Культура анализа данных в эру машинного обучения

МЕНЮ


Новости ИИ
Поиск

ТЕМЫ


Внедрение ИИНовости ИИРобототехника, БПЛАТрансгуманизмЛингвистика, обработка текстаБиология, теория эволюцииВиртулаьная и дополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

АРХИВ


Октябрь 2017
Сентябрь 2017
Август 2017
Июль 2017
Июнь 2017
Май 2017
Апрель 2017
Март 2017
Февраль 2017
Январь 2017
Декабрь 2016
Ноябрь 2016
Октябрь 2016
Сентябрь 2016
Август 2016
Июль 2016
Июнь 2016
Май 2016
Апрель 2016
Март 2016
Февраль 2016
Январь 2016
0000

RSS


RSS новости
Ураган харви в США

Новостная лента форума ailab.ru

О том, какие навыки будут нужны в мире, быстро меняющемся под влиянием машинного обучения и искусственного интеллекта — математик Константин Воронцов, доктор физико-математических наук, профессор РАН, руководитель лаборатории Машинного интеллекта МФТИ, заведующий отделом Интеллектуальных систем ФИЦ ИУ РАН. ПостНаука рассказывает о современных технологиях в проекте «Банк знаний», созданном вместе с Корпоративным университетом Сбербанка. Больше о роли машинного обучения в автоматизации принятия решений и предсказательного моделирования — в подробном интервью Константина Воронцова ПостНауке.

Культура анализа данных — это не только про умение правильно решать задачи. Культура начинается с умения видеть постановки задач, с развития профессиональной интуиции, какую задачу можно поставить и решить, а какую нельзя. Машинное обучение многим представляется чуть ли не магией: придут большие данные и улучшат твой бизнес. Ничего подобного. Без компетентных специалистов, которые глубоко понимают одновременно и бизнес-процессы, и методы анализа данных, ничего не получится. Эти специалисты должны определять, как и какие данные собирать, как обеспечить чистоту данных, в каких именно данных содержится косвенная информация для получения качественных прогнозов, какими возможностями и ограничениями обладают различные методы машинного обучения, как визуализировать данные и результаты предсказательного моделирования для эффективного принятия управленческих решений.

Анализ данных сейчас повсеместно востребован, компетентных специалистов не хватает. Университеты выпускают их не достаточно. Нужны курсы дополнительного образования и повышения квалификации. В развитых странах, например в США, неплохо отлажена система обучения взрослых людей, уже состоявшихся в своей области, смежным, новым и более востребованным профессиям. У нас таких курсов почти нет, их надо развивать.

Я бы выделил три типа специалистов, которых сейчас не хватает.

Первый — исследователи и разработчики новых методов. Их надо учить долго, но таких специалистов нужно не очень много.

Второй — инженеры, умеющие решать практические задачи. Их нужно очень много, целая армия. Сейчас на рынке труда много самоучек, как правило людей с техническим образованием, возможно, неплохих программистов, которые прослушали несколько курсов на Курсэре и поучаствовали в конкурсах на Kaggle. Этим людям катастрофически не хватает опыта, которые они будут приобретать по ходу дела, уже устроившись на работу. Для таких людей необходимы курсы, где бы их провели шаг за шагом по нескольким десяткам практических кейсов. К сожалению, таких курсов мало, и мало людей, способных разрабатывать такие курсы.

Наконец, третий тип специалистов — менеджеры, которым приходится управлять проектами с использованием бизнес-аналитики. Им не обязательно хорошо знать методы и средства анализа данных — это дело инженеров. Им важно понимать возможности и ограничения методов, иметь интуицию, какая задача решается, а какая нет, и сколько ресурсов потребуется на создание и внедрение того или иного решения. Им также необходимо знать, как решались аналогичные задачи в других компаниях, причём не на уровне рекламных материалов, а более глубоко, с проработкой альтернатив и разбором возможных ошибок. Снова упираемся в необходимость создания массовых образовательных курсов “анализа данных и машинного обучения для менеджеров”.

Есть и четвёртая категория людей — массовые пользователи систем искусственного интеллекта. Много говорят о том, что грядущая “тотальная автоматизация” грозит повальным сокращением персонала. Я оптимист. Просто постепенно будет повышаться доля интеллектуального труда. Те, кто выполнял бумажную работу, окажутся перед экранами мониторов, будут вникать в цифры, делать ту работу, которую раньше выполняли десятки офисных работников. Место сотен дворников займёт один оператор, управляющий интеллектуальными роботами-уборщиками, сидя за пультом в чистом помещении. Появятся новые профессии, которые мы пока не замечаем. Людям придётся в массовом порядке заняться обучением систем искусственного интеллекта — я так вижу низкоквалифицированный труд будущего. Прототипом этой профессии сегодня является работа на краудсорсинговых платформах, таких как Amazon Mechanical Turk или Яндекс.Толока. Миллионы людей уже сегодня имеют небольшой заработок, занимаясь оцениванием результатов поиска, классификацией фотографий, распознаванием фейковых новостей, перепроверкой фактов. Чем больше будет интеллектуальных сервисов для людей, тем больше людей будут заниматься формированием обучающих выборок и оцениванием качества этих сервисов.

Как бы то ни было, мы живём в мире, быстро меняющемся под влиянием технологий, в том числе машинного обучения и искусственного интеллекта. Если люди станут больше внимания уделять образованию, самообразованию и переквалификации, то мы избежим социальных потрясений в эпоху цифровой экономики и тотальной автоматизации.


Источник: postnauka.ru