Курс Machine Learning в TMS — для фанатов искусственного интеллекта, нейросетей и математики

Монолог из третьего «Терминатора» сегодня фантастикой не кажется, ведь алгоритмы искусственного интеллекта уже используются почти во всех областях твоей жизни. Хочешь разобраться в особенностях их работы и защитить мир от восстания машин? Записывайся на курс Machine Learning в школу TMS! Твоим преподавателем станет Максим Степанович — эксперт с 4-летним опытом в Data Science и человек, согласившийся дать небольшое интервью о будущей программе и ML в целом.

LinkedIn преподавателя — https://by.linkedin.com/in/maxim-stepanovich-6ab9691aa

— Максим, расскажи пару слов о себе — своем опыте и бэкграунде. Почему решил стать специалистом по машинному обучению?

— На самом деле все довольно просто. Еще в университете пробовал разные виды программирования — начинал с создания мобильных и веб-приложений. Все это казалось мне шаблонным, такого мнения придерживаюсь и сейчас. Я всегда хотел заниматься чем-то инновационным и решать задачи с максимально неочевидным результатом, а стандартная разработка выглядела рутинной. Стремясь уйти от этой рутины, набрел на нейросети и машинное обучение. Получается, что усталость от классической работы девелопера привела меня в Data Science.


— Ты уточнил, что до ML занимался «классическим» программированием. С какими языками и технологиями была связана твоя прежняя работа?

— Стандартный набор инструментов веб-разработчика — Java+Spring, Python с фреймворками Flask и Django. Душа к вебу не лежала, пробовал менять языки, но ничего принципиально нового не получал.


— Если говорить обобщенно, что такое Data Science и Machine Learning? Почему об этих направлениях сегодня слышно отовсюду?

— В эпоху повсеместной цифровизации люди сталкиваются с огромными объемами данных. Информация есть везде, куда ни посмотри. Миллионы комментариев под роликами на «Ютубе», тысячи денежных переводов, сотни факторов одобрения кредитов для потенциальных получателей — все эти сведения нуждаются в осмыслении и обработке.

На месте не стоит, например, медицина — с каждым годом врачи открывают новые заболевания и начинают применять более сложные технологии при постановке диагнозов. Увеличивается и вес ошибки — если доктор подберет не то лечение, пациенту станет хуже. Аналогично дела обстоят и с банками, теряющими громадные деньги из-за неправильно выданного кредита.

Основная задача Data Science — это анализ больших объемов данных разными способами. Первый кейс направления заключается в замене рутинных процессов инструментами автоматизации для повышения производительности. Второй — в устранении фактора человеческой ошибки при обработке информации.


— В каких направлениях применяют алгоритмы Data Science и Machine Learning? Где они востребованы?

— Лучше бы ты спросил, где они не востребованы. На данный момент машинное обучение внедрено во все сферы жизни — от образования и финансов до медицины и маркетинга. Люди пользуются умными колонками, работающими на алгоритмах ML, и делают покупки на маркетплейсах с рекомендательными системами, построенными на алгоритмах ML. Даже навязчивая реклама в браузере использует инструменты Machine Learning.

Могу раскрыть интересный кейс с примером не самого очевидного применения Data Science. Некоторые крупные сети супермаркетов еще несколько лет назад пришли к тому, чтобы использовать машинное обучение для анализа трафика в магазинах по камерам видеонаблюдения. Компании начали собирать данные о том, как ведут себя покупатели — какими маршрутами ходят и где проводят больше времени. На базе этой информации эксперты поменяли расположение полок, увеличив ежемесячную прибыль в некоторых торговых точках на 40-50% (без изменения ассортимента!).


— Кейс действительно интересный, но со стороны он выглядит мрачновато. Получается, что за нами следит большой брат, а ML — это своеобразное зло?

— Вопрос, прямо скажем, дискуссионный. Любое творение всегда можно описать с двух сторон — положительной и отрицательной. Внедряя Data Science в медицину, мы снижаем риск врачебной ошибки, но забираем работу у докторов.

Всегда нужно отталкиваться оттого, что экосистемой Machine Learning управляет человек. Алгоритмы внедряются в тех местах, где это будет выгодно с точки зрения автоматизации бизнеса. Лучше один раз купить или написать проект, завязанный на AI, чем платить каждый месяц зарплату сотрудникам.

Когда эксперты «Теслы» разработали свой знаменитый автопилот, зашла речь о сферах его применения. Какие бы тесты на безопасность ни проходила программа, от ее повсеместного внедрения отказывалась и компания, и сами водители. Никто не захочет брать на себя юридическую ответственность, если алгоритмы вдруг перестанут работать корректно и станут причиной аварии с летальным исходом.


