Искусственный интеллект уже стал частью мейнстрима — массовых продуктов: умных гаджетов, систем распознавания лиц и многого другого. Он помогает лучше продавать и эффективнее выстраивать работу. По рекомендациям искусственного интеллекта в ближайшем будущем даже планируют отчислять студентов вузов.
Сфера для развития, несомненно, перспективная. А потому мы спросили экспертов, X5 Retail Group, Yandex, «1С-Битрикс» и ВТБ, что делать тем, кто хочет уже сейчас быть на шаг впереди всех и начать работать с искусственным интеллектом. Эта тема станет одной из ключевых на осенней IT-конференция «Стачка», которая пройдёт в Иннополисе.
С чего все началось?
Несколько лет назад мы поняли, что накапливаем большие объемы данных с ценной информацией. Она нужна для того, чтобы принимать правильные бизнес-решения, делать сервис более полезным для клиентов и бизнес-партнеров. Тогда я и начал заниматься этим направлением. По образованию я не математик, а инженер, но в области искусственного интеллекта математики не так много, нужно знать много инженерных дисциплин. Я погрузился в эту сферу, и мы написали с коллегами сотни разных прототипов. Мы увидели, что это действительно полезная область. Сейчас она крайне востребована особенно в IT-компаниях, для решения, в том числе, и продуктовых задач.
В 2014 году я начал работать в датской компании Foss, которая занимается производством анализаторов для пищевой промышленности. Их два типа — химические и инфракрасные. Последние рассылают пучок света, при этом используется много датчиков, которые измеряют определенный набор признаков. По нему мы строим модель, которая прогнозирует: сколько содержится в пробе белка, жиров, углеводов и так далее. Для этого используются математические методы, от линейных регрессий до нейронных сетей — всё то, что активно используется в машинном обучении. Раньше для меня это называлось химометрикой, но по сути это сфера искусственного интеллекта, которой я занимаюсь уже два года.
Еще в университете нам преподавали моделирование, мы решали простейшие задачи по прогнозированию временных рядов и финансовых показателей, занимались классификацией объектов и другими аналитическими вопросами. Непосредственно о Data Science я узнал, когда мне нужно было реализовать проект в рамках кандидатской диссертации. Оказалось, что существует большое сообщество единомышленников ODS (Open Data Science, сейчас оно одно из самых больших в мире), участники которого активно помогают друг другу в развитии. Возможность и, главное, полезность применения этих знаний в коммерческой деятельности стали определяющими в выборе моей дальнейшей профессии. В департаменте корпоративного цифрового бизнеса ВТБ полученные знания и опыт мы применяем для увеличения эффективности бизнес-процессов при работе с юридическими лицами.
Я 9 лет занимался web- и backend-разработкой. Пару лет назад очень сильно заинтересовался data science и машинным обучением, узнал про сообщество Open Data Science и вступил в него. После этого начал участвовать в соревнованиях по машинному обучению на Kaggle, параллельно приложил руку к разработке нескольких open-source проектов, связанных с глубоким обучением. Понял, что мне интересно заниматься задачами на стыке разработки и машинного обучения. Так я пришёл к текущей работе в X5 Retail Group. Мы тестируем компьютерное зрение и нейронные сети, чтобы анализировать расстановку товара на полках, детектировать возникновение пустот, а также определять факт подхода сотрудников к стеллажам с продуктами.
Я проходил четырехмесячную стажировку в LG, где работал над проектом по определению положения головы на видео с помощью камеры телевизора. Я работал в стартапе GeoCV. Это приложение создает 3D-модели помещений с помощью смартфона с 3D-камерой. Я разрабатывал инструмент, который позволял накладывать текстуру поверхности на модель. После работы в этом стартапе я поступил магистратуру Университета Иннополис по направлению Software Engineering. Сейчас я работаю в Университете Иннополис — преподаю курсы по математике и машинному обучению, а также курирую магистерскую программу по Data Science. Сейчас я приостановил исследовательскую деятельность, но до этого работал над вузовским проектом по Domain Adaptation — это способ машинного обучения, когда мы стремимся извлечь из исходного распределения данных хорошо работающую модель для другого (но связанного) целевого распределения данных.
Какой бэкграунд нужен для того, чтобы начать заниматься разработками в сфере искусственного интеллекта?
Изначально кажется, что это чисто научная тема. Но, исходя из своего опыта, скажу, что инженерные навыки важны не менее, а даже более, чем научные. Да, модели создаются обычно «тяжелой» наукой, они переходят в общественное достояние в виде кода, статей. На работе приходится учиться понимать, правильно качественно тренировать и использовать эти модели. Именно поэтому и возникает перевес инженерных способностей над научными.
