Куда движется область ИИ и как она будет развиваться?
Еще в 2012–2013 годах никто не говорил о науке о данных, и даже машинное обучение было просто одним из факультативных курсов в академических кругах. К счастью, с успехом Object Detection и Computer Vision все изменилось. За последнее десятилетие мы столкнулись с экспоненциальным ростом ИИ с точки зрения того, что все больше и больше отраслей внедряют ИИ, потребности в талантах, точности моделей в разных областях и т. д. Помимо организаций, возглавляющих эти изменения, большая заслуга на самом деле принадлежит исследователям и создатели набора данных ImageNet, который произвел революцию и привлек много талантов в этой области.
Мы даже сталкивались с развивающимися командными структурами, ролями данных и методологиями работы для групп ИИ в организациях, особенно в стартапах, которые с готовностью осваивают новые технологии. И все это все еще развивается, и такие роли, как менеджер продукта ИИ, журналист данных и т. Д., Все еще формируются в отрасли.
Что интересно, так это предсказать, что произойдет в ближайшие 5–10 лет. Кто-то говорит, что «Зима близко», а кто-то говорит, что ИИ будет экспоненциально расти во всех отраслях. Некоторые лидеры опасаются проблем безопасности данных, предвзятости и автоматизации работы, но некоторые считают это «следующей крупнейшей революцией после промышленной революции».
Проведя 4-5 лет в различных ролях данных и внимательно наблюдая за технологиями и промышленными приложениями, вот мое мнение о том, как следующие 5-10 лет развернутся для ИИ:
1. Все будет ориентировано на данные
Нам нужны не просто данные, нам нужны стандартизированные и качественные данные. Поскольку организации следят за демократизацией данных с мышлением о продукте для хранения каждой части информации, теперь доступны огромные данные для применения любого алгоритма машинного обучения. Единственная проблема заключается в том, что данные нельзя использовать напрямую и требуют безумных усилий для обработки, очистки и аннотирования. Создание аннотированных обучающих данных чрезвычайно утомительно, особенно в таких областях, как обработка звука. Я твердо убежден, что будущее за созданием механизмов, которые уменьшат усилия, связанные с обработкой данных.
2. Команды искусственного интеллекта уделяют больше внимания продукту и бизнесу.
На рынке уже доступно множество продуктов, таких как AutoML, DataRobot, Amazon Sagemaker и т. д., которые можно использовать для автоматизации жизненного цикла машинного обучения, который сегодня выполняется вручную многими специалистами по данным и инженерами по машинному обучению. Следовательно, я предвижу, что большая часть регулярной работы по аналитике и моделированию будет автоматизирована в ближайшем будущем, что позволит командам ИИ больше сосредоточиться на исследованиях и повысить рентабельность инвестиций за счет более тесного сотрудничества с командами по продуктам и бизнесу.
3. Больше проникновения в отрасли
Хотя у крупных компаний определенно есть данные, инфраструктура и таланты в области ИИ для работы над некоторыми из самых сложных проблем в области ИИ, другие ИТ-организации также догоняют и осознают необходимость инвестировать в науку о данных на раннем этапе. Это скоро произойдет и в некоторых других отраслях. Фактически, множество стартапов уже сосредоточены на применении ИИ в медицине, образовании, производстве и т. д.
4. Обучение конечных потребителей и развертывание собственных моделей ИИ
Сегодня большая часть населения мира, по крайней мере, знает «Что такое ИИ?», положительно или отрицательно, и понимает, как это влияет на них лично. С ростом этого базового понимания и более удобной для пользователя автоматизацией жизненного цикла машинного обучения я твердо уверен, что различные платформы будут предоставлять функции, связанные с обучением и развертыванием моделей в руках конечного потребителя. Например. Пользователи, использующие собственный ИИ для рекомендаций, таргетинга рекламы, фильтров изображений и т. д. в социальных сетях.
5. Обучение модели в масштабе
Можем ли мы развить способность обучать тысячи специализированных нейронных сетей без участия инженеров? — Для некоторых из самых сложных случаев использования в мире будет непросто найти решение, обучая и поддерживая всего несколько моделей. Ему потребуются тысячи моделей, специализирующихся на каждой из его собственных концепций. Это выходит за рамки простой автоматизации обычного жизненного цикла машинного обучения.
Спасибо за прочтение. Поделитесь своими мыслями в разделе комментариев. Хотелось бы услышать ваше согласие или несогласие с любым из упомянутых пунктов :)
Запланируйте сеанс DDIChat по теме Наука о данных / AI / ML / DL:
Подать заявку на участие в программе DDIChat Expert можно здесь.