— Что должен знать и уметь специалист в области машинного обучения? Чему будешь учить студентов на курсах Machine Learning в IT-школе TeachMeSkills?

— Data Science — широкое понятие с большим набором сфер применения. Задач, решаемых с помощью ML-алгоритмов, бесчисленное множество — я уже приводил примеры из мира медицины, финансов и маркетинга. На курсе в TMS мы сделаем акцент на двух областях — NLP (Natural Language Processing — обработка текста) и компьютерном зрении (Computer Vision — обработка изображений).

Как приятное дополнение к представленным блокам — знакомство с направлением MLOps. Любые модели, пайплайны и строчки кода, написанные в сфере Data Science, сами по себе никакой ценности не несут до тех пор, пока их куда-то не внедрить. Этот процесс мы тоже затронем — познакомимся с Докером, рассмотрим подходы внедрения и расскажем о том, как ML приносит людям пользу.

— В чем преимущества курса Machine Learning в TMS? Получится ли у студента стать востребованным специалистом?

— Наше преимущество — в востребованности преподаваемых навыков. Технологии обработки текста и изображений, по сути, считаются концепциями и могут применяться везде. Инструменты NLP и Computer Vision хорошо сочетаются с той же медициной — их используют для анализа записанных жалоб пациентов и проверки ультразвуковых или рентгеновских снимков.

Знания, которыми мы делимся со студентами на курсе в TMS, пригодятся во всех направлениях Data Science. Конкретные наборы тулзов и технологий зависят от проекта, на который претендует кандидат при трудоустройстве.


— Нужен ли какой-то бэкграунд, чтобы стать специалистом в сфере машинного обучения?

— Да, пригодится техническое образование в рамках любого направления — потому что все системы AI, в том числе машинное обучение и Deep Learning, завязаны на матстатистике, теории вероятностей и матмоделировании. В названии должности Machine Learning Engineer не зря есть слово «инженер» — здесь очень много прикладных наук. Техническое образование в разных интерпретациях и желание разбираться в вышмате и теорвере — главные элементы бэкграунда.

Вторая, не менее важная вещь — это программирование. Мы ждем студентов, уверенно владеющих любым объектно-ориентированным языком (желательно, «Питоном», но если знаешь что-то другое, ничего страшного). Рассказывать о синтаксисе на занятиях никто не будет — курс про Data Science, Deep Learning и Machine Learning, а не про базовые инструменты, библиотеки и фреймворки.

Зачем все это нужно? Представим, что есть какая-то модель — ее натренировали и запустили для сбора данных. Чтобы понять, насколько хорошо работает эта модель, необходима математика. Чтобы подготовить данные для анализа и «закинуть» их в алгоритм, необходима математика. Чтобы верно интерпретировать и использовать результаты работы модели, снова необходима математика.


— Какое количество времени студенты потратят на прохождение курса? Хватит ли занятий на то, чтобы разобраться в столь сложном направлении?

— Программа рассчитана на ±57 занятий — это 6-7 месяцев активного обучения. На самом деле, для освоения любого направления в IT на уровне джуниор-разработчика достаточно и 3-4 месяцев плодотворной работы, а у нас в полтора раза больше.


— Сейчас машинное обучение — это новое и перспективное направление на волне хайпа. Останется ли оно востребованным через 10-15 лет?

— Сегодня любой бизнес заинтересован в оптимизации его внутренних процессов — в замене ручного труда автоматизированным. Крупные и средние предприятия работают с огромными потоками информации, причем с каждым годом таких потоков становится все больше. Чем существеннее объемы данных, тем дольше будет жить ML.


— Максим, в завершение нашей беседы, можешь дать пару советов новичкам, только открывшим для себя мир машинного обучения?

— На самом деле, главный совет выглядит очень просто — его эффективность я испытал на себе. Если человеку интересна тема искусственного интеллекта и инноваций, задач с максимально неочевидными результатами, мини-исследований и прорывов — ему нужно пробовать свои силы в Data Science. О востребованности навыков ML-инженера можно не переживать — специалист с хорошими знаниями найдет работу всегда.

Готов последовать совету Максима? Записывайся на курс Machine Learning в TMS. Мы готовим не столько дата-сайентистов, сколько супергероев, умеющих строить модели, анализировать огромные объемы данных и делать выводы о закономерностях — в разных направлениях бизнеса, медицины, финансов и маркетинга.

Над материалом работал Михаил Агеев