0:00 Вы слушаете дизайн код.
0:01 Подкаст про влияние айти-индустрии на жизнь людей.
0:04 Рассказываем про айти-сферу со стороны дизайна и разработки.
0:07 Меня зовут Владислав, я разработчик машинного обучения.
0:10 Меня зовут Ливан, я продуктовый дизайнер.
0:12 Сегодня мы расскажем вам о том, кто создает искусственный интеллект и чем его разработка отличается от создания классических программ.
0:20 Подписывайтесь на наш подкаст там, где вы его слушаете.
0:24 Как ты думаешь, Влад, что сейчас актуально в твоей сфере именно в разработке машинного обучения.
0:30 На что стоит обратить внимание людям, которые хотят попробовать свои силы в этой сфере?
0:35 Кто хочет начать или уже как-то переквалифицироваться и начать работать именно с машинным обучением или искусственным интеллектом.
0:42 Что ты думаешь по этому поводу?
0:44 Я думаю, что люди, которые занимаются машинным обучением, это такие же программисты, как и все остальные разработчики в эти сфере.
0:51 И поэтому в целом я хотел бы сказать о том, что ИТ-разработка сегодня в двух словах это программирование и искусственный интеллект.
1:00 Я говорю об ити-разработке, потому что подразумеваю, что есть много других разработок будь то в медицине, в технике, электронике, и так далее.
1:11 Есть своя разработка.
1:12 Если и связано с айти-разработкой, то это все равно разные сферы.
1:16 Так вот, а-разработка - это программирование и искусственный интеллект, то есть машинное обучение.
1:21 Что у них есть общего?
1:22 По-моему, это код и данные.
1:25 Всегда, когда человек занимается разработкой в айти-сфере, он пишет какой-то код и оперирует определенными данными.
1:32 И пожалуй, это все, что между ними есть общего.
1:35 Если же говорить о том, что различается в этих двух подходах, это можно заметить даже в том, в чем они проявляют свои сходства, то есть, какой код пишет программист, который занимается классическим программированием?
1:48 И тот код, который пишет специалист по машинному обучению, это по сути свои два разных кода.
1:54 То есть, программист пишет какие-то сервисы, приложения, специалист по машинному обучению, который разрабатывает искусственный интеллект, он занимается большей части обработкой данных, которые ему предоставляются.
2:06 И непосредственно то, какими данными оперирует человек в своей деятельности.
2:10 В случае с программистом это будут какие-то фактические данные о людях или о других объектах.
2:17 Если говорить о машинном обучении, то там используются данные, которые я бы назвал обучаемыми.
2:23 То есть они могут быть обезличными, могут представлять какую-то информацию о пользователях, но тем не менее они нужны не для того, чтобы их хранить определенным образом или каким-то образом структурировать, работать с ними напрямую, а сколько они нужны для того, чтобы обучать на них и получать результат в плане предсказаний, которые может осуществить машина?
2:45 А вот какие есть отличия у обычного программиста, который пишет на языке, ну, допустим, питон.
2:52 И у специалиста, который работает именно с машинным обучением.
2:56 Хороший у тебя вопрос, потому что специалист, который пишет на языке питон, один и тот же специалист из сферы классического программирования и программисты сферы машинного обучения будут на одном и том же языке существовать в несколько разных мирах.
3:11 То есть, в случае с программистом он будет описывать какие-то правила, которые он четко задаст программе, и она их будет исполнять.
3:18 Эти правила будут зависеть, как я уже сказал, от данных в случае с человеком, который занимается машинным обучением, он настраивает свою программу таким образом, чтобы она сама находила какие-то правила и она могла их сама извлечь из примеров, которые подает ей человек.
3:35 Также есть отличия в мышлении того человека, который занимается написанием кода на языке питон.
3:43 Если он делает это для того, чтобы написать некое программное обеспечение, которое мы привыкли использовать на своих компьютерах, то он будет руководствоваться прежде всего логикой.
