ИИ и машинное обучение — самые перспективные сферы в области технологий. Специалисты учат модели анализировать покупки клиентов, стилистику текстов и даже оценивать навыки спортсменов. Эксперты здесь получают высокую зарплату, а на рынке пока не так много специалистов. Нитин Сетхи, руководитель сервисного бизнеса Sethi Technologies, рассказывает о том, почему эта самая перспективная сфера в ИТ.
Как обучиться машинному обучению
— Какой у вас бэкграунд, чем вы занимались до машинного обучения? Как вы заинтересовались и стали изучали эту область?
— Я руковожу сервисным бизнесом Sethi Technologies. Мы предоставляем нашим клиентам решения на основе машинного обучения и искусственного интеллекта. За последние два года мы поработали с крупнейшими компаниями из списка Fortune 500.
Меня всегда восхищали данные. Это определило мой выбор — после этого я стал искать знания, навыки и опыт в области машинного обучения через проектное обучение. Это дало мне возможность стать экспертом в области машинного обучения в Education Ecosystem, децентрализованной экосистеме обучения, которая учит профессионалов и студентов колледжей создавать реальные продукты.
— Как люди начинают изучать машинное обучение? Это не та область, где нужны фундаментальные знания и многолетнее образование?
— Фундаментальные знания в области программирования являются дополнительным преимуществом, иначе кривая обучения будет слишком крутой. Машинное обучение тоже основной компонент самых бурно развивающихся областей — Big Data, Predictive Analytics, Data Mining и Computational Statistics.
Если данные, автоматизация и алгоритмы вызывают интерес, то машинное обучение — это выгодный выбор профессии. Прохождение структурированной программы или курса — один из лучших способов изучить машинное обучение с нуля. Высокий спрос в этой отрасли привел к тому, что есть сотни очных и онлайн-курсов.
— Что вы можете посоветовать разработчикам и аналитикам, которые хотят развиваться в этой области?
— Машинное обучение имеет потенциал сделать приложения более мощными и более отзывчивыми к потребностям пользователей. Разработчики, которые хотят внедрить машинное обучение в приложения, должны знать несколько ключевых моментов, которые помогут им добиться успеха:
- Чем больше данных у алгоритма, тем точнее он становится, поэтому по возможности избегайте подвыборки.
- Выбор метода машинного обучения, который лучше всего подходит для проблемы, является ключевым и часто определяет успех или неудачу.
- Модели машинного обучения могут быть хорошими только тогда, когда данные будут хорошими.
- Понимание особенностей данных и их улучшение (путем создания новых и устранения существующих особенностей) оказывает большое влияние на предсказуемость.
— Где можно научиться этому? Может быть, на курсах или в школах?
— К счастью, сегодня есть множество платформ онлайн-обучения, таких как Education Ecosystem, где вы можете изучить различные концепции машинного обучения и искусственного интеллекта. На Education Ecosystem можно учиться у экспертов-разработчиков через проекты, которые включают в себя учебники и ресурсы проектов. Например, я создал несколько таких проектов:
Какому бизнесу нужен, а какому не нужен ИИ
— Как вы «продаете» ИИ и машинное обучение компаниям и как они улучшают свою работу? Как вы думаете, почему бизнес стал более научным?
— Алгоритмы машинного обучения могут многократно учиться на основе предоставленного набора данных, постигать закономерности, поведение. Этот процесс является итеративным и постоянно совершенствуется, что помогает компаниям постоянно меняться под запросы бизнеса и клиентов.
— Каким компаниям он подойдет и не подойдет? Какие проблемы можно решить с их помощью?
— Больше всего машинное обучение нужно бизнесу, который занимается классификацией изображений, разбором текста или предиктивным моделированием. Для других видов бизнеса алгоритмы можно обучить что-то рекомендовать пользователю, собирать данные, использовать глубокое обучение и нейронные сети. В сфере обслуживания алгоритмы можно обучить как руководителя службы поддержки путем обработки естественного языка на основе распространенных жалоб клиентов.
— В этой области новое появляется чуть ли не каждый день. Как следить за тем, что происходит, на что обратить особое внимание?
