Теперь мы живем в эпоху, когда мир Data Science будет неполным без искусственного интеллекта и машинного обучения. Сейчас мы обрабатываем данные больше, чем раньше. Данные, ориентированные на потребителей, имеют значение для любой организации, независимо от ее размера. В мире технологий стремительно происходит все больше и больше прогресса, и это побудило нас приложить усилия, чтобы нарисовать картину ландшафта науки о данных в 2019 году. С развитием технологий все может быть достигнуто, просто сидя в комфорте ваши спальни.

AI и ML Пейзаж

ИИ - это довольно обширная тема, состоящая из множества направлений, таких как машинное обучение, компьютерное зрение и т. Д. Согласно состоянию ИИ, сайт, на котором представлены текущие рыночные тенденции ИИ, сделал прогнозы на 2019 год, а именно:

Все, что вам нужно сделать, это открыть их и найти свое требование. Ваш товар будет доставлен к вашему порогу в кратчайшие сроки.

  1. Финансирование стартапов, стремящихся к прорыву в НЛП, составит более 100 миллионов долларов.
  2. Концепция автономного вождения по-прежнему ограничивается научно-исследовательскими лабораториями, и до сих пор организации, работающие в этой области, проехали 15 миллионов миль в 2019 году.
  3. Учебные заведения приступают к разработке учебной программы для студентов бакалавриата и закладывают основу для заполнения нехватки талантов в области ИИ и машинного обучения.
  4. Работа Google в области квантовых вычислений привела к созданию 5 стартапов, работающих в области квантового машинного обучения.
  5. Вопросы управления, связанные с технологиями искусственного интеллекта, являются наиболее актуальной проблемой в настоящее время, учитывая ситуацию, когда технологии, основанные на искусственном интеллекте, становятся доминирующими. Это привело к тому, что одна или другая организация внесла изменения в свою модель управления.
  6. Компании, не входящие в GAFAM, в настоящее время применяют методы машинного обучения для сохранения конфиденциальности и, таким образом, усиливают политику безопасности и конфиденциальности данных своей организации.

Подробнее об этом можно прочитать здесь.

Проблемы безопасности данных и проблемы с конфиденциальностью из-за нескольких скандалов, разразившихся в 2018 году, привели к переосмыслению модели управления, связанной с мощными инструментами искусственного интеллекта и организациями. Одну из таких инициатив можно было увидеть в Стэнфорде, где был открыт Институт искусственного интеллекта, ориентированного на человека, который будет заниматься непредвиденными и неожиданными вызовами и проблемами, которые ИИ привносит в промышленность и жизнь людей.

Проблемы, связанные с безопасностью данных и конфиденциальностью, были в центре внимания в 2019 году. Эта проблема привела к принятию GDPR, который вступил в силу в 2018 году. К январю 2020 года вступит в силу Закон Калифорнии о конфиденциальности потребителей (CCPA). В Индии аэропорт Нью-Дели начнет развертывание функции распознавания лиц для пассажиров, тогда как Сан-Франциско проголосовал за запрет технологии распознавания лиц. Это некоторые новости, которые сделали заголовки в мире высоких технологий. 2019 год можно рассматривать как начало коммерциализации конфиденциальности и безопасности данных для коммерческого рынка, и организации будут вкладывать значительные средства в разработку технологий и продуктов, связанных с конфиденциальностью и безопасностью данных.

По словам Мэтта Трака, инвестора в FirstCap и организатора Dataadriven. Управление данными NYC, каталогизация, происхождение данных и управление данными становятся более важными, чем когда-либо прежде. Феноменальный рост будет заметен в стеке, управляемом ИИ.

Облако на базе искусственного интеллекта и машинного обучения - еще одна горячая тема. Многие организации работают над предложением облачных решений на базе искусственного интеллекта и машинного обучения, которые помогут в автоматизации, управлении и принятии решения об использовании облачных продуктов пользователями облака. Бета-версию предложения Google можно увидеть здесь.

Конвейер AIOps и MLOps потребует массивного стека, управляемого искусственным интеллектом, который также потребует редких навыков, которых в настоящее время недостаточно, поэтому это вынудит организации финансировать больше либо для обучения, либо для разработки решений, ориентированных на autoML и другие технологии, где ручные усилия будут минимум.

По данным Института Аллена, Китай публикует больше исследовательских работ на основе машинного обучения по сравнению с США и смог восполнить пробел в качестве.

Как электричество изменило нашу жизнь во всех смыслах, так и ИИ. По словам профессора Эндрю Нга, ИИ - это новое электричество. По мере того, как тенденция искусственного интеллекта и машинного обучения набирает обороты, на рынке по-прежнему отсутствуют квалифицированные ресурсы. Это подводит нас к обсуждению того, каким должен быть план обучения искусственному интеллекту и машинному обучению на 2019 год.

Дорожная карта AI и ML 2019

Для людей, стремящихся работать в сфере технологий, связанных с ИИ и машинным обучением, эту дорожную карту следует рассматривать как руководство для построения карьеры в этой области. Всегда можно следовать этой дорожной карте и начать работать над необходимыми навыками. В помощь вам есть инфографика, которая представляет собой не что иное, как дорожную карту.

Предварительные условия:

Google и Apple предоставляют разработчикам приложений собственные инструменты для конкретных платформ. Благодаря этому приложение обеспечивает оптимизированную и улучшенную производительность для пользователя, поскольку оно разработано в соответствии с руководящими принципами и рамками, которые предоставляет компания.

  • Знание программирования на Python
  • Понимание вероятности и статистики
  • Знание матриц и векторов
  • Знание линейной алгебры и исчисления

ИИ можно разделить на две части для обучения и приобретения навыков.

Сначала начните с машинного обучения, а затем - с глубокого обучения. Самый популярный курс по машинному обучению разработан профессором Эндрю Н.Г., и он доступен на YouTube. Машинное обучение подразделяется на три части.

  1. Контролируемое машинное обучение
  2. Машинное обучение без учителя
  3. Усиление ML.

Машинное обучение с учителем содержит алгоритмы классификации и регрессии для задач, связанных с классификацией и регрессией. Первый шаг начинается с понимания проблем классификации и регрессии, за которыми следуют алгоритмы решения таких проблем. Некоторые из примеров алгоритмов: логистическая регрессия, K-ближайшие соседи, дерево решений, наивный байесовский классификатор, байесовская сеть, линейная регрессия, регрессия нейронной сети и т. Д.

Машинное обучение без учителя содержит задачи кластеризации и ассоциации, а также алгоритмы решения таких проблем. В этом случае системе доступны большие наборы различных данных, чтобы она могла учиться сама. Некоторые из примеров алгоритмов: мягкая кластеризация, жесткая кластеризация и т. Д.

Вы можете узнать о контролируемом и неконтролируемом ML здесь.

Обучение с подкреплением рассматривается как надежда ИИ и больше ориентировано на взаимодействие системы с окружающей средой. Он занимается проблемами, требующими «последовательного принятия решений».

Глубокое обучение подразделяется на три части:

Некоторые примеры алгоритмов глубокого обучения: автокодировщик, рекуррентная нейронная сеть и т. Д.

Роли и обязанности инженеров машинного обучения в будущем могут измениться в большей степени; тем не менее, стоит упомянуть некоторые из обязанностей. Обязанности инженера машинного обучения можно предусмотреть следующим образом:

  • Инженер ML будет нести ответственность за создание и поддержку решений ML.
  • Он поможет решить такие проблемы, как конфиденциальность и безопасность данных, кампании цифрового маркетинга и т. Д.
  • Он будет постоянно развиваться, будучи в курсе событий в области исследований и развития ИИ и машинного обучения.
  • Будет способствовать исследованию и развитию технологий искусственного интеллекта и машинного обучения.
  • Мы будем искать возможные решения для масштабирования и оптимизации производительности решений на базе искусственного интеллекта и машинного обучения, работающих в инфраструктуре.

Заключение

Мы увидели, как ландшафт AI и ML дает представление о переломном моменте в отрасли. Индустрия очень нестабильна, и искусственный интеллект и машинное обучение не щадят ничего. Отрасль сталкивается с нехваткой навыков, и каждый день на основе ИИ и машинного обучения создаются новые технологии. Дорожная карта, обсуждаемая в статье, представляет собой направляющий инструмент для стремящихся инженеров машинного обучения и искусственного интеллекта для развития навыков.

Первоначально опубликовано на https://rejolut.com 16 августа 2019 г.