Veri Bilimcileri, karmaşık sorunları çözmek için teknik becerilere sahip veri analitiği uzmanlarıdır.
Alexandra Murzina, Makine Öğrenimi Mühendisi, İleri Teknolojiler Grubu, Pozitif Teknolojiler
En umut verici tekniklerden birimakine öğrenimi artık pekiştirmeli öğrenmedir. Bu arada StarCraft II'yi kazanan DeepMind sistemi buna dayanıyor. Öğrenmeye ve ardından kullanmaya yönelik bu yaklaşım, aslında yapay zekayı daha çok anımsatıyor. Böyle bir sistem, kendisine eylemlere yanıt veren bir ortama daldırılmıştır. Bu yöntem sizin ve benim çalışma şeklimize çok benzer, ancak bazen yıllarımızı alır, ancak burada modelleme ve bilgisayar gücü yoluyla süreci önemli ölçüde hızlandırma fırsatı vardır.
Örneğin, böyle bir sistem hızlı bir şekilde "iyi öğrenecek"araba sür. Tabii ki, istisnai durumlar ve sistemin kendi koşullarında çalışmasıyla ilgili sorunlar (çözeceği görevlerin kısıtlanmasından dolayı) kalacaktır. 2017 sonbaharında, kapsül sinir ağları daha az gürültüye neden olmadı: o zamanlar derin öğrenme dünyasında bir devrimden bahsetti. Bugün neredeyse onlar hakkında kamuoyunda unutuyorlardı. Uygulamada, hala çok popüler olanlar, belli problemlerin çözülmesi için standart hale gelmiş olan busing ve sinir ağı mimarileridir. Örneğin, görüntülerdeki nesnelerin algılanması veya resimlerin sınıflandırılması gibi.
Teorik olarak, bir teknoloji olarak AI hızlı gelecektirBir kişinin çalışmasının çoğunlukla rutin eylemlerden oluştuğu veya büyük miktarda verilere dayanarak hızlı bir şekilde karar alınması gereken alanlarda. Yani, 600 yatırımcının nasıl iki yüz programcı tarafından değiştirildiğine dair sansasyonel haberler, otomasyon alanındaki sıradan olaylardan biri haline gelebilir. Siber güvenlik endüstrisine dönersek, bu tür bir otomasyon örneğin virüs analizleri veya saldırıların tespiti alanında olasıdır. Bu arada ekibimiz, makine öğrenmeye web uygulamalarındaki saldırıları saniyeler içinde saptamalarını sağlayan bir teknoloji üzerinde çalışıyor.
Uygulamada, A.I.'nin bulunduğu endüstrileri tahmin etmek.tam güçle büyük çapta talep görecek ve kullanımı birçok sosyal ve hukuki nüansla ilişkili olduğundan yakın gelecekte zor olacak. Diyelim ki otopilot: teknolojik olarak standart uçuşları otopilotlara aktarmak zaten oldukça mümkün, ancak kaç yolcu, kontrollerde bir kişi oturmadan hayatını bir uçağa emanet eder? Veya, diyelim ki tıp - bu sektörle ilgili olarak yapay zeka kullanımına dayalı birçok gelişme var, ancak yasal çerçeve açısından bunlar tam olarak kullanılamıyor ve bugün hala kavramsal düzeyde kalıyorlar.
Evet, bu yönde çok fazla gürültü var:aynı zamanda pek çok uzman, teknoloji kullanımına bağlı olarak belirli sorunların çözülmesi, zamandan ve paradan tasarruf edilmesi hakkında hemen konuşmayı tercih ediyor. Gerçekte, bu fikirler personel meselesinde tökezliyor: Birkaç yıl önce programcı eksikliğinden bahsediliyorduysa, o zaman artık hiçbir şey değişmedi, artık sadece örneğin Java programcılarına değil, aynı zamanda karmaşık mühendislere de ihtiyacımız var. Makine öğrenimi yöntemlerini kullanmak da dahil olmak üzere sorunu anlayıp çözebilecek kişiler.
