Машинное обучение: как искусственный интеллект помогает бизнесу расти

По данным MMC Ventures, сегодня каждая десятая крупная компания использует искусственный интеллект, чат-боты и машинное обучение. В 2020 году глобальный рынок машинного обучения достиг объёма $7,3 млрд. По прогнозам, к 2024 году это число возрастёт до $30,6 млрд.

А по данным Salesforce Research, 69% компаний-лидеров IТ-сферы считают, что искусственный интеллект и машинное обучение положительно влияют на весь бизнес в целом.

Отечественный айти-рынок на ранней стадии своего развития. В Казахстане есть IT-компании, которые уже освоили Machine Learning (машинное обучение) и готовы делиться своей экспертизой.

Гостями 6 эпизода 4 сезона "Код и кофе" стали ML Team Lead в Kolesa Group Хамбар Дусалиев и Product Engineer в Iterative.ai Александр Гущин.

Что такое Machine Learning?

Хамбар Дусалиев: Это подраздел искусственного интеллекта, основанный на том, что системы могут учиться на данных. Другими словами, машинное обучение помогает компьютерам решать те проблемы, которые им даются тяжело, а людям — легко. Например, человеку не составит труда определить на фото собаку, он может даже знать породу и анатомию животного, а машине это трудно. Потому что тяжело найти какой-то единый алгоритм/подход, чтобы однозначно определять собак. ML-специалисты не программируют этот подход, а дают системе учиться самой.

Как правильно внедрять ML в компанию Александр Гущин: От руководства требуется постановка KPI ML-команде. А ML-команда, в свою очередь, должна понимать, что её зона ответственности выходит за пределы обучения модели и презентации результатов. Её работа также заключается в принятии важных решений для достижения целей бизнеса. Специалисты должны осознавать, что они влияют на процесс, на бизнесовые метрики. Тогда они начинают чувствовать ответственность, у них загораются глаза, они начинают что-то предлагать, делать.

Что нужно знать, чтобы стать крутым ML-инженером

Александр Гущин: Нужно знать:

1. Python. Это самый распространённый язык программирования для ML на сегодня.

2. Машинное обучение. Инженер, который будет внедрять модели, должен понимать, как они работают, какие у моделей есть ограничения и насколько они применимы на тех или иных данных.

3. Метрики. Потому что помимо того, что специалист сделал и внедрил модель, нужно уметь измерять, как она работает.

4. Смежные технологии. ML-инженер должен уметь с ними взаимодействовать, поскольку он заинтересован в том, чтобы модель начала работать на проде. К примеру, это базы данных, Kafka, стриминговые решения.

Хамбар Дусалиев: ML-инженеру следует хотя бы ориентироваться в вопросах Software Engineering: как строится архитектура, что такое базы данных, что такое CI/CD, Docker, Kubernetes. Я думаю, со временем это станет нормой.

Почему ИИ не может точно предсказывать курсы валют, в какой момент внедрять ML-решения в бизнесе, рабочие кейсы и многое другое можете узнать в полной версии подкаста по ссылке.