par kurser, tillämpar sina erfarenheter i hundra fall av hundra, utan att kunna förstå när en annan verktygslåda behövs - ytterligare en. Många av dessa nybakade specialister är inte utvecklare och kan inte gå utöver ramen för Jupyter Notebook (ett populärt verktyg i ML) eller sakna adekvat kunskap inom andra områden, vilket inte tillåter dem att framgångsrikt använda teknik inom ett visst område för att lösa specifika problem.
Alena Arykina, datavetenskapare Sberbank PJSC
I maskininlärning finns en kreativ del,beroende på fältets data och kunskaper, på utvecklarens intuition och mycket mer. Och det finns automatiska saker där du behöver hitta bättre parametrar och skriva om en känd kod. Den andra delen, som i någon "mekanisk" process, tenderar människor att optimera allt, bland annat genom maskininlärning. Om tidigare matematiker flyttat från "manuell inlärning" till automatisk en på grundval av sådana bibliotek som keras kan idag exempel på sådana optimeringar fungera som bibliotek för att hantera tillståndet för dataset, förbehandling av bilder och texter, även automatisk detektering av elementets egenskaper. Algoritmer kan vara enkla (klippa av ordets slut) eller komplexa (bygga speciella neurala nätverk - autokodare som komprimerar data till vilken storlek som helst), men en uppsättning sådana träningsverktyg bestämmer oftast kvaliteten på den slutliga modellen och därmed färdigheterna hos en datassentist.
Maskininlärning kommer så småningom senareområden där det kommer att försämras av lagstiftning eller mänsklig misstro: medicin eller bil med autopilot. Vi ser redan enorma framgångar på dessa områden - de används i andra länder. Men jag är säker på att vi för att genomföra dem med oss och göra dem tillgängliga för vanliga människor måste vinna mer än ett byråkratiskt krig.
Datavetenskap är verkligen väldigt intressant. Varje sekund läser min väns IT-specialist åtminstone om maskininlärning. Willy-nilly, du börjar oroa dig: kommer det inte att finnas för många datasintister? Dessutom försöker de nu att använda maskininlärning i något IT-projekt och för alla uppgifter, inte riktigt föreställa sig varför sådana algoritmer behövs där - det är modernt. HYIP kommer att passera och antalet lediga platser kommer att minska. Å andra sidan är frågan om de som verkligen älskar datavetenskap kommer att förbli i yrket och inte jaga efter mode.
Tatyana Savelyeva, chef för den ostrukturerade datagruppen, Yandex.Taxi, författare till tldr_arxiv telegramkanalen
Jag gillar egentligen inte ordet "AI" alls, eftersomden är för allmän och ambitiös och får ofta människor att överskatta tekniknivån. Du vet, det finns ett sådant skämt: "Hur skiljer man ML från AI? ML görs i Python och AI görs i PowerPoint."
Den första datavetenskapstrenden är den ökandeämnesområdets popularitet: företag inser alltmer att det kommer att bli svårt utan att bearbeta en stor mängd användbar information i framtiden. Det finns en trend mot automatisering av maskininlärning: om du för 10 år sedan var tvungen att skriva alla metoder för att arbeta själv, nu finns det många praktiska färdiga bibliotek.
Men med den ökande användarvänligheten av metodernuvarande verktyg förändras allt snabbare - du måste hela tiden hålla fingret på pulsen. Det finns en trend mot användning av neurala nätverk: industriella konferenser publicerar fler och fler artiklar relaterade till denna typ av algoritmer.
Så maskininlärning är senastkommer till områden där det finns lite data eller där de inte alls är - till exempel på detta sätt kan man knappast förutsäga den plats där asteroiden faller eller tiden för kollisionen av månen med jorden. Det verkar som att maskininlärning är svår att genomföra i byråkratiska institutioner - myndigheter, medicinska institutioner.
I alla fall, någon gång kommer marknaden att göra detDet kommer att finnas ett stort antal sökande till lediga startplatser - juniorspecialister eller praktikanter, eftersom kunskapen som krävs för anställning i en sådan tjänst blir mer tillgänglig. Men efterfrågan på erfarna specialister som redan har implementerat ML-projekt kommer att växa, eftersom det tar mycket tid och ansträngning att skaffa sig denna erfarenhet, och antalet maskininlärningsuppgifter växer snabbare än antalet personer som har haft tid och varit kunna få sådan erfarenhet.