Но, несомненно, нужно, чтобы человек понимал фундаментальные вещи: математическую статистику, теорию вероятности, работу с векторами и матрицами, знал, что такое свёрточные и рекуррентные нейронные сети, правила дифференцирования. Так что стоит прокачивать два направления: классический science и инженерный подход. Также можно немного покопать функциональное программирование: оно тренирует мозг и очень помогает в некоторых задачах.
Если хочешь стать инженером машинного обучения, значит хочешь писать код в продакшен-системе. Для этого хорошо быть софтовым инженером. Ему достаточно набрать небольшого багажа и он может стать machine learning-инженером. Он обвязывает, описывает, интегрирует технологии машинного обучения. Лучший бэкграунд в этом случае — базовый разработчик. Можно попробовать различные курсы, от специализации Яндекса на Coursera, до Kaggle, где можно попробовать всё и набить шишки.
Если ты уже инженер, умеешь писать хороший код, нужно научиться машинному обучению, интегрировать одно в другое. Kaggle - великолепная площадка, которая помогает это сделать.
Главная задача инженера — использовать на практике фундаментальные знания. Мы живем в то время, когда область применения машинного обучения постоянно расширяется, и трудно предположить, что нас ждет впереди. Конечно, нужна хорошая математическая подготовка, глубокие знания статистических понятий, теории вероятности и постоянное развитие навыков в программировании.
Чтобы построить свою карьеру в сфере искусственного интеллекта, нужно определиться, что более интересно: классические задачи анализа больших данных, компьютерное зрение, распознавание звука, построение языковых моделей, робототехника. После этого начинайте прокачиваться на хакатонах, митапах и соревнованиях. Опыт решения даже простых задач и софт-скиллы работы в команде будут отличным фундаментом для дальнейшего профессионального развития.
Стандартное требование — умение программировать. Дальнейшее, как мне кажется, зависит от специализации человека. Если он больше ориентируется на data science, то в первую очередь важны навыки работы с данными (что нужно для того, чтобы обучить модель), умение экспериментировать и улучшать качество модели, способность разобраться и понять, что идет не так, если модель показывает плохие результаты.
Также важно постоянно изучать новые подходы в своей области, читать научные статьи и быть готовым быстро реализовать новый метод на практике.
Если же человек больше уходит в разработку, то тут требования практически такие же, как для разработчика, никак не связанного со сферой искусственного интеллекта. То есть умение писать понятный и поддерживаемый код, хорошее знание используемых технологий: языков программирования, баз данных, фреймворков и библиотек.
Но, как правило, люди одновременно занимаются и data science и разработкой в разных пропорциях, так что для них важны и те, и другие навыки.
Сложно добиться успеха в разработке искусственного интеллекта, если человек не силен в математике. Да, мы программируем на Python, пользуемся библиотеками, эти навыки вырабатываются за год, за два. Но всё машинное обучение, по сути своей, — это прикладная статистика.
Для тех, кто делает первые шаги в машинном обучении, я бы посоветовал пойти в специализированные школы или магистерские программы — я, к примеру, будучи менеджером программы в Университете Иннополис вижу, как за первый год магистратуры наши студенты развиваются с нуля до сильных junior или уверенных middle-специалистов в машинном обучении.
Какие нужно знать языки программирования?
Большинство тех, кто занимается машинным обучением, работают на Python.
Популярность Python связана со скоростью разработки, низким порогом вхождения, его простотой и эффективностью конкретно для машинного обучения. Если написать хороший код на этом языке для задач ИИ, то по производительности мы не проиграем языкам, ориентированным на оптимизацию исполнения.
Помимо этого нужно уметь работать с библиотеками для машинного обучения — по работе с данными — Pandas и NumPy, по визуализации — Matplotlib, а также с библиотекой классического машинного обучения Scikit-learn. Когда вы начнете работать с нейросетями, то столкнетесь с целым зоопарком фреймворков. Я советую начать с Keras.
Python — интересная технология, но не для серьезных высоконагруженных проектов. Если идти дальше, то Java, C#, Kotlin и Rust, как лучшее в мире в скорости и строгости. Для системного программирования лучше, чем Rust ещё ничего не придумали.
Опять же, прежде нужно понять, кем человек хочет быть. Python сейчас номер 1, SQL тоже нужен, если тащить какие-то данные из баз и их обрабатывать.
Для обработки большого объема данных (не помещающихся на одной машине) может быть Spark, дальше — вопрос специализации.
Есть классические библиотеки, которые нужны всегда и везде, например, NumPy. А дальше специфичные.
