Использование искусственного интеллекта стало почти обязательным для бизнеса, до такой степени, что важнее заявить о том, что вы применяете ИИ, чем сделать это с пользой.
Конечно, нет ничего плохого в желании интегрировать алгоритмы машинного обучения в свою компанию. Бизнес имеет полное право искать самое передовое решение своих проблем. Не говоря уже о том, что частный сектор играет решающую роль в исследованиях и разработках, когда речь идет о машинном обучении, создавая почти беспрецедентную синергию с академическими кругами.
Так что, если вам нужен ИИ, дерзайте! Используйте машинное обучение, если оно вам нужно. Просто делайте это правильно.
Имейте четкое представление о том, какую проблему вы хотите решить. Более того, если после некоторого размышления вы видите, что существует более эффективное решение, не связанное с искусственным интеллектом, выберите его. Не слишком привязывайтесь к «ИИ-хайпу», когда в этом нет необходимости.
Когда вы достаточно уверены, что машинное обучение принесет вам пользу, пришло время выбрать оружие машинного обучения. В Интернете мы можем найти множество готовых алгоритмов, предварительно обученных нейронных сетей и шпаргалок, которые дают представление о том, как использовать различные инструменты. И для некоторых конкретных задач эти инструменты могут быть очень эффективными, особенно для простых задач классификации или задач распознавания изображений (алгоритмы распознавания изображений в настоящее время невероятно мощны). Но для более сложных задач они могут работать жалко.
Решения из интернет-коробки опасны, если их использовать без знаний, они могут даже работать, пока не перестанут работать. Большую часть времени ваша единственная надежда состоит в том, чтобы написать или написали для вас индивидуальное решение или найти проприетарное решение, которое сделает всю работу за вас.
Что нужно, чтобы написать алгоритм машинного обучения?
Python, R, TensorFlow, GPU, Spark, Hadoop, линейная алгебра, оптимизация: вот некоторые ключевые слова, которые можно услышать, когда речь заходит о разработке алгоритмов машинного обучения.
Если вы хотите разработать собственное индивидуальное решение, вы должны ознакомиться хотя бы с некоторыми из них (я бы сказал, что линейная алгебра обязательна, но это только мое мнение физика-теоретика). Помимо линейной алгебры, я также люблю язык программирования Python, отчасти потому, что его можно использовать в качестве отправной точки для понимания большинства других ключевых слов. Это открытый исходный код, и в него внесены бесчисленные вклады. Библиотеки для машинного обучения очень обширны. И как только вы привыкнете к этому, написание и обучение алгоритма машинного обучения может быть довольно быстрым.
Если вы думаете о том, чтобы войти в мир науки о данных, Python станет хорошей отправной точкой. Если вместо этого вы заинтересованы в том, чтобы нанять специалиста по данным, который позаботится о ваших алгоритмах машинного обучения, то Python, вероятно, должен появиться в объявлении о вакансии. Наконец, помните, что Data Scientist — это не единственное, что вам нужно для создания вашей компании на основе ИИ.
Алессандра Каньяццо для AIMS Innovation
Кандидат наук. по теоретической физике и Data Scientist AIMS. Домашний пивовар и отличный итальянский повар.