Emily Drahl, Data Analysis Analytics, Mechanica AI, chef för datavinnning i aktion
I maskininlärning är en av de mestljusa trender är övergången från användningen som hjälpmedel till full automation baserad på den. Detta framgår tydligt av automatiseringen av industriell produktion, jordbruk och agribusiness samt utveckling av begreppen smart city och smart home.
Nu maskininlärning applikationerganska mycket och det här beror på den nuvarande tekniken för utveckling av teknik, nivån på vår förståelse av fältet och ett antal olösta etiska problem. Min personliga toppansökan är medicin, psykologi och pedagogik. Här handlar det inte främst om tilläggstjänster (rekommendationssystem för diagnostisering av sjukdomar eller interaktiva system), utan om fullständig automatisering av processer genom AI och ML.
Jag tycker att IT-industrin idag är annorlunda eftersomTekniken utvecklas väldigt dynamiskt, och om du slutar hålla takt med dessa förändringar, finns det en väldigt konkret risk att bli en odefinierad specialist. Detta är ett av de få områden där högskoleexamen utan erfarenhet kan konkurrera med erfarna proffs.
Tack vare den dynamiska marknaden, arbeta för dem somHåller sig i trender, kommer alltid att vara. Men för dem som inte är redo att lära sig hela sitt liv kvarstår den svåra frågan: hur man förbli relevant. Här får du hjälp med att uppleva, professionella utsikter och kunskaper om relaterade (eller inte så!) Verksamhetsområden.
Utbildningsområdet förändras just nukonceptuellt och, så att säga, möter inte bara skolbarn och studenter, utan även vuxna yrkesverksamma med arbetslivserfarenhet. Med relevant utbildning i det förflutna, tillräckligt med tid och rätt uthållighet kan du omskola dig själv utan betydande ekonomiska investeringar och klara en intervju som minimum för en nybörjarposition inom dataanalys. Detta är ett av målen med onlinekurser.
Om vi pratar om universitet, de flesta av demupplever ett antal svårigheter med att undervisa i nuvarande tekniska discipliner: teknik förändras mycket snabbt, det är nödvändigt att locka praktiserande specialister och de är inte alltid redo att arbeta i det format som universitetet innebär. Det är så ledande IT-företag kommer till undsättning, skapar skolor, öppnar avdelningar på universitet, genomför praktiska kurser och praktikplatser och tränar även gårdagens akademiker inom företaget i början av arbetet. I slutändan ser jag personligen uppgiften för ett universitet inte bara och inte så mycket i att släppa en färdig specialist till marknaden, utan i det faktum att högre utbildning bör ge en person en viss kulturell, intellektuell och känslomässig nivå, på vilken hans yrkeslivet beror till stor del snarare än på kunskap om specifika teknologier.
Anna Voevodskaya, maskininlärningsexpert, Jet Infosystems
Det verkar för mig att nu tillämpar de mer och mer.förstärkning lärande. Beslutet att lära sig, interagera med miljön, använda belöningar, handlingar och observationer. Ett av de mest kända exemplen på förstärkningslärande är AlphaGo. Även sådana träningsmetoder används för att simulera en persons rörelse (de senaste tävlingarna vid NIPS var omkring RL), maskiner och andra.
Maskininlärning är magi när den är som bäst.känsla. Ganska komplex matematik tillämpas specifikt på dina data, en djupgående analys görs och en mycket exakt prognos utfärdas bara för dig. Och alla vill ha denna magi för sig själva: det tjänar pengar och det är bra för deras image - bra.
När det gäller glut av marknaden, är jag i dettaJag tror inte. Bra specialister är alltid svåra att hitta. Till exempel visade Java inte för två år sedan, men senior är fortfarande svårt att hitta på detta område. Och en bra datasaytnist är i allmänhet som en enhörning: han vet och älskar matematik och kodit, och förstår affärsmetri och förklarar allt bra. Om vi har överskott av sådana människor någon gång i världen, blir det trevligt. Men det här är en slags utopi.