นักวิทยาศาสตร์ข้อมูลเป็นผู้เชี่ยวชาญด้านการวิเคราะห์ข้อมูลที่มีทักษะทางเทคนิคในการแก้ปัญหาที่ซับซ้อน
Alexandra Murzina, วิศวกรการเรียนรู้ของเครื่อง, กลุ่มเทคโนโลยีขั้นสูง, เทคโนโลยีเชิงบวก
หนึ่งในเทคนิคที่น่าจับตามองที่สุดในแมชชีนเลิร์นนิงกลายเป็นการเรียนรู้แบบเสริมกำลังแล้ว อย่างไรก็ตาม ระบบ DeepMind ซึ่งได้รับรางวัล StarCraft II นั้นมีพื้นฐานมาจากมัน แนวทางการเรียนรู้และการใช้งานนี้ชวนให้นึกถึง AI มากกว่าจริงๆ ระบบดังกล่าวถูกแช่อยู่ในสภาพแวดล้อมที่ให้การตอบสนองต่อการกระทำ วิธีนี้คล้ายกับวิธีที่คุณและฉันศึกษามาก แต่บางครั้งก็ใช้เวลานานหลายปี แต่ที่นี่มีโอกาสที่จะเร่งกระบวนการให้เร็วขึ้นอย่างมากผ่านการสร้างแบบจำลองและพลังงานของคอมพิวเตอร์
ตัวอย่างเช่นระบบดังกล่าวจะเรียนรู้ได้อย่างรวดเร็ว "ดีขับรถ แน่นอนว่ายังคงมีประเด็นที่เกี่ยวข้องกับสถานการณ์พิเศษและการทำงานของระบบในเงื่อนไขของพวกเขา (เนื่องจากข้อ จำกัด ของงานที่จะแก้ไข) ในฤดูใบไม้ร่วงปี 2560 เครือข่ายประสาทเทียมทำให้เกิดเสียงดังขึ้นในเวลานั้นพวกเขาพูดถึงการปฏิวัติในโลกแห่งการเรียนรู้อย่างลึกซึ้ง วันนี้พวกเขาเกือบลืมเกี่ยวกับพวกเขาในที่สาธารณะ ในทางปฏิบัติยังคงเป็นที่นิยมมากคือ busings และสถาปัตยกรรมเครือข่ายประสาทซึ่งได้กลายเป็นมาตรฐานสำหรับการแก้ปัญหาบางอย่าง เช่นเช่นการตรวจจับวัตถุในภาพหรือการจำแนกภาพ
ตามทฤษฎีแล้ว AI ในฐานะที่เป็นเทคโนโลยีจะเข้ามาเร็วขึ้นพื้นที่ที่งานของบุคคลส่วนใหญ่ประกอบด้วยการกระทำตามปกติหรือในพื้นที่ที่ต้องทำการตัดสินใจอย่างรวดเร็วโดยพิจารณาจากข้อมูลจำนวนมาก นั่นคือข่าวที่น่าตื่นเต้นเกี่ยวกับวิธีที่ผู้ค้ากว่า 600 รายถูกแทนที่ด้วยโปรแกรมเมอร์สองร้อยคนสามารถกลายเป็นหนึ่งในเหตุการณ์ปกติในด้านระบบอัตโนมัติได้อย่างง่ายดาย เมื่อหันเข้าสู่อุตสาหกรรมการรักษาความปลอดภัยทางไซเบอร์ระบบอัตโนมัติน่าจะเป็นไปได้เช่นในด้านการวิเคราะห์ไวรัสหรือการตรวจจับการโจมตี อย่างไรก็ตามทีมของเรากำลังทำงานกับเทคโนโลยีที่ช่วยให้การเรียนรู้ของเครื่องสามารถตรวจจับการโจมตีบนเว็บแอปพลิเคชันในไม่กี่วินาที