Учите Python — сегодня и в ближайшем будущем именно этот язык будет использоваться в машинном обучении. Возможность быстрого прототипирования не обеспечит никакой другой язык. А далее для оптимизации работы алгоритмов нужно смотреть в сторону развивающихся библиотек по типу PyTorch для построения искусственных нейронных сетей.
Python — лидер среди языков, которые используются в машинном обучении. На нём можно писать практически все, начиная от скриптов для обработки данных и заканчивая кодом для работы с нейронными сетями. Также в некоторых областях компьютерного зрения, где требуется высокая скорость вычислений применяется C++.
Если делается какой-то продукт для смартфонов, необходимо знание Swift / Objective-C для iOS, Java / Kotlin для Android.
Для глубокого обучения существует множество фреймворков. Это как популярные TensorFlow, Keras, PyTorch, так и целый набор менее известных альтернатив. Как правило человеку нужно хорошо знать один фреймворк, который используется в команде, но при этом уметь быстро разобраться в коде, который написан на каком-то другом фреймворке.
Для работы с нейронными сетями я использую PyTorch. Он позволяет быстро писать код и легко проводить эксперименты, кроме того при необходимости модель несложно доработать для запуска в продакшен-системах.
Каким вы видите будущее искусственного интеллекта?
Я вижу тесное соединение аналитики данных с предиктивной аналитикой. Мне кажется, сложно заниматься предиктивной аналитикой, не понимая, что такое корреляция, распределения типов свойств.
Вижу, что в ближайшем будущем вырастут в популярности байесовские методы принятия решений и анализа данных. Они отвечают на вопросы гораздо более глубокие, чем современные нейросети. Плюс будет развиваться активная зона исследования — генеративно-состязательные сети (GAN), их разновидности, которые позволяют создавать вещи, приближенные к реальности. Это стык математики, разных технологий, облако инженерии.
Искусственный интеллект уже вошел в нашу жизнь: с его помощью делается огромное количество операций. Мы вызываем такси, ищем кого-то на Тиндере — везде применяются эти алгоритмы. Они помогают сформировать выбор и даже его корректируют. В дальнейшем всё это будет ещё больше коммерциализироваться и проникать не только в технологичные сферы и интернет-компании, но и в офлайн.
Будущее уже наступило, и наш мир продолжит стремительно меняться. Мы живем в эпоху новой технологической революции — тривиальные задачи ручного труда уйдут в прошлое. Уже сегодня мы видим полностью беспилотные автомобили в таксопарках разных стран, думаю, что в будущем все грузо-пассажироперевозки станут абсолютно автономными. Многие рутинные профессии будут заменены роботами, и людям придется осваивать новые специальности. Полностью заменить человека не получится, однако за счет автоматизации процессов банки смогут повысить качество обслуживания клиентов.
В ближайшие годы искусственный интеллект продолжит и дальше проникать во все сферы нашей жизни. Его начнут активно использовать не только IT-гиганты вроде Гугла, Фейсбука и Яндекса, но и множество компаний во всех сферах бизнеса, потому что это станет их конкурентным преимуществом.
Лично я надеюсь, что искусственный интеллект будет активно внедряться в медицине и улучшит диагностику заболеваний, подбор оптимального лечения и разработку новых видов лекарств.
Достаточно популярно мнение, что искусственный интеллект заберет работу у людей, но тут я оптимист. Считаю, что он избавит людей только от самых рутинных и скучных задач, даст им возможность заниматься более интересными вещами и будет еще одним инструментом, таким же, как например, электричество или интернет, который улучшит нашу повседневную жизнь.
Сейчас крупные компании борются за превосходство в сфере ИИ и развивают отделы машинного обучения и нейронных сетей. К примеру, Samsung переманивает российских звёзд этого направления, а в Huawei будет работать полторы тысячи российских специалистов, в том числе по разработке искусственного интеллекта. В общем, корпорации понимают, что доминирование в этом направлении принесет в будущем бизнес-преимущества.
В чем я вижу будущее развитие ИИ? Прежде всего, в таких задачах, как управление беспилотным транспортом и магазинами без персонала. Мы сейчас уже достаточно близки к повсеместному использованию, беспилотники уже можно запускать в города. Например, в Иннополисе курсируют беспилотные такси Яндекса и собственные беспилотники Университета Иннополис. И могу предположить, что еще пару лет, и такие автомобили станут обычным явлением на дорогах. Есть еще индустриальные задачи. К примеру, в производстве искусственный интеллект выявляет неисправности, и в перспективе будет использоваться для этих целей все больше. В биотехнологиях машинное обучение упрощает чтение генома. Сфер, где в ближайшем будущем внедрят повсеместное использование ИИ, много, и это вопрос не десятилетий, а пары лет.
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором