Автор: Ольга Гавриш, експерт з .NET, Machine Learning та AI, програмна менеджерка в Microsoft 

Machine Learning (ML) – це спосіб імітувати результат роботи природного (людського) інтелекту за допомогою алгоритмів та програм.

Завдяки цим технологіям комп'ютери та смартфони авторизують користувача за обличчям або відбитком пальця, Amazon та інші інтернет-магазини пропонують схожі продукти або рекомендують їх згідно з вподобаннями. Широко застосовується ML у бізнесі та економіці, наприклад щодо передбачення цін.

Ольга Гавриш

1. Визначення вартості товару/послуги. Є класична задача, з якої починається багато підручників із машинного навчання, – як визначити ціну дома, якщо задати його основні параметри: кількість квартир, площу, район розташування тощо. Сайти агенцій із нерухомості, які вам пропонують це порахувати, у більшості випадків уже використовують механізми Prediciton (передбачення за заданими параметрами). Також за допомогою оброблення алгоритмом тексти та оцінки можна сортувати: в одну групу – негативні відгуки, в іншу – позитивні. А люди вже обирають, яка категорія їх цікавить. Або за заданими параметрами можна рекомендувати певних людей у каталогах. Це базові задачі, далекі від фантастики, але вони заощаджують багато часу.
2. У медицині. Через ML можна обробляти рентгенівські знімки, швидко визначати – хворий пацієнт чи ні, виявляти підозрілі ділянки, які потребують пильнішої уваги онкологів чи інших фахівців.
3. Продажі. Магазин може передбачати кількість конкретних товарів, які треба закупити за результатами оброблення масиву попередніх продажів. Система «тренується» та вчиться враховувати сезонність, особливості конкретного бізнесу в конкретному магазині та безліч інших факторів. Можна легко взяти до уваги трендові складові. Зокрема, якщо у вас загалом зростають продажі, це також буде відображено у прогнозі.
4. Сільське господарство. Клієнти з агроіндустрії з нашою допомогою запровадили систему «розумного» поливу рослин на полях. Було завдання – відійти від системи однакового поливу усіх рослин. Брали проби ґрунту і дозували полив згідно з результатами цих замірів. Після «тренування» модель вмикала зрошення лише тоді, коли для цього були оптимальні умови та час.

Тренди розвитку ML: чого чекати найближчим часом

Дуже швидко розвиваються напрями Deep Learning та нейронні мережі. Постійно з'являються нові алгоритми, які за допомогою нейронних мереж дозволяють розпізнавати зображення, образи, об'єкти, якісно обробляти відео, величезні та складні медіафайли. Адже сьогодні відеоконтенту настільки багато у всіх сферах від розваг до систем безпеки, що вручну обробляти їх нереально.

Розвиток саме цього напряму вражає найбільше – ще декілька років тому ми навіть не могли уявити, що це колись буде можливо.

Нова професія Data Scientis – вчений, який займається штучним інтелектом та машинним навчанням.

Ця сфера зростає надзвичайно бурхливо, тому меж для зростання немає, а на зміну медіанній зарплаті цілком реально може прийти максимальна.

Якщо говорити про рівні зростання в межах компаній, то все звично: juinor, middle, senior, principal, керівник відділу або певного напряму. Щодо горизонтального руху: люди частіше приходять у машинне навчання (наприклад з Engineer до DataScince), ніж змінюють його на щось інше.

Коли набуваєте досвіду, ваші моделі стають більш точними та корисними. Коли ви зростаєте як фахівець, то найпрестижніша сфера в США – це державні дослідження, що стосуються глобальних проблем.

Як стати фахівцем із машинного навчання

Data Scientist – це престижна спеціальність, яка досить високо ціниться. Але щоб ним стати, треба добре розумітися на математиці.

У США, зазвичай, не завадить написати дисертацію та мати ступінь PhD. Але є й простіші варіанти: відкривається багато шкіл, курсів та буткемпів, де можна стати Data Scientist за два місяці, отримати базові знання з математики та алгоритмів. Залежить від того, якими проєктами плануєте займатись.

Часто, щоб отримати роботу (особливо в топ-компаніях), потрібен диплом бакалавра з Computer Science або за спорідненим фахом (прикладна математика тощо).

Якщо матимете диплом Гарварду або інших найпрестижніших університетів Ivy League, то на вас дивитимуться зовсім іншими очима.

Тож, коли збираєтесь отримати диплом в Україні, а працювати в США, рекомендую отримати диплом магістра з комп'ютерних наук. Його найлегше перевести в Master of Computer Science. А це – найвищий ступінь, який потрібен для отримання роботи в топ-компаніях за фахом інженера або менеджера. Але, нагадую, у низці випадків вам знадобиться ступінь PhD.

Також можна проходити курси на платформах Coursera, Udemy, Pluralsight тощо. На згаданих ресурсах є система та структура, без чого неможливо отримати якісні знання. Особливо корисно, коли є вчителі, домашні завдання, строки, контроль.

Скільки заробляє фахівець з Machine Learning у світі та в Україні

Згідно з дослідженням Make it in Ukraine, рівень зарплат Data Scientist в Україні значно різниться – медіана $22 998, найбільше точкове значення у вибірці – $42 000.

 Джерело: Make it in Ukraine

За даними DOU медіанні цифри приблизно такі ж – $1900 на місяць, або $22 800 на рік. Це майже в 5,5 раза менше, ніж у США, та у 2,5 раза менше, ніж загальносвітовий рівень.

За дослідженням Stack Overflow Developer Survey 2020, рівень медіанної зарплати фахівців із ML у США складає $125 000 на рік, що більш ніж вдвічі перевищує загальносвітовий рівень.

 Річна зарплата Data Scientist в США. Джерело: Stack Overlow

 Світовий рівень річної зарплати Data Scientist. Джерело: Stack Overlow

Де поки не можна використати ШІ

На жаль, поки що не в усіх сферах вдається розвинути та навчити штучний інтелект діяти ефективно.
Найпростішими є задачі класичного машинного навчання. Є перелік параметрів, від яких залежить результат, і більше нічого не впливає на передбачення. Усі вхідні дані у вигляді числового масиву обробляються в певній моделі, а результатом є число, бінарне значення або якась характеристика. Із цим наявні алгоритми можуть впоратися досить добре.

Але все набагато проблематичніше, коли потрібно описувати та пояснювати складніші явища. Наприклад, при аналізі відео необхідно розпізнати: чи на відео злодій, чи нейтральна людина, чи взагалі кіт пробіг. Треба аналізувати сукупно безліч параметрів, навіть тіні.

У сфері відеооброблення алгоритми вже навчились непогано переносити обличчя однієї людини на голову іншої. Але поки не вдається зробити наступний стрибок і генерувати високоякісні відео на базі цих моделей.
Гірше за все сьогодні ШI та ML справляються з Super Intelligence – імітацією поведінки та реакцій людини, розпізнаванням контексту, сарказму та гумору в текстах.