ในทางปฏิบัติ การทำนายอุตสาหกรรมที่ A.I.จะเป็นที่ต้องการในวงกว้างอย่างเต็มกำลังและในอนาคตอันใกล้นี้มันจะเป็นเรื่องยากเนื่องจากการใช้งานนั้นเกี่ยวข้องกับความแตกต่างทางสังคมและกฎหมายมากมาย สมมติว่าระบบขับเคลื่อนอัตโนมัติ: ในทางเทคนิคแล้ว ค่อนข้างเป็นไปได้แล้วที่จะถ่ายโอนเที่ยวบินมาตรฐานไปยังระบบขับเคลื่อนอัตโนมัติ แต่มีผู้โดยสารกี่คนที่ยอมให้ชีวิตของตนอยู่กับเครื่องบินโดยไม่มีคนนั่งอยู่ที่ส่วนควบคุม หรือพูดว่าการแพทย์ มีการพัฒนามากมายบนพื้นฐานของการใช้ AI ที่เกี่ยวข้องกับอุตสาหกรรมนี้ แต่จากมุมมองของกรอบกฎหมาย พวกเขาไม่สามารถนำมาใช้ได้อย่างเต็มที่ และในปัจจุบันยังคงอยู่ในระดับแนวความคิด
ใช่ มีเสียงรบกวนรอบทิศทางมาก:ในเวลาเดียวกันผู้เชี่ยวชาญหลายคนชอบที่จะพูดคุยทันทีเกี่ยวกับการแก้ปัญหาเฉพาะเรื่องประหยัดเวลาและเงินโดยขึ้นอยู่กับการใช้เทคโนโลยี ในความเป็นจริง แนวคิดเหล่านี้สะดุดกับปัญหาด้านบุคลากร: หากหลายปีก่อนมีการพูดถึงปัญหาการขาดแคลนโปรแกรมเมอร์ ตอนนี้ไม่มีอะไรเปลี่ยนแปลง ยกเว้นตอนนี้เราไม่ต้องการเพียงแค่อีกต่อไป เช่น โปรแกรมเมอร์ Java แต่ยังรวมถึงวิศวกรที่ซับซ้อนด้วย ที่สามารถเข้าใจและแก้ไขปัญหาได้รวมถึงการใช้วิธีการเรียนรู้ของเครื่อง
ความรู้สึกของตลาดล้นตลาดกับผู้เชี่ยวชาญการเรียนรู้ของเครื่องนั้นหลอกลวงมากกว่าของจริง ใช่ หลายๆ คนคิดว่าพวกเขาสามารถเรียนรู้ด้านนี้ได้อย่างรวดเร็วโดยการเรียน 2-3 หลักสูตร แต่ด้วยเหตุนี้ ตลาดจึงเต็มไปด้วยผู้เชี่ยวชาญที่มีพื้นฐานที่ไม่เกี่ยวข้อง อย่างไรก็ตาม แมชชีนเลิร์นนิงโดยส่วนใหญ่แล้วเป็นเครื่องมือในการแก้ปัญหาเฉพาะอย่างมีประสิทธิผล (เฉพาะในกรณีที่คุณไม่ได้ทำเพื่อประโยชน์ของตัวเองเท่านั้น) และในการเลือกเครื่องมือที่เหมาะสม คุณจะต้องมีความเชี่ยวชาญที่กว้างขวางในสาขาเฉพาะ ( ในกรณีของเรา ความปลอดภัยของข้อมูล)
