Примеры профессий, которые уже заменили нейросети
В моем последнем посте я говорил о том, что машинное обучение в первую очередь вытесняет людей, работающих за компьютером. В чате я увидел непонимание того, что я имею ввиду, поэтому решил разобрать эту тему подробнее.
Для начала стоит определиться с терминологией: усредненный человек, работающий за компьютером – это тот, кто на входе получает некую цифровую информацию из уже имеющихся баз данных, и на выходе он тоже выдает информацию в цифровом виде. Например люди, которые работают с любого рода отчетностью, которую, например, сводят в ежеквартальный отчет для руководства.
Ярким представителем профессии, которая активно искореняется машинным обучением, является риск-менеджер в банковских и страховых компаниях. Это люди, которые раньше решали, выдать ли определенному человеку кредит, или оценивали размер его страховых платежей. То же самое и для юридических лиц: открыть ли счет, выдать ли кредит, на какую сумму застраховать.
Большая группа людей работала по той же теме и в инвестициях: проверяли компании (их владельцев и так далее) на предмет целесообразности инвестиций в них.
Теперь все это стремительно заменяется алгоритмами, а десятки тысяч рабочих мест по всему миру сокращают. Если кто-то из подписчиков работает в банке или страховой компании, думаю не понаслышке знаком с этим трендом.
Предельной ситуацией полной замены людей на алгоритмы в сфере риск-менеджмента стал стартап с российскими корнями Revolut (вот тут интервью с создателем), который за считанные минуты принимает решение выдать вам кредитную карту или нет, на основе введенных вами при регистрации данных, а также публичной информации о вас из соцсетей и от поставщиков данных по типу мобильных операторов, поисковиков и так далее. Насколько мне известно, вся эта задача решается исключительно машиной, вообще без использования человека.
Это лишь один пример профессии, которая будет искоренена к 2025 году. Таких примеров на самом деле десятки, причем по этим направлениям трудятся миллионы человек по всему миру.
Сюда же, например, подходят люди, которые занимаются оптовыми закупками для магазинов, или модельеры, которые каждый сезон создают новые модели одежды и обуви для масс-маркета. Всех их стремительно сменяют нейросети.
Как правильно заметили в чате, главной проблемой массовой замены людей, работающих с информацией, на нейросети является проблема с разметкой изначальных данных. Часто людям приходится собирать информацию из разрозненных источников: Excel-таблиц, бумажных анкет, видео и так далее.
Безусловно, это является главным тормозом сейчас, но не стоит думать, что эта ниша стоит на месте. Сфера размеченных данных (то есть, по факту, добыча новой цифровой нефти) развивается гораздо быстрее, чем сами алгоритмы нейросетей, поскольку собственно являются топливом для этих самых алгоритмов.
На рынке появляется все больше продавцов, агрегаторов, парсеров для данных, и эти базы год от года становятся в разы лучше. Вот банальный пример сайта-агрегатора, построенного на публичных базах данных об экономике и социальной структуре США: https://datausa.io/. Посмотрите, насколько он информативен.
В общем, дефицит структурированных и размеченных данных – это не камень преткновения для машинного обучения. Он стремительно решается, и технологии машинного обучения уже грозят миллионам высокооплачиваемых рабочих мест по всему миру.
В моем последнем посте я говорил о том, что машинное обучение в первую очередь вытесняет людей, работающих за компьютером. В чате я увидел непонимание того, что я имею ввиду, поэтому решил разобрать эту тему подробнее.
Для начала стоит определиться с терминологией: усредненный человек, работающий за компьютером – это тот, кто на входе получает некую цифровую информацию из уже имеющихся баз данных, и на выходе он тоже выдает информацию в цифровом виде. Например люди, которые работают с любого рода отчетностью, которую, например, сводят в ежеквартальный отчет для руководства.
Ярким представителем профессии, которая активно искореняется машинным обучением, является риск-менеджер в банковских и страховых компаниях. Это люди, которые раньше решали, выдать ли определенному человеку кредит, или оценивали размер его страховых платежей. То же самое и для юридических лиц: открыть ли счет, выдать ли кредит, на какую сумму застраховать.
Большая группа людей работала по той же теме и в инвестициях: проверяли компании (их владельцев и так далее) на предмет целесообразности инвестиций в них.
Теперь все это стремительно заменяется алгоритмами, а десятки тысяч рабочих мест по всему миру сокращают. Если кто-то из подписчиков работает в банке или страховой компании, думаю не понаслышке знаком с этим трендом.
Предельной ситуацией полной замены людей на алгоритмы в сфере риск-менеджмента стал стартап с российскими корнями Revolut (вот тут интервью с создателем), который за считанные минуты принимает решение выдать вам кредитную карту или нет, на основе введенных вами при регистрации данных, а также публичной информации о вас из соцсетей и от поставщиков данных по типу мобильных операторов, поисковиков и так далее. Насколько мне известно, вся эта задача решается исключительно машиной, вообще без использования человека.
Это лишь один пример профессии, которая будет искоренена к 2025 году. Таких примеров на самом деле десятки, причем по этим направлениям трудятся миллионы человек по всему миру.
Сюда же, например, подходят люди, которые занимаются оптовыми закупками для магазинов, или модельеры, которые каждый сезон создают новые модели одежды и обуви для масс-маркета. Всех их стремительно сменяют нейросети.
Как правильно заметили в чате, главной проблемой массовой замены людей, работающих с информацией, на нейросети является проблема с разметкой изначальных данных. Часто людям приходится собирать информацию из разрозненных источников: Excel-таблиц, бумажных анкет, видео и так далее.
Безусловно, это является главным тормозом сейчас, но не стоит думать, что эта ниша стоит на месте. Сфера размеченных данных (то есть, по факту, добыча новой цифровой нефти) развивается гораздо быстрее, чем сами алгоритмы нейросетей, поскольку собственно являются топливом для этих самых алгоритмов.
На рынке появляется все больше продавцов, агрегаторов, парсеров для данных, и эти базы год от года становятся в разы лучше. Вот банальный пример сайта-агрегатора, построенного на публичных базах данных об экономике и социальной структуре США: https://datausa.io/. Посмотрите, насколько он информативен.
В общем, дефицит структурированных и размеченных данных – это не камень преткновения для машинного обучения. Он стремительно решается, и технологии машинного обучения уже грозят миллионам высокооплачиваемых рабочих мест по всему миру.