Uzmanlara pazarın aşırı doygunluk hissiMakine öğrenimi gerçek olmaktan çok aldatıcıdır. Evet, birçok kişi birkaç kurs alarak bu alanı hızlı bir şekilde öğrenebileceklerini düşünüyor ancak sonuç olarak pazar, alakasız bir geçmişe sahip uzmanlara aşırı doymuş durumda. Bununla birlikte, makine öğrenimi çoğu durumda belirli bir sorunu etkili bir şekilde çözmeye yönelik bir araçtır (tabii, yalnızca bunu kendi iyiliği için yapmıyorsanız) ve doğru aracı seçmek için belirli bir alanda kapsamlı uzmanlığa sahip olmanız gerekir ( bizim durumumuzda bilgi güvenliği).
Makine öğrenmenin tarihi bugün daha fazlaGelişim ortamında popüler olan "altın çekiç" kayma önleyici teker (altın da olsa) çekiç yardımı ile herhangi bir sorunun çözülmeye çalışıldığı duruma benzer. Birkaç kursu tamamlayan makine öğrenim uzmanları, başka bir araç setinin ne zaman gerekli olduğunu anlayabilmeden yüzlerce vakada deneyimlerini uygularlar - ek bir. Bu yeni pişirilmiş uzmanların çoğu geliştirici değildir ve Jupyter Notebook'un (ML'de popüler bir araç) çerçevesinin dışına çıkamaz veya başka alanlarda belirli sorunları çözmek için teknolojiyi başarılı bir şekilde kullanmalarına izin vermeyen yeterli bilgiye sahip değildir.
Alena Arykina, Veri Bilimcisi Sberbank PJSC
Makine öğrenmesinde yaratıcı bir bölüm var.Alanın veri ve bilgisine bağlı olarak, geliştiricinin sezgisine ve çok daha fazlası. Ve daha iyi parametreler bulmanız ve uzun zamandır bilinen bir kodu tekrar yazmanız gereken otomatik şeyler var. İkinci kısım, herhangi bir "mekanik" işlemde olduğu gibi, insanlar makine öğrenmesi dahil olmak üzere her şeyi optimize etme eğilimindedir. Daha önceki matematikçiler, “el öğrenmekten”, keraslar temelinde kütüphaneler temelinde otomatik olana geçtilerse, bugün bu tip optimizasyon örnekleri, veri setlerinin durumunu yönetmek, resimler ve metinleri önceden işlemek, hatta öğelerin özelliklerinin otomatik olarak algılanması için kütüphaneler olarak hizmet edebilir. Algoritmalar basit olabilir (kelimelerin sonlarını kesebilir) veya karmaşık (özel sinir ağları inşa et - verileri herhangi bir boyuta sıkıştıran oto kodlayıcılar) olabilir, ancak böyle bir eğitim aracı seti en sık nihai modelin kalitesini ve bu nedenle bir veri uzmanının becerilerini belirler.
Makine öğrenimi sonunda daha sonra gelecekyasalar veya insan güvensizliği ile yavaşlayacağı alanlar: ilaç veya otopilotlu bir araba. Bu alanlarda muazzam başarılar görüyoruz - başka ülkelerde kullanılıyorlar. Ancak, onları bizimle birlikte uygulamak ve sıradan insanlara erişilebilir kılmak için birden fazla bürokratik savaş kazanmak zorunda kalacağımızdan eminim.
Veri Bilimi gerçekten çok ilginç. Her saniye arkadaşım BT uzmanı zaten en azından makine öğrenmeyi okuyor. Willy-nilly, endişelenmeye başlarsın: çok fazla veri yazarı yok mu? Ek olarak, şu anda makine öğrenimini herhangi bir BT projesinde ve herhangi bir görev için kullanmaya çalışıyorlar, bu tür algoritmaların neden gerekli olduğunu hayal etmiyorlar - bu moda. HYIP geçecek ve boş yer sayısı azalacak. Öte yandan, soru, Veri Bilimini gerçekten sevenlerin meslekte kalacağı ve modayı takip edemeyeceği sorusudur.