ประวัติความเป็นมาของการเรียนรู้ของเครื่องจักรในปัจจุบันมีมากขึ้นมันคล้ายกับสถานการณ์ด้วย“ ค้อนทองคำ” Antipattern ที่ได้รับความนิยมในสภาพแวดล้อมการพัฒนาซึ่งปัญหาใด ๆ ที่พยายามแก้ไขด้วยความช่วยเหลือของค้อนเดี่ยว (แม้ว่าจะเป็นทองคำ) ผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องที่จบหลักสูตรสองสามประยุกต์ใช้ประสบการณ์ของพวกเขาในร้อยกรณีจากหนึ่งร้อยโดยไม่สามารถที่จะเข้าใจเมื่อจำเป็นต้องใช้ชุดเครื่องมืออื่น - อีกอันหนึ่ง ผู้เชี่ยวชาญอบใหม่เหล่านี้ไม่ได้เป็นนักพัฒนาซอฟต์แวร์และไม่สามารถก้าวข้ามกรอบของ Jupyter Notebook (เครื่องมือยอดนิยมใน ML) หรือขาดความรู้เพียงพอในด้านอื่น ๆ ซึ่งไม่อนุญาตให้พวกเขาใช้เทคโนโลยีในพื้นที่เฉพาะเพื่อแก้ไขปัญหาเฉพาะ
Alena Arykina นักวิทยาศาสตร์ข้อมูล Sberbank PJSC
ในการเรียนรู้ของเครื่องจักรนั้นมีส่วนที่สร้างสรรค์ขึ้นอยู่กับข้อมูลและความรู้ของสนามบนสัญชาตญาณของนักพัฒนาและอีกมากมาย และมีสิ่งอัตโนมัติที่คุณต้องการค้นหาพารามิเตอร์ที่ดีกว่าและเขียนรหัสที่รู้จักกันมานาน ส่วนที่สองเช่นเดียวกับในกระบวนการ "เชิงกล" ผู้คนมักจะปรับทุกอย่างให้เหมาะสมรวมถึงการเรียนรู้ด้วยเครื่อง หากนักคณิตศาสตร์รุ่นก่อนหน้าย้ายจาก "การเรียนรู้ด้วยตนเอง" ไปเป็นอัตโนมัติโดยใช้พื้นฐานของไลบรารีเช่น keras ตัวอย่างของการปรับให้เหมาะสมดังกล่าวในปัจจุบันสามารถใช้เป็นห้องสมุดสำหรับจัดการสถานะของชุดข้อมูลประมวลผลรูปภาพและข้อความล่วงหน้าได้ อัลกอริธึมอาจเป็นเรื่องง่าย (ตัดคำลงท้าย) หรือซับซ้อน (สร้างโครงข่ายประสาทพิเศษ - autoencoders ที่บีบอัดข้อมูลทุกขนาด) แต่ชุดเครื่องมือการฝึกอบรมดังกล่าวส่วนใหญ่มักจะกำหนดคุณภาพของแบบจำลองสุดท้าย
การเรียนรู้ของเครื่องจะมาในภายหลังทั้งหมดพื้นที่ที่มันจะชะลอตัวลงโดยการออกกฎหมายหรือความไม่ไว้วางใจของมนุษย์: ยาหรือรถยนต์ที่มีหม้อแปลงไฟฟ้า เราเห็นความสำเร็จที่ยิ่งใหญ่ในพื้นที่เหล่านี้แล้ว - กำลังถูกใช้ในประเทศอื่น ๆ แต่ฉันมั่นใจว่าเพื่อที่จะนำไปใช้กับพวกเราและทำให้พวกเขาสามารถเข้าถึงได้กับคนทั่วไปเราจะต้องชนะมากกว่าหนึ่งสงครามข้าราชการ
วิทยาศาสตร์ข้อมูลน่าสนใจมาก ๆ อย่างน้อยทุกวินาทีผู้เชี่ยวชาญด้านไอทีเพื่อนของฉันก็อ่านอย่างน้อยเกี่ยวกับการเรียนรู้ของเครื่อง จำใจคุณเริ่มกังวล: จะมีดาต้าลิสต์มากเกินไปหรือไม่? นอกจากนี้ตอนนี้พวกเขากำลังพยายามใช้การเรียนรู้ของเครื่องในโครงการไอทีใด ๆ และสำหรับงานใด ๆ ไม่ได้จินตนาการว่าทำไมต้องมีอัลกอริธึมดังกล่าวที่นั่น HYIP จะผ่านไปและจำนวนตำแหน่งงานว่างจะลดลง ในทางกลับกันคำถามคือคนที่รักดาต้าวิทยาศาสตร์จริงๆจะยังคงอยู่ในอาชีพและไม่ไล่ตามแฟชั่น
Tatyana Savelyeva หัวหน้ากลุ่มข้อมูลที่ไม่มีโครงสร้าง Yandex.Taxi ผู้เขียนช่องทางโทรเลข tldr_arxiv
ฉันไม่ชอบคำว่า "AI" เลยเพราะว่ามันกว้างเกินไปและทะเยอทะยานเกินไป และมักทำให้ผู้คนประเมินระดับเทคโนโลยีสูงเกินไป คุณรู้ไหมว่ามีเรื่องตลกเช่นนี้:“ จะแยก ML จาก AI ได้อย่างไร? ML เสร็จสิ้นใน Python และ AI เสร็จสิ้นใน PowerPoint”
เทรนด์ Data Science อันดับแรกกำลังมาแรงความนิยมในสาขาวิชา: บริษัทต่างๆ ตระหนักมากขึ้นว่าหากไม่มีการประมวลผลข้อมูลที่เป็นประโยชน์จำนวนมากในอนาคต มันจะเป็นเรื่องยาก มีแนวโน้มไปสู่ระบบอัตโนมัติของการเรียนรู้ของเครื่อง: หากเมื่อ 10 ปีที่แล้วคุณต้องเขียนวิธีการทั้งหมดเพื่อทำงานด้วยตัวเอง ตอนนี้มีห้องสมุดสำเร็จรูปที่สะดวกสบายมากมาย
แต่ด้วยความง่ายในการใช้งานวิธีการต่างๆเครื่องมือในปัจจุบันมีการเปลี่ยนแปลงมากขึ้นเรื่อยๆ - คุณต้องจับชีพจรอยู่ตลอดเวลา มีแนวโน้มในการใช้โครงข่ายประสาทเทียม: การประชุมทางอุตสาหกรรมมีการเผยแพร่บทความที่เกี่ยวข้องกับอัลกอริทึมประเภทนี้มากขึ้นเรื่อย ๆ
ดังนั้นการเรียนรู้ของเครื่องจึงเป็นสิ่งสุดท้ายจะมาถึงพื้นที่ที่มีข้อมูลน้อยหรือที่พวกมันไม่อยู่เลยตัวอย่างเช่นด้วยวิธีนี้คุณแทบจะไม่สามารถทำนายสถานที่ที่ดาวเคราะห์น้อยตกลงมาหรือเวลาของการชนกันของดวงจันทร์กับโลก ดูเหมือนว่าการเรียนรู้ด้วยเครื่องนั้นยากที่จะนำไปใช้ในสถาบันราชการ - หน่วยงานราชการ, สถาบันทางการแพทย์
ไม่ว่าในกรณีใด เมื่อถึงจุดหนึ่งตลาดก็จะเป็นเช่นนั้นจะมีผู้สมัครจำนวนมากเพื่อเริ่มตำแหน่งงานว่าง - ผู้เชี่ยวชาญรุ่นเยาว์หรือนักศึกษาฝึกงาน เนื่องจากความรู้ที่จำเป็นสำหรับการจ้างงานในตำแหน่งดังกล่าวจะเข้าถึงได้ง่ายขึ้น แต่ความต้องการผู้เชี่ยวชาญที่มีประสบการณ์ซึ่งได้ดำเนินโครงการ ML ไปแล้วจะเพิ่มขึ้น เนื่องจากต้องใช้เวลาและความพยายามอย่างมากในการได้รับประสบการณ์นี้ และจำนวนงานการเรียนรู้ของเครื่องก็เติบโตเร็วกว่าจำนวนคนที่มีเวลาและเป็น สามารถได้รับประสบการณ์ดังกล่าวได้
