Доступность разработки ИИ для людей без специальных знаний
#ai_inside
Искусственный интеллект — одна из самых развивающихся областей в последние годы. В 2020 году рынок решений в области технологий ИИ в России достиг объема $291 млн и продолжает расти на 18% в год. Уже две трети компаний в России внедрили ИИ в свои процессы, а еще четверть заявляет о планах внедрения ИИ в ближайшие годы. А частота упоминаний ИИ в СМИ на июнь 2020 перевалила за 20к в месяц.
Разрабатывать ИИ хотят все. А вот могут —не только лишь все далеко не все.
Причина этому — высокий порог вхождения в разработку машинного обучения и ИИ: требуется хорошая математическая, программистская база, знание теории машинного обучения и большой практический опыт написания ML-кода.
Эту "проблему" пытаются решить многие: придумать решение, которое позволило бы людям без специальных знаний и подготовки в области ML использовать алгоритмы ML в работе.
Решения предлагаются разные, среди них:
▪️ создание упрощенного язык программирования;
▪️ развитие GUI (графических интерфейсов) для работы с ML моделями (вместо нудного написания кода);
▪️ более понятная визуализация данных и структур ML-моделей:
▪️ использование transfer learning'а для упрощения взаимодействия людей с ИИ-моделями.
Пока непонятно, действительно ли подобные инициативы помогут сломать барьер между ML и "обычными" людьми. У разных людей разные мнения на этот счет. ICT Moscow попытался разобраться в этом вопросе и выяснить, действительно ли мир ИИ стоит на пороге переломного момента, когда благодаря подобным специализированным интерфейсам ML действительно станет общедоступным инструментом и не будет требовать глубоких профильных знаний.
ICT Moscow обсудили этот вопрос со многими экспертами в области ML: разработчиками ML-интерфейсов из Корнелльского университета, ML-разработчиками из Яндекса, Сбербанка, консалтинговой компании GlowByte и другими.
Также поговорили о внедрении ИИ в медицину — одну из главных сфер по внедрению ИИ в последние годы. Очень важно сделать решения ИИ доступными для врачей и ученых этой области, поэтому проблема "упрощения" ML тут стоит наиболее остро.
Интересных мыслей вынесли тонну. Все здесь расписать не можем, да и незачем: лучше читайте оригинальный лонгрид ICT Moscow.
Мы выделим лишь несколько ключевых идей:
▪️ пока нельзя точно сказать, как интерфейсы и упрощения повлияют на ИИ-разработку. Вполне возможно, что это будет воспринято разработчиками ML как усложнение привычного порядка вещей, нежели как упрощение;
▪️ графические интерфейсы действительно могут помочь с визуализацией данных: сейчас для обучения ИИ используются просто огромные массивы данных, которые трудно охватить разумом человека. Визуализация поможет это сделать и, что не менее важно, лучше понимать, как ИИ принимает решения, основанные на этих данных;
▪️ в ML-сфере нет четкой стандартизации ML-пайплайна, каждый разработчик "готовит" ML-решения по-своему. Это делает разработку интерфейсов более сложной.
▪️ интерфейсы, может, и помогут проще погрузиться в мир ML, но для осознанной разработки ML-алгоритмов требуется хорошая теорбаза и понимание сферы. Пример — какие метрики использовать, как готовить данные и т.д. Эти проблемы интерфейсами не решаются.
Больше мнений читайте в статье ICT Moscow 🙃
А как считаете вы? Грядет новая эра "понятного" ML?)
#ai_inside
Искусственный интеллект — одна из самых развивающихся областей в последние годы. В 2020 году рынок решений в области технологий ИИ в России достиг объема $291 млн и продолжает расти на 18% в год. Уже две трети компаний в России внедрили ИИ в свои процессы, а еще четверть заявляет о планах внедрения ИИ в ближайшие годы. А частота упоминаний ИИ в СМИ на июнь 2020 перевалила за 20к в месяц.
Разрабатывать ИИ хотят все. А вот могут —
Причина этому — высокий порог вхождения в разработку машинного обучения и ИИ: требуется хорошая математическая, программистская база, знание теории машинного обучения и большой практический опыт написания ML-кода.
Эту "проблему" пытаются решить многие: придумать решение, которое позволило бы людям без специальных знаний и подготовки в области ML использовать алгоритмы ML в работе.
Решения предлагаются разные, среди них:
▪️ создание упрощенного язык программирования;
▪️ развитие GUI (графических интерфейсов) для работы с ML моделями (вместо нудного написания кода);
▪️ более понятная визуализация данных и структур ML-моделей:
▪️ использование transfer learning'а для упрощения взаимодействия людей с ИИ-моделями.
Пока непонятно, действительно ли подобные инициативы помогут сломать барьер между ML и "обычными" людьми. У разных людей разные мнения на этот счет. ICT Moscow попытался разобраться в этом вопросе и выяснить, действительно ли мир ИИ стоит на пороге переломного момента, когда благодаря подобным специализированным интерфейсам ML действительно станет общедоступным инструментом и не будет требовать глубоких профильных знаний.
ICT Moscow обсудили этот вопрос со многими экспертами в области ML: разработчиками ML-интерфейсов из Корнелльского университета, ML-разработчиками из Яндекса, Сбербанка, консалтинговой компании GlowByte и другими.
Также поговорили о внедрении ИИ в медицину — одну из главных сфер по внедрению ИИ в последние годы. Очень важно сделать решения ИИ доступными для врачей и ученых этой области, поэтому проблема "упрощения" ML тут стоит наиболее остро.
Интересных мыслей вынесли тонну. Все здесь расписать не можем, да и незачем: лучше читайте оригинальный лонгрид ICT Moscow.
Мы выделим лишь несколько ключевых идей:
▪️ пока нельзя точно сказать, как интерфейсы и упрощения повлияют на ИИ-разработку. Вполне возможно, что это будет воспринято разработчиками ML как усложнение привычного порядка вещей, нежели как упрощение;
▪️ графические интерфейсы действительно могут помочь с визуализацией данных: сейчас для обучения ИИ используются просто огромные массивы данных, которые трудно охватить разумом человека. Визуализация поможет это сделать и, что не менее важно, лучше понимать, как ИИ принимает решения, основанные на этих данных;
▪️ в ML-сфере нет четкой стандартизации ML-пайплайна, каждый разработчик "готовит" ML-решения по-своему. Это делает разработку интерфейсов более сложной.
▪️ интерфейсы, может, и помогут проще погрузиться в мир ML, но для осознанной разработки ML-алгоритмов требуется хорошая теорбаза и понимание сферы. Пример — какие метрики использовать, как готовить данные и т.д. Эти проблемы интерфейсами не решаются.
Больше мнений читайте в статье ICT Moscow 🙃
А как считаете вы? Грядет новая эра "понятного" ML?)