3:54 Это или пользовательской логикой, или то, как он видит свой продукт.
3:58 Когда специалист по машинному обучению предполагает, каким образом будет работать его программа, он прежде всего опирается на статистические данные.
4:08 Его не интересует опыт того, как это уже происходило в плане логики, в плане построения теми же классическими методами программирования, но его интересует то, как извлечь из уже имеющихся данных зависимости, которых раньше никто не видел.
4:25 Если говорить более профессиональным языком, то программист взаимодействует с объектами.
4:31 Здесь может быть отсылка к объектно ориентированному программированию и все всему, что с этим связано, но мы не будем углубляться сегодня в сильную теорию.
4:40 В машинном обучении может даже не быть такого понятия, как объектно-ориентированное программирование.
4:46 Это может быть обычная функциональная разработка, и представляете себя некий математический алгоритм, который уже заранее запрограммирован, и предполагает то, что в него будут загружены данные.
4:59 Эти данные должны иметь некую общую структуру.
5:02 Под каждый алгоритм есть свои определенные особенности, и далее работает уже математика.
5:08 Это тем не менее не значит, то что специалисту по машинному обучению нужно быть также крутым математиком, потому что по сути вся математика уже запрограммирована, а если еще нет, то существуют такие люди, которые называются исследователями, которые по большей части не занимаются программированием, но могут помочь программисту или запрограммировать сами конкретный алгоритм с точки зрения математики, а уже другие программисты помогут встроить это в существующие фреймворки.
5:33 Ну и отдельное внимание я хотел бы уделить тому, что все-таки программист взаимодействует с данными, которые нужно хранить и сортировать, в то время как специалист по машинному обучению, которому интересен искусственный интеллект и его дальнейшее развитие, ему интересно будет хранить эти данные и обрабатывать их.
5:55 Если рассматривать конкретно специалиста по машинному обучению - кем ты являешься, то что входит в обязанности такого человека, отличаются ли требования от такого специалиста в Айти-компании и компании из любой другой сферы?
6:09 Это любимый вопрос моих коллег, и, пожалуй, не менее двух раз на голову мне приходилось объяснять, чем я занимаюсь.
6:16 Четыре раза это было в виде презентаций для специалистов всех уровней в моей компании.
6:22 Компания, в которой я работаю, к слову, не считается айти-компаний, о которой ты говоришь в своем вопросе.
6:29 Так вот, если говорить подробнее о том, как это происходит в айти или не айти-компании, я бы изначально сказал, что данные есть в любой компании.
6:38 Сегодня любая компания, даже если она не считается цифровой, у нее все равно есть какие-то Иль-таблицы с данными, и вопрос в том, насколько они продвинулись в умении структурировать и хранить свою информацию и уже анализировать ее классическими методами.
6:54 То есть, в большинстве компаний, даже российских, у нас существует много аналитиков, которые умеют очень круто выводить какие-то зависимости из имеющихся данных.
7:03 Просто когда возникает вопрос о том, что делать дальше, обычно он возникает тогда, когда данных накапливается очень много, и хотелось бы уже обрабатывать их не человеческими ресурсами, а машиной.
7:16 Так вот, если мы посмотрим на ИТ-компанию, то там уже на входе, даже если человек, который не имеет особого опыта, будь то стажер или джуниор-разработчик, он приходит и видит уже выставленный Дейта Лейк или ДВХ
7:34 - кто как называет, что представляет из себя некое несистематизированное хранилище данных и противоположное ему систематизированное хранилище.
7:44 Оба из них должны поддерживаться различными специалистами, чтобы в дальнейшем их можно было обрабатывать уже машинными методами.
7:53 Как это происходит в компании, которую сложно назвать айти - человеку просто дают данные и дают источники: все источники, которые у них есть, и все данные, которые у них есть.
8:05 От этого разработчика хотят искусственный интеллект.
8:08 В айти-компании от разработчика хотят: компьютер вижин, или НЛП, или какие-то ассистенты, или даже анализ временных рядов.
8:20 То есть, задачи ставятся более конкретно для специалиста.
8:23 Также в айти-компании человека сразу определяют, в машинные обучения или в глубокое обучение.
8:29 По факту, глубокое обучение является подмножеством машинного общения, но это все равно сферы, которые можно разделить внутри специализации машинной обучения.
8:40 То есть специалист по машинному обучению менее заинтересован в подборе параметров моделей, именно в выстраивании архитектуры модели.
8:48 Специалист же по глубокому обучению.
8:50 Он будет настраивать нейронные сети, делать их огромных размеров с большим количеством слоев, очень долго и много времени уделять подбору параметров и размножению данных.
9:04 Опять же, в компании, которая не называет себя айти, есть просто искусственный интеллект - там нет машинного обучения и глубокого обучения - что можно назвать недостатком, но что достаточно полезно для человека, который сам еще не понял, чего он именно хочет.
9:22 И если он приходит в такую компанию, то перед ним открываются все возможности, и он может поработать со всеми данными, которые есть в компании.
9:30 В таких компаниях обычно специалистам выделяют все, что угодно: это софт, железки и все такое, но специалист должен сам научиться с этим взаимодействовать.
9:40 В крупных айти-компаниях уже подключены всевозможные СДК и фреймворки, например, такие как КУД и вообще весь стэк от НВА.
9:50 И разработчикам предлагаются курсы, предлагаются комьюнити, в котором они могут активно обсуждать те или иные технологии, которые уже сейчас лучше было бы использовать, чем писать что-то самостоятельно вручную на одном из языков программирования.
10:06 Также специалист в айти-компании может считать себя исследователем - он, по сути, даже может не программировать, а просто изучать математику, читать все самые современные исследования из топовых международных университетов, типа МАТ, также он может быть по большей части аналитиком, и лишь изредка доставать свой компьютер, чтобы написать там какой-то код, или же он может быть большей часть опыта которого составляет классическое программирование, и тогда ему будет интересно выстраивание самого сервиса или приложения и прикручивание к нему какого-то алгоритма.
10:45 Если же разработчик находится не в айти-компании, то от него ожидают минимум способностей бэк-энда, но в идеале это фулл стек разработчик.
10:55 То есть, ты не можешь чего-то не знать, если ты занимаешься разработкой искусственного интеллекта, ну, типа это очевидно, с их стороны.
11:02 В айти-компании человек создает и процессы или дата кволити процессы, которые позволяют обеспечить весь процесс обработки данных начиная от входа до получения результата от машинного обучения.
11:16 Вот к разговору о математике: насколько необходимо разработчикам знать математику, насколько их знания должны быть глубокие.
11:23 Есть ли какая-нибудь разница смерти узнаний, математики среди специалистов машинного обучения, глубокого обучения или просто программистов, которые работают на каком-то одном языке?
11:34 Как ты говорил, те, кто занимается классическим программированием.
11:37 Я думаю, математика сегодня была бы полезна любому специалисту, в принципе, будь он изойти-сферы или нет.
11:44 Но здесь действительно вопрос в том, насколько глубоко ему нужно понимать те или иные аспекты, знать, какие-то теоремы, или знать какой-либо уровень от школьной математики или университетской математики.
11:58 Если говорить конкретно о человеке, который занимается машинным обучением, то, конечно, будет огромным преимуществом здания того, как математически описываются алгоритмы, которыми он пользуется в своей деятельности, которые он применяет для того, чтобы приносить компании определенный экономический результат, но он может этого не знать просто потому, что такие алгоритмы уже были запрограммированы и было сделано все для того, чтобы человеку просто нужно было применить их к своим данным и получить
12:29 тот самый результат.
12:31 Но опять же, человек, который не понимает, как это все работает изнутри, чем один алгоритм отличается от другого, он будет действовать слепую и, по-моему, нецелесообразно тратить свое время, когда он будет перебирать, допустим, просто все возможные модели и смотреть, какая из них покажет наилучшие качества, и что может быть также с случайным результатом.
12:54 Программистам в принципе не важна математика, если это не дискретная математика, которая тесно связана с логикой.
13:01 Но я думаю, человек, если он любит заниматься своим делом, и если его дело касается машинного обучения, то он просто не сможет жить и работать без того, чтобы не залезть однажды вечерком в школьный учебник, прочитать там математику заполнить все свои пробелы а потом посмотреть на ютубе видосы на английском языке которые разъясняют наглядно о том как работает с точки зрения математики тот или иной алгоритм.
13:35 В любом случае, в чем заключается секретный рецепт дат бургера машины Боба?
13:40 Это отсылка к Спанч Бобу, если кто-то вдруг не понял сложную теорию.
13:45 То есть, если ты в своем познании настолько преуспел, что видишь данные насквозь, и ты уже обучился на них сам, а машине только объясняешь.
13:56 Так вот, в чем этот секрет проявляется, в двух словах: это фича - инжиниринг, это может быть агрегация, отбор существующих данных.
14:07 Таким образом, что они могли бы проявить себя наилучшим образом в машинном обучении человек, который занимается машинным обучением, в первую очередь должен понимать данные, пропустить их через себя и понять, что в них не так, несмотря на то, что это естественные данные, которые вот взяты из реального мира, их нужно преобразовать таким образом, чтобы машина поняла в них зависимости.
14:31 А вот, допустим, фичи инжиниринг.
14:34 Если упростить и объяснить простыми словами, как бы ты описал, что это, какое даже определение этому термину?
14:41 Я бы описал это как схему, опять же, в такой шуточной форме: схему покупки алкоголя несовершенному летнему сыну.
14:49 То есть отец хочет, у него уже есть сын, и он хотел бы
14:56 научить его жизни и послать за пивом в магазин.
15:00 Но, естественно, это как бы задача выглядит изначально
15:04 незаконной, невозможной, да, многие скажут, вот то, что говорим мы, меньшинство попробует и достигнет результата.
15:13 Так вот, фичи инжиниринг - это как раз о том, чтобы дать машине понять, как купить алкоголь, если эта машина не совершеннолетний человек, а обучающий ее
15:25 называет себя ее отцом.
15:28 Если говорить простыми словами, то у тебя есть какие-то данные.
15:32 Допустим, они представлены в виде столбцов в таблице, и ты должен убрать отсюда лишние столбцы, и те столбцы, которые у тебя уже есть, изменить данные, которые в них находятся, или же создать новые столбцы, в которых у тебя находятся данные, которые ты получил либо из других источников, либо преобразованием уже существующих, но не в тех же столбцах, а уже в новых.
15:58 То есть таким образом, первоначальный набор данных, которые у тебя есть, преобразуются там, становится больше раза в 2, в 3, в 5 и это позволяет машине увидеть больше зависимостей.
16:10 То есть, ты таким образом машине передаешь свои смежные знания о том, какие данные у тебя имеются.
16:17 Если привести пример, то классический пример, который я видел и преподносил всем в своих презентациях, это, допустим, если у тебя есть просто данные о росте человека и о его весе в двух колонках, то ты можешь настроить машинное обучение таким образом, чтобы предсказывать, в зависимости только от роста человека, его вес.
16:40 То есть, это будет представлять из себя набор данных, который у тебя отражает целевую переменную в виде веса человека - и один только признак - рост человека.
16:52 То есть, таким образом, машина научится предсказывать наибочным способом в условиях, имеющихся у нее данных только о росте вес человека.
17:03 То есть, если она скажет, что у человека ростом 170 сантиметров вес будет 60 кг, то она будет больше всего прова, даже если это человек.
17:14 На самом деле, там у него есть какие-то заболевания, какой-то быстрый или медленный метаболизм и прочие индивидуальные особенности.
17:23 Но в условиях того, что у машины есть данные только о росте, она будет делать все возможное, чтобы максимально точно предсказать только по росту вес человека.
17:32 Если же мы добавим туда данные, например, мы добавим данные об активности человека в течение дня о возможном количестве раз, в которой он питается, о специальной диете.
17:44 То таким образом мы получаем уже более интересную картинку.
17:48 Эту уже машине придется искать зависимость не в двумерной плоскости, а в н-мерной, то есть это даже не трехмерная плоскость получается.
17:58 И вот чем больше таких плоскостей у машины есть, тем более сложные зависимости с точки зрения человека она может действительно находить.
18:08 И это будет настолько же точно, как в условиях просто одного столбца.
18:12 Главное - дать машине те данные, которые действительно отражают суть того или иного явления, они являются слишком побочными, что они лишь ухудшают качество машинного обучения.
18:26 Ну и один из, наверное, самых интересующих вопросов: насколько, в принципе, актуально заниматься машинным обучением или начинать свой путь в разработку сейчас почти что?
18:37 В 2022 году, какие есть карьерные перспективы и что будет востребовано в ближайшем будущем, может, есть что-то такое, на что сейчас нужно обращать больше внимания, уделять больше времени.
18:50 Какие-то навыки, которые в ближайшем будущем будут более востребованы и на них будут больше обращать внимание, чем какое-то время назад.
19:05 Я думаю, судить о том, насколько популярна эта сфера, можно уже сейчас, наблюдая за рекламой, которую мы видим в любом практическом ролике на Ютубе, в принципе, там в Инстаграме, на всех соцсетях, то как продвигается дата сайенс и специалисты по машинному обучению, так я еще не видел, как кого-либо продвигали.
19:28 То есть, действительно, видимо, есть потребность в разработчиках, в специалистах по данным.
19:33 Ну, это видишь ты, я лично вижу все то же самое - только про дизайн.
19:37 Да, именно поэтому люди, которые хотели бы начать заниматься машинным обучением или перейти в эту сферу, они скорее всего, много об этом говорят, их смартфоны это послушают.
19:49 И, соответственно, если и предлагают им что-то из айти-сферы, то это как раз будет касаться искусственного интеллекта, дата сайенса и всех вот этих модных словосочетаний.
19:59 Что я думаю по поводу того, как можно найти себе место в этой сфере, это в первую очередь всем известная, наверное, платформа КАГЛ, на которой есть открытые наборы данных, на которых можно натренироваться, подсмотреть, как люди уже пишут свои алгоритмы.
20:19 Потому что эта платформа объединяет людей со всего света.
20:24 И в ней зависимости от того, каким техническим обеспечением обладает тот или иной человек, какими навыками он обладает, он может участвовать, и там часто участвуют как медлы, так и сеньоры или
20:38 разработчики более высоких уровней, они тем самым помогают начинающим специалистам получить вот эти знания о сфере через непосредственно практическое ее применение.
20:50 Также я бы не стал при уменьшать влияние курсов, которые нам повсеместно предлагают, но просто нужно подходить очень грамотно к выбору для себя этого курса.
21:01 Возможно, стоит попробовать сначала что-то бесплатное или же узнать побольше об авторах курса и его преподавателях.
21:08 Потому что там есть свои проекты, которые скорее всего будут реализовываться на протяжении всего прохождения курса.
21:16 Это будет отличным подспорьем для человека, который хотел бы дальше продолжить заниматься этим профессионально.
21:22 Никогда не будут лишними свои проекты, потому что это всегда более интересно, интригующие.
21:29 и здесь присутствует больше риска, поэтому человек, который начинает свой проект,
21:35 на длительное время погружается в определенную область и тем самым очень сильно себя развивает за ближайшие полгода, буквально.
21:45 Эти пункты, которые я перечислил, о них я говорю, потому что я сам через них прошел и они действительно помогли мне настолько сильно, что сейчас даже видя какие курсы существуют, или что я мог бы делать уже с позиции всего того опыта, который я получил, я бы все равно пошел тем же самым путем, потому что это определил для меня наиболее быстрый вектор моего развития в своей сфере.
22:08 Ну, я думаю, про онлайн-образование мы поговорим еще в следующих выпусках, так же, как и про высшее образование.
22:13 Да, но кроме этого, я определил бы еще такой пункт, как развитие оп-сорс проектов.
22:20 В принципе, сейчас существует очень много проектов с открытым исходным кодом, можно стать контрибьютором в том или ином проекте, будь он даже от Гугла или от какой-то большой корпорации, или даже он просто организован очень узким кругом разработчиков, поэтому не лишним будет привести свое участие в одном из таких проектов при формировании портфолио, в третьим по порядку, но далеко не по своей эффективности, я бы назвал хакатоны.
22:51 Их сейчас очень много, и в первую очередь я делаю акцент на оффлайн хакатоны, потому что максимум пользы можно извлечь только тогда, когда ты непосредственно взаимодействуешь с разработчиками.
23:02 А что такого хакатоны можно прочитать на любом ресурсе в интернете?
23:07 Поэтому я не буду сильно углубляться в них, скажу лишь о том, что за моей спиной два выигранных хакатона, один провальный.
23:16 И каждому из них я по-своему благодарен, потому что все, что происходит в стенах хакатона, может привести человека, который там находится совершенно неизвестную, но очень интересную для него степь.
23:30 Конечно же, стоило бы уделить внимание поиску стажировок, которые сейчас активно открываются теми компаниями, которые раньше считались
23:39 закрытыми, или для которых вход был только по исключительно красным дипломам, оценкам, исследованиям экспертов, каких-то серьезных достижений сейчас можно просто прийти и сказать, что мне хочется этим заниматься, я имею вот такое небольшое портфолио и могу прийти на стажировку.
23:58 Ну и последним пунктом я бы выделил стартапы, вне зависимости от того, какой опыт есть у человека, он может прийти и начать реализовывать свои проекты уже в стартапе.
24:10 И кто знает, может быть, именно этот путь приведет человека именно к тому проекту в сфере машинного обучения, на котором будет наслышан весь мир.
24:20 И на этой позитивной глобальной ноте мы хотим сказать, что компания Солофарм ищет себе в команду неплохого специалиста по машинному обучению, возможно, он будет стажер, но очень амбициозный.
24:34 Кстати, если кто-нибудь из слушателей уже увлекается машинным обучением и имеет какие-то результаты, навыки, я был бы рад, если мы напишете мне куда угодно, из тех ссылк, которые приведены в описании.
24:45 Возможно, у нас получится сделать вам какое-то интересное предложение.
24:50 Спасибо, что дослушали этот выпуск до конца.
24:52 Если он вам понравился, то делитесь им со своими друзьями, покажите им своим знакомым, которые занимаются этой сферой или хотят начать заниматься.
25:02 Также подписывайтесь на наши инстаграмы и на телеграм-каналы, которые указаны в описании в своем телеграм-канале я выкладываю анонсы, вы можете обсудить какой-либо подкаст, предложить тему для новых выпусков.
25:17 Подписывайтесь на наш подкаст на той платформе, где вы его слушаете.
25:20 На мой канал еще до сих пор не никто подписался, да и не особо-то и надо.
25:24 Да, но если вы хотите все-таки это исправить, то может быть первым, кто подпишется на канал Влада из подкаста.
25:31 Мне кажется, да очень неплохое достижение.
Комментарии
Войдите, чтобы оставить комментарий.