Emily Drahl, การวิเคราะห์การวิเคราะห์ข้อมูล, Mechanica AI, หัวหน้าฝ่ายปฏิบัติการขุดข้อมูล
ในการเรียนรู้ของเครื่องหนึ่งในที่สุดแนวโน้มที่สดใสคือการเปลี่ยนจากการใช้งานเป็นเทคโนโลยีช่วยเหลือไปสู่ระบบอัตโนมัติเต็มรูปแบบ นี่เป็นที่ประจักษ์ชัดที่สุดในระบบอัตโนมัติของการผลิตภาคอุตสาหกรรมการเกษตรและธุรกิจการเกษตรรวมถึงการพัฒนาแนวคิดของเมืองอัจฉริยะและบ้านอัจฉริยะ
แอพพลิเคชั่นการเรียนรู้ของเครื่องค่อนข้างมากและนี่คือเนื่องจากระดับปัจจุบันของการพัฒนาเทคโนโลยีกองซ้อนระดับของความเข้าใจของเราในฟิลด์และจำนวนของปัญหาจริยธรรมที่ไม่ได้แก้ไข แอปพลิเคชั่นยอดนิยมส่วนบุคคลของฉันคือยาจิตวิทยาและการสอน ที่นี่ไม่ได้เกี่ยวกับบริการเสริม (ระบบแนะนำสำหรับการวินิจฉัยโรคหรือระบบโต้ตอบ) แต่เกี่ยวกับกระบวนการอัตโนมัติเต็มรูปแบบผ่าน AI และ ML
ฉันคิดว่าอุตสาหกรรมไอทีทุกวันนี้แตกต่างเพราะเทคโนโลยีกำลังพัฒนาแบบไดนามิกมากและหากคุณหยุดก้าวตามการเปลี่ยนแปลงเหล่านี้แสดงว่ามีความเสี่ยงที่จับต้องได้มากในการเป็นผู้เชี่ยวชาญที่ไม่มีเหตุสมควร นี่เป็นหนึ่งในไม่กี่แห่งที่ผู้สำเร็จการศึกษาระดับมหาวิทยาลัยที่ไม่มีประสบการณ์สามารถแข่งขันกับผู้เชี่ยวชาญที่มีประสบการณ์
ขอบคุณตลาดแบบไดนามิกที่ทำงานให้กับผู้ที่ติดตามแนวโน้มจะเป็น แต่สำหรับผู้ที่ยังไม่พร้อมที่จะเรียนรู้ตลอดชีวิตคำถามที่ยากจะต้องแก้ไข: วิธีการยังคงเกี่ยวข้อง ที่นี่จะช่วยให้ประสบการณ์มุมมองระดับมืออาชีพและความรู้ที่เกี่ยวข้อง (หรือไม่นั้น!) พื้นที่ของกิจกรรม
สาขาวิชาการศึกษาในปัจจุบันมีการเปลี่ยนแปลงในทางแนวคิดและเพื่อที่จะพูดนั้นไม่เพียงเผชิญกับเด็กนักเรียนและนักเรียนเท่านั้น แต่ยังรวมถึงมืออาชีพผู้ใหญ่ที่มีประสบการณ์การทำงานด้วย ด้วยการศึกษาที่เกี่ยวข้องในอดีต ระยะเวลาที่เพียงพอ และระดับความอุตสาหะที่เหมาะสม คุณสามารถฝึกฝนตัวเองใหม่ได้โดยไม่ต้องลงทุนทางการเงินจำนวนมากและ ผ่านการสัมภาษณ์อย่างน้อยสำหรับตำแหน่งเริ่มต้นในการวิเคราะห์ข้อมูล นี่คือหนึ่งในเป้าหมายของหลักสูตรออนไลน์
ถ้าเราพูดถึงมหาวิทยาลัยส่วนใหญ่จะเป็นประสบปัญหาหลายประการในการสอนสาขาวิชาเทคนิคในปัจจุบัน: เทคโนโลยีเปลี่ยนแปลงอย่างรวดเร็ว จำเป็นต้องดึงดูดผู้เชี่ยวชาญที่ฝึกฝน และพวกเขาไม่พร้อมที่จะทำงานในรูปแบบที่มหาวิทยาลัยบอกเป็นนัยเสมอไป นี่คือวิธีที่บริษัทไอทีชั้นนำเข้ามาช่วยเหลือ สร้างโรงเรียน เปิดแผนกในมหาวิทยาลัย จัดหลักสูตรภาคปฏิบัติและการฝึกงาน และยังฝึกอบรมผู้สำเร็จการศึกษาเมื่อวานภายในบริษัทเมื่อเริ่มงาน ท้ายที่สุดแล้ว ฉันเห็นงานของมหาวิทยาลัยโดยส่วนตัวแล้วไม่เพียงแต่ในการปล่อยผู้เชี่ยวชาญสำเร็จรูปออกสู่ตลาดเท่านั้น แต่ในความจริงที่ว่าการศึกษาระดับอุดมศึกษาควรให้บุคคลมีระดับวัฒนธรรม สติปัญญา และอารมณ์ในระดับหนึ่ง ซึ่งเขา ชีวิตการทำงานขึ้นอยู่กับความรู้ในเทคโนโลยีเฉพาะเป็นส่วนใหญ่มากกว่า
Anna Voevodskaya ผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่อง Jet Infosystems
สำหรับฉันดูเหมือนว่าตอนนี้พวกเขาจะใช้มากขึ้นเรื่อย ๆการเรียนรู้การเสริมแรง การตัดสินใจที่จะเรียนรู้มีปฏิสัมพันธ์กับสิ่งแวดล้อมโดยใช้รางวัลการกระทำและการสังเกต หนึ่งในตัวอย่างที่มีชื่อเสียงที่สุดของการเรียนรู้การเสริมแรงคือ AlphaGo นอกจากนี้ยังใช้วิธีการฝึกอบรมเพื่อจำลองการเคลื่อนไหวของบุคคล (การแข่งขันครั้งสุดท้ายที่ NIPS เกี่ยวกับ RL) เครื่องจักรและอื่น ๆ
แมชชีนเลิร์นนิงถือเป็นเวทย์มนตร์ที่ดีที่สุดความรู้สึก. คณิตศาสตร์ที่ค่อนข้างซับซ้อนถูกนำไปใช้กับข้อมูลของคุณโดยเฉพาะ การวิเคราะห์เชิงลึกเสร็จสิ้นแล้ว และการคาดการณ์ที่แม่นยำมากจะออกเพื่อคุณโดยเฉพาะ และทุกคนต่างก็ต้องการความมหัศจรรย์นี้เพื่อตัวเอง มันสร้างรายได้และเป็นผลดีต่อภาพลักษณ์ของพวกเขาด้วย เยี่ยมมาก
สำหรับจำนวนที่มากเกินไปของตลาดฉันอยู่ในนี้ฉันไม่เชื่อ ผู้เชี่ยวชาญที่ดีหายากอยู่เสมอ ตัวอย่างเช่น Java ไม่ปรากฏเมื่อสองปีก่อน แต่ผู้อาวุโสยังหาได้ยากในพื้นที่นี้ และชุดข้อมูลที่ดีมักจะเป็นยูนิคอร์นเขารู้และรักคณิตศาสตร์และ kodit และเข้าใจการวัดทางธุรกิจ หากเรามีคนล้นตลาดในบางจุดในโลกมันคงจะดี แต่นี่เป็นยูโทเปียชนิดหนึ่ง