Системный подход к обучению Data Science
Data Science — это наука о методах анализа данных и извлечения из них ценной информации, знаний. Она тесно пересекается с такими областями как машинное обучение (Machine Learning) и науку о мышлении (Cognitive Science и, конечно же, технологиями для работы с большими данными (Big Data).
За время массового распространения технологий человек нагенерировал огромное количество данных. Такое, которое он не способен обработать и визуализировать. Данные о наших звонках и перемещениях, поведении в интернете, предпочтениях в магазинах, антропогенных изменениях в ландшафте, климатических процессах и многих других вещах. Это все — большие данные, Big Data. И из них при правильной обработке можно извлечь большую пользу.
Во все времена ранее компьютеры получали новые возможности посредством программирования – человек создавал для машины понятные алгоритмы работы, которые приводили к ожидаемому результату. Этот подход устарел.
Для эффективной работы с большими данными нужен другой, им стало машинное обучение. В этом случае человек только дает компьютеру какие-то вводные, но результаты работы такого алгоритма не детерменированы человеком. Человек определяет способ обучения машины, но машина учится сама; сама приходит к тем или иным ответам и анализирует информацию. Это похоже на то, как учимся мы с вами. Машинное обучение — это не только искусственный интеллект. К этой сфере относятся генетические и эволюционные алгоритмы, и более простые задачи, связанные с кластерным анализом, например.
Наконец, Cognitive Science. Это междисциплинарная наука, изучающая, механизмы познания и мышления. Результаты таких исследований в первую очередь ложатся в основу разработки различных подходов к созданию искусственного интеллекта.
Причем тут нейросети?
Нейросети — это самообучающиеся сети (то есть технология Machine Learning), устроенные по образу и подобию человеческого мозга, которые используют Big Data как материал, на котором они учатся. То есть – это продукт Data Science. Самый перспективный для человечества сейчас.
Нейросети пытаются воспроизвести отдельные аспекты устройства нейросетей в мозге человека. Поэтому так и называются. Но полностью его повторить пока не могут — мощности еще не те. По оценкам Максима Орловского, до момента, когда силы сравняются, уйдет 30-50 лет.
Искусственный интеллект разделяют на специализированные формы и общий интеллект, сравнимый с интеллектом человека или превосходящий его. Нейросети могут быть общего типа и специализированного.
Специализированные формы способны не только решать определенную задачу, но и делать это зачастую гораздо лучше человека. Вот они-то сейчас и набирают популярность и только в них есть толк при существующем уровне развития технологий.
Нейросети – это не что-то принципиально новое. Сама технология, подходы к проектированию и ключевые алгоритмы их обучения были разработаны еще в 50-60 годах прошлого века. Тем не менее, лишь в последние годы произошло сочетание ключевых факторов, позволивших ИИ сделать качественный скачек вперед: вычислительных мощностей, доступных наборов больших данных и хорошо проработанных фреймворков.
Нейросети уже можно применять практически везде. В области права – для поиска прецедентов (что особенно популярно в американской судебной системе). В финтехе — для анализа сделок, программы лояльности, надежности клиента и так далее. В логистике — для прогнозирования потребности в тех или иных продуктах. В медицине нейросети, обрабатывая огромные массивы данных, могут находить неожиданные факторы, влияющие на здоровье пациента, и точно диагностировать даже самые сложные заболевания.
Нейросети могут проявлять себя и в творческих задачах. Но знаменитые фильтры на изображениях – это побочный продукт, который появился в результате того, что разработчики пытались разобраться, как же работает алгоритм обучения нейросети. Он стал широкоизвестным среди массовой аудитории. Незаслуженно меньше говорится о том, что нейросети успели хорошо себя зарекомендовать в вопросах перевода, распознавания или анализа данных. Между тем, эти технологии уже можно использовать в проектах, подключая соответствующие функции через API – эту возможность предоставляют гиганты технологической индустрии.