Сергей Лисицын (Яндекс): Машинное обучение — нужно ли оно разработчикам?

В наше время на разных конференциях и в разных изданиях можно часто услышать словосочетания большие данные, машинное обучение, deep learning и т.д. При этом машинное обучение уже стало неотъемлемым навыком для разработчиков и аналитиков всех секторов и сфер бизнеса. Несмотря на это, специалистов, которые умеют решать задачи с помощью машинного обучения, на рынке до сих пор очень мало и они очень высоко ценятся.

Чтобы разобраться в этой теме, мы решили поговорить с руководителем группы поведенческих технологий Яндекса Сергеем Лисицыным.

Сергей, мы много слышали про машинное обучение, но до конца не понимаем что это и какие задачи решает. Что же это такое?

Машинное обучение зародилось еще в середине прошлого века, но за счет развития вычислительных ресурсов получило свое бурное развитие в последние десять лет. Это область математики на пересечении статистики, теории вероятности и оптимизации, которая пытается решить одну из задач искусственного интеллекта — способность обучаться. В прикладном значении это набор алгоритмов и подходов для решения таких задач, как классификация, прогнозирование, кластеризация и ранжирование.

Правда ли, что уже сейчас многие бизнесы его применяют?

Конечно! Например, когда вы приходите в банк для получения кредита именно машинное обучение определяет, насколько добросовестный вы заемщик. Или, если вы хоть раз получали штрафы за превышение скорости по почте, знайте, что это тоже работа машинного обучения — именно оно по фото вашей машины и ее номера определяет, кому и на какой адрес нужно отправить постановлении об административном нарушении. Также конечно машинное обучение много применяют для решения задач в Интернет-компаниях, например, для определения спама в вашей почте или предсказания клика по баннеру.

Всем ли компаниям нужно машинное обучение?

Безусловно не всем, но все больше компаний понимают, как использовать данные для их бизнеса. Существуют и другие причины не применять машинное обучение. Так, если у вас по какой-то причине мало данных, возможно, вы не сможете получить ощутимый эффект от их машинного анализа. Кроме того, не нужно применять машинное обучение, когда у вас есть понятное математическое решение задачи. К примеру, строительной компании скорее не нужно пытаться рассчитать количество кирпича для постройки дома через нейронную сеть.

Что вы можете посоветовать разработчикам и аналитикам, которые хотят развиваться в этой области?

В России сейчас совсем немного профессионалов в машинном обучении, рынок не насыщен специалистам, они очень высоко ценятся и им предлагают самые интересные условия работы. Поэтому развитие в машинном обучении это хороший и интересный путь для большинства разработчиков и аналитиков. В первую очередь, необходимо подтянуть статистику и теорию вероятности, затем изучить простые основные алгоритмы машинного обучения, например, линейные модели. После чего нужно много практики по работе с данными и их обработкой.

Где же можно этому научиться? Может быть какие-нибудь курсы или школы?

Основные источники знаний — зарубежные издания и публикации. Если говорить о фундаментальном образовании, то стоит отметить бакалавриат и магистратуру Факультета компьютерных наук НИУ ВШЭ при участии Яндекса, а также Школу Анализа Данных. Но все эти программы рассчитаны как минимум на два года и требуют большого количества свободного времени, которого обычно у сформировавшегося разработчика или аналитика нет. В этом случае можно порекомендовать бесплатные онлайн-курсы по машинному обучении на Coursera. Если же вам нужно полное вовлечение и погружение за короткий срок, то можете обратить внимание на платные курсы по машинному обучению Школы данных Билайна (около 100 тыс руб) и школу, в которой преподаю я — Digital Technologies School и мой месячный курс «Прикладное машинное обучение» (около 29 тыс руб + вы можете получить скидку 10% с промокодом APPTRACTOR_DTS). Также уже сейчас доступно «Машинное обучения для менеджеров», которое будет полезно для маркетологов, менеджеров проектов и руководителей разного уровня.

Как будет развиваться машинное обучение?

Со временем, все больше компаний смогут применять машинное обучение для повышения своей эффективности. Безусловно, исследователи и практики продолжат улучшать алгоритмы и изучать их теоретические свойства. Однако, одним из более важных аспектов последних лет становится стандартизация и упрощение применения машинного обучения на практике. Уже сегодня целый ряд библиотек, по большей части с открытым исходным кодом, предоставляют широкие возможности, но для их применения по-прежнему важно понимать основы машинного обучения.

Спасибо!