Yapılandırılmamış veri grubu başkanı Tatyana Savelyeva, Yandex.Taxi, tldr_arxiv telgraf kanalının yazarı
“AI” kelimesini gerçekten hiç sevmiyorum çünküçok genel ve iddialıdır ve çoğu zaman insanların teknoloji düzeyini abartmasına neden olur. Biliyorsunuz şöyle bir şaka var: “ML'yi AI'dan nasıl ayırt edebiliriz? Makine öğrenimi Python'da, yapay zeka ise PowerPoint'te yapılıyor."
İlk Veri Bilimi trendi, giderek artanKonu alanının popülaritesi: Şirketler, gelecekte büyük miktarda yararlı bilgiyi işlemeden bunun zor olacağının giderek daha fazla farkına varıyor. Makine öğreniminin otomasyonuna yönelik bir eğilim var: 10 yıl önce çalışmak için tüm yöntemleri kendiniz yazmanız gerekiyorsa, şimdi birçok kullanışlı hazır kütüphane var.
Ancak yöntemlerin kullanım kolaylığı arttıkçaMevcut araçlar giderek daha hızlı değişiyor; parmağınızı sürekli olarak nabzında tutmanız gerekiyor. Sinir ağlarının kullanımına yönelik bir eğilim var: endüstriyel konferanslarda bu tür algoritmalarla ilgili giderek daha fazla makale yayınlanıyor.
Yani makine öğrenmesi sonÇok az veri olan veya hiç olmayan alanlara gelecektir - örneğin, bu şekilde asteroitlerin düştüğü yeri veya Ay'ın Dünya ile çarpışma zamanını zor tahmin edebilirsiniz. Makine öğreniminin bürokratik kurumlarda - devlet kurumlarında, tıbbi kurumlarda - uygulanması zor görünüyor.
Her durumda, bir noktada piyasaBöyle bir pozisyonda istihdam için gerekli bilgiler daha erişilebilir hale geldiğinden, açık pozisyonlara başlamak için çok sayıda başvuru olacaktır (kıdemsiz uzmanlar veya stajyerler). Ancak bu deneyimi kazanmak çok fazla zaman ve çaba gerektirdiğinden ve makine öğrenimi görevlerinin sayısı, zamanı olan ve deneyimleyen kişi sayısından daha hızlı arttığından, makine öğrenimi projelerini halihazırda uygulamış deneyimli uzmanlara olan talep artacaktır. böyle bir deneyim kazanabilir.
Emily Drahl, Veri Analizi Analitiği, Mechanica AI, Eylem Veri Madenciliği Başkanı
Makine öğrenmede en iyilerinden biriparlak trendler, yardımcı teknoloji olarak kullanımından dayanarak tam otomasyona geçiştir. Bu, akıllı şehir ve akıllı ev kavramlarının geliştirilmesinin yanı sıra, endüstriyel üretim, tarım ve tarımsal işletmelerin otomasyonunda en belirgin şekilde ortaya çıkmaktadır.
Şimdi makine öğrenme uygulamalarıoldukça fazla ve bunun nedeni şu anki teknoloji yığını geliştirme, alandaki anlayışımızın seviyesi ve çözülemeyen bir takım etik sorunlardan kaynaklanıyor. Benim kişisel üst uygulama tıp, psikoloji ve pedagoji. Burada, öncelikle yardımcı hizmetler (hastalıkların veya etkileşimli sistemlerin teşhisi için öneri sistemleri) değil, AI ve ML yoluyla süreçlerin tam otomasyonu ile ilgili.