— Недавний отчет Indeed показал, что вакансии инженеров в области машинного обучения опережают все остальные по зарплате, спросу и росту. В документе также отметили, что спрос на инженеров машинного обучения вырос на 344%.
Эта область настолько важна, поскольку она позволяет предприятиям увидеть тенденции в поведении клиентов и операционные схемы бизнеса, способствует разработке новых продуктов. Многие из ведущих компаний, таких как Facebook, Google и Uber, делают машинное обучение центральной частью деятельности. Постоянное повышение квалификации поможет специалистам воспользоваться преимуществами высокого спроса и низкого предложения в этой отрасли.
— Машинное обучение часто используется в анализе больших данных. Какие прорывные продукты появятся здесь?
— Большие данные стали важны, поскольку многие организации, как государственные, так и частные, собирают огромные объемы информации по конкретным областям. Слияние машинного обучения и больших данных — это бесконечный процесс. Мы увидим, как алгоритмы машинного обучения применяются к каждому элементу работы с большими данными, включая сегментацию, аналитику данных и моделирование.
— Какие свободные ниши на рынке связаны с развитием машинного обучения и ИИ?
— Искусственный интеллект — это прорывная технология последнего времени. Есть много нишевых областей, в которых ИИ оказывает значительное влияние. Есть и другие нишевые области применения, которым не уделяют внимания в медиа, но они есть в научных публикациях. В ближайшие годы они получат наибольшее развитие, это образование, строительство и планирование, развлечения и спортивная аналитика.
— Каким вы видите развитие машинного обучения? Как оно может помочь людям, предприятиям, государствам?
— Машинное обучение помогает предприятиям использовать профилактическое обслуживание для снижения количества поломок оборудования и увеличения прибыли. По мере роста потребности в больших и сложных возможностях обработки данных машинное обучение поможет предприятиям использовать потребительские данные для построения полезных профилей клиентов, увеличения продаж и повышения лояльности к бренду.
Машинное обучение только начало развиваться. Все самое интересное — впереди
— Каковы самые большие заблуждения о больших данных и машинном обучении?
— Самое большое заблуждение заключается в том, что модели машинного обучения способны решить все проблемы этого мира. Одна из самых известных цитат о машинном обучении принадлежит Дейву Уотерсу: «Ребенок учится ползать, ходить, а затем бегать. В области машинного обучения мы находимся на стадии ползания».
В процесс машинного обучения всегда будет вовлечен человек. Но здесь есть оговорка. С усовершенствованными алгоритмами мы сможем полностью исключить участие человека после обучения конкретной модели машинного обучения.
— Не все успевают за прорывами в этой области — на что нам обратить внимание?
— Последние разработки в области машинного обучения сегодня — это автоматизированное машинное обучение (AutoML), управление операционализацией машинного обучения (MLOps), No-Code Machine Learning и Low-Code Machine Learning Development. Это концепции, которые в ближайшие годы приведут к очень перспективным проектам.
— Каковы краткосрочные и долгосрочные проблемы ML? Как насчет предвзятости разработчиков, плохих намерений и этических норм, которые невозможно прописать и формализовать?
— Самые большие проблемы в машинном обучении — это нехватка квалифицированных ресурсов, отсутствие качественных данных и понимание того, какие процессы нуждаются в автоматизации. Пока у нас не будет чистых и надежных данных, специалисты по машинному обучению будут продолжать сталкиваться с проблемами при разработке алгоритмов и систем, соответствующих именно тем потребностям, для которых они были созданы.
— Когда и в какой области искусственный интеллект проявит себя самым интересным образом?
— Искусственный интеллект формирует будущее человечества практически во всех отраслях. Уже сейчас он является главной движущей силой таких развивающихся технологий, как большие данные, робототехника и IoT, и в обозримом будущем он будет продолжать выступать в роли технологического новатора. Сегодня трудно выбрать какую-то одну конкретную область, учитывая, что все отрасли сегодня работают с большими объемами данных и имеют различные потребности в автоматизации.
Читать далее:
Археологи официально подтвердили сказания из Библии
Найдена могила «жрицы» Афродиты: ученые показали, что нашли там
Ученые разглядели, что находится на территории столицы майя. Находка их удивила