«Безусловно, самая большая опасность искусственного интеллекта заключается в том, что люди слишком рано приходят к выводу, что понимают его». — Элиэзер Юдковски.
Поскольку ИИ и области, связанные с ИИ, находятся в центре внимания, многие люди мечтают войти в эту область. Глубина ИИ уменьшилась из-за множества хороших и простых библиотек, но в то же время он быстро продвигается вперед в технологиях. Прежде чем погрузиться в это великолепное море возможностей, следует подумать о своей устойчивости в этой области.
Рассмотрим простой пример. Такие библиотеки, как sklearn, Tensorflow, Pytorch, настолько надежны, что вам не захочется писать код с нуля. Если вы хотите использовать какой-либо алгоритм, вам просто нужно импортировать его из модуля, который уже находится в оптимальном состоянии. Если мы рассмотрим на базовом уровне, с точки зрения кодирования, то случайный лес, метод опорных векторов или любой другой алгоритм ML сложно написать с нуля. Многие люди не стали бы изучать машинное обучение, если бы хотели написать все это с нуля, изучив всю статистику, линейную алгебру, векторное исчисление, реальный анализ, исчисление, но теперь все, что мы можем использовать только при одном импорте, а многие из них даже не потрудитесь понять это понятие.
Поскольку эра Low-code/No-code растет очень быстро, если мы подумаем о пяти годах, то эти приложения «Auto-ML» будут настолько надежными, что многие люди, которые только что перешли на базовое моделирование ML, устареют. Это будет очень сложно для людей, которые просто используют встроенные библиотеки и теоретическое машинное обучение/глубокое обучение. Итак, как мы можем быть устойчивыми к этой волне? какие вещи действительно будут иметь значение, если мы хотим стать хорошим специалистом по данным / инженером CV?
Перспектива моделирования:
Машина знает о вашем варианте использования больше, чем вы. Потому что у него много данных, которых у вас нет. Но эти модели будут отставать, когда они не знают, что делать с этими огромными данными. Мы можем сделать лучший вывод из меньшего количества данных, если правильно сформулируем нашу проблему. Правильная постановка задачи и правильное отделение данных от шума — очень новый навык. Вы получите этот навык, когда будете решать различные проблемы предметной области.
есть одна замечательная книга, известная как Фреймеры: человеческое преимущество в эпоху технологий и потрясений — авторы Кеннет Цукье, Виктор Майер-Шенбергер, Фрэнсис де Верикур о формулировании проблем. и ментальные модели.
gograds.com написал хорошее резюме фреймеров, которое я упомяну ниже, но я рекомендую всем прочитать его полностью, чтобы раскрыть свой другой кубический взгляд.
Фреймить — значит создавать мысленную модель, которая позволяет нам видеть закономерности, предсказывать, как будут развиваться события, и понимать новые ситуации. Фреймы определяют решения, которые мы принимаем, и результаты, которых мы достигаем. Наука долгое время сосредотачивалась на таких качествах, как память и мышление, оставляя фрейминг практически без внимания. Но поскольку компьютеры все лучше справляются с некоторыми из этих когнитивных задач, фрейминг становится важной функцией, и только люди могут это делать. Эта книга — первое руководство по овладению этой врожденной способностью человека.
Понимание домена:
Часто данные — это просто огромное количество травы, из которой мы должны увидеть, какая иголка поможет построить модель. AI-ML берет данные, но действительно ли это полезно? Хотя любая конкретная функция повысит производительность, но действительно ли это необходимо? многое мы узнаем о данных из понимания предметной области. эта вещь будет редкостью, так как может быть много надежных инструментов и модулей автоматического ML, но машине сложно понять предметную область и принимать решения в соответствии с этим.
Точка зрения консультанта:
Под консультантом понимается тот, кто консультирует обе стороны. Во многих случаях техническому специалисту/разработчику очень трудно понять бизнес-проблему с высоты птичьего полета и то же самое для вышестоящего руководителя/делового человека. Они не знают о проблемах и трудностях с технической стороны. В середине должен быть человек, хорошо знающий обе стороны. Этот навык очень интересен, так как включает в себя понимание бизнес-перспективы, а также технической перспективы проекта. Система не может заменить эту вещь, потому что эта вещь очень расплывчата и универсальна. В этом навыке важны потребности приложения ИИ и мышление конечных пользователей.
Их много, но я думаю, что эти 3 навыка в основном очень важны в течение 5 лет в эпоху ИИ.
|| Прочитайте мои предыдущие истории ||
Упрощенное обнаружение объектов: сопоставление с шаблоном
Калибровка при обработке изображений
Типы алгоритмов обнаружения границ
Подпишитесь на меня, чтобы увидеть больше такого контента на LinkedIn и Medium.
— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — -
СПАСИБО!!