Bence bugün BT endüstrisi farklı.teknolojiler çok dinamik bir şekilde gelişiyor ve bu değişikliklere ayak uyduramazsanız, iddia edilmemiş bir uzman olma riski çok büyük. Bu, deneyimsiz üniversite mezunlarının deneyimli profesyonellerle rekabet edebilecekleri az sayıdaki alandan biridir.
Dinamik pazar nedeniyle, bunun için çalışmakTrendlere ayak uydurur, her zaman olur. Ancak tüm hayatlarını öğrenmeye hazır olmayanlar için zor olan soru çözülmeye devam ediyor: nasıl ilgili olunacağı. Burada tecrübe, profesyonel görünüm ve ilgili (ya da öyle değil!) Faaliyet alanları hakkında bilgi verilecektir.
Eğitim alanı artık değişiyorkavramsal olarak ve tabiri caizse sadece okul çocukları ve öğrencilerle değil, aynı zamanda iş tecrübesi olan yetişkin profesyonellerle de karşı karşıyadır.Geçmişte ilgili eğitime, yeterli zamana ve uygun düzeyde sebat sahibi olarak, önemli finansal yatırımlar olmadan kendinizi yeniden eğitebilirsiniz ve Veri analizinde giriş seviyesi bir pozisyon için en azından bir röportajı geçmek. Bu, çevrimiçi kursların hedeflerinden biridir.
Üniversitelerden bahsedecek olursak çoğumevcut teknik disiplinleri öğretirken bir takım zorluklarla karşılaşıyor: teknolojiler çok hızlı değişiyor, uygulama yapan uzmanları çekmek gerekiyor ve bunlar her zaman üniversitenin ima ettiği formatta çalışmaya hazır değil. Önde gelen bilişim şirketleri bu şekilde imdada yetişiyor, okullar açıyor, üniversitelerde bölümler açıyor, uygulamalı kurslar ve stajlar yapıyor, ayrıca dünün mezunlarını işe başlarken şirket içinde yetiştiriyorlar. Sonuçta, kişisel olarak bir üniversitenin görevini sadece hazır bir uzmanı piyasaya sürmekle kalmayıp, aynı zamanda yüksek öğrenimin kişiye belirli bir kültürel, entelektüel ve duygusal seviye vermesi gerektiği gerçeğinde görüyorum. Mesleki yaşam, belirli teknolojilere ilişkin bilgiden ziyade büyük ölçüde bağlıdır.
Anna Voevodskaya, makine öğrenimi uzmanı, Jet Infosystems
Bana öyle geliyor ki, şimdi gittikçe daha fazla başvuru yapıyorlar.pekiştirici öğrenme. Öğrenme, çevre ile etkileşim kurma, ödülleri, eylemleri ve gözlemleri kullanma kararı. Güçlendirme öğreniminin en ünlü örneklerinden biri AlphaGo. Ayrıca, bu tür eğitim yöntemleri bir kişinin (NIPS'deki son yarışmalar RL ile ilgili) makinelerin ve diğerlerinin hareketlerini simüle etmek için kullanılır.
Makine öğrenimi en iyi haliyle sihirdir.algı. Verilerinize özel olarak oldukça karmaşık bir matematik uygulanıyor, derinlemesine bir analiz yapılıyor ve size özel çok doğru bir tahmin yayınlanıyor. Ve herkes bu sihri kendisi için ister: para kazandırır ve imajı için iyidir, harika.
Piyasadaki karışıklığa gelince, bu işteyimBen inanmıyorum İyi uzmanlar bulmak her zaman zordur. Örneğin, Java iki yıl önce görünmüyordu, ancak bu alanda kıdemli olmak hala zor. Ve iyi bir veri analizi uzmanı genellikle tek boynuzlu at gibidir: matematiği ve koditleri bilir ve sever, iş metriklerini anlar ve her şeyi iyi açıklar. Dünyanın bir noktasında bu tür insanlardan fazlalığımız varsa, iyi olacak. Ama bu bir çeşit ütopya.