Благодаря тому, что инструменты стали общедоступны, мы пришли сейчас к буму стартапов в области ИИ и больших данных. И этот бум подтверждает тот факт, что отказ от использования этих технологий отбрасывает компанию далеко назад и делает ее уязвимой перед конкурентами.
Простота в подключении искусственного интеллекта к проектам снижает требования к знаниям разработчика в области программирования и открывает перед ними новые вызовы. Тут важно умение анализировать результаты, получаемые от искусственного интеллекта, и постоянно улучшать точность его работы. Герой нового времени – человек, который владеет базовыми навыками программирования и в совершенстве знает математику и методы анализа.
Максим Орловский так оценивает требования к кандидату на должность специалиста по машинному обучению и Data Scientist в проекте: «В первую очередь они должны разбираться в математике: мат. статистике, матричной алгебре, дифференциальных уравнениях. Хорошо владеть технологиями Big Data и Cloud Computing. Должны уметь программировать на таких языках, как Python, Java, или С++, а еще лучше владеть — специальными языками, которые набирают популярность в области Machine Learning, например, Julia.
Но самое важное для специалистов в области машинного обучения — быть хорошо знакомыми со специализированными фреймворками и инструментами, которые существуют на текущий момент (TensorFlow, Torch, Theano, CNTK). Задача – не написать код, а подобрать корректную архитектуру обработки данных и оптимальные методы обучения из числа существующих. Для специалиста Data Scientist важно найти правильный метод, который позволит обработать те данные, которые есть. И обучить нейросеть. Вы никогда не найдете сразу правильное решение. Нужно двигаться итеративно, создавать архитектуру, пробовать, видеть низкий результат, уметь понять, почему результат низкий и корректировать метод».
К сожалению, этим профессиям пока практически не учат в университетах. На весь мир найдется несколько мест, где ее можно получить. В Стэнфорде и Массачусетсе, в частности. Но входной барьер в профессию для людей с аналитическим складом ума и хорошей математической школой невысок – достаточно получить дополнительные прикладные знания и дальше учиться на своем опыте и ошибках. Кроме того, важно разобраться в бизнес-процессах компании.