5 цитат об ML и AI, которые мы сразу запомнили на IT NonStop 2021

5 цитат об ML и AI, которые мы сразу запомнили на IT NonStop 2021
18–20 ноября DataArt собрал более 2300 человек на онлайн-конференцию IT NonStop. 49 докладов и 6 воркшопов, три потока (AI и ML, управление данными, облачные технологии), плюс еще один — специально для начинающих. Есть над чем задуматься и что обсудить: для начала выбрали пять цитат о проблемах и перспективах искусственного интеллекта и машинного обучения. 

Грант Давтян, основатель и CEO, Pinsight: «Всем, кто обращается к нам с идеей AI-проекта, я первым делом задаю одни и те же вопросы: „Вы уверены, что вам не обойтись без искусственного интеллекта? И точно ли вам нужно кастомное решение?“ Очень часто проблема, с которой нужно разобраться, либо вполне преодолима более традиционными математическими методами, либо давно решена... Прежде чем инвестировать в AI, нужно обязательно подумать еще раз, а затем посмотреть, готовы ли ваши данные к обработке искусственным интеллектом».

Дмитрий Байков, Senior ML Engineer / Data Scientist, DataArt: «Большая часть инструментов автоматизированного машинного обучения ориентирована на выбор ML-модели, при этом в проектах может недоставать, на мой взгляд, главного элемента. Ведь алгоритм нужно вписать в пайплайн, необходимо агрегировать и подготовить данные для работы, понять, какие данные у вас в принципе есть. Это серьезный вызов, поскольку большинству клиентов нужно связать данные из таблиц в разных хранилищах. Как ускорить процесс подготовки данных с помощью AutoML — думаю, вокруг этого вопроса формируется самостоятельное перспективное направление. Кроме того, уже сейчас возникло очень большое направление по созданию AutoML-инструментов для MLOps».

Конрад Лыда, AI / ML Engineer, DataArt: «Во время одного исследования группу Data Scientists спрашивали, сколько рабочего времени каждый тратит на развертывание моделей машинного обучения. 36 % респондентов оценили временные затраты в четверть общего работы, еще 36 % назвали долю в пределах от четверти до половины, 20 % — от половины до ¾, наконец, 7 % — больше ¾. Т. е. показатели таковы, что любое улучшение на этом направлении позволит сохранить драгоценное время, которое, разумеется, и есть деньги... Практики MLOps не только обеспечивают стабильность, позволяет более гибко подходить к процессу разработки и внедрения решений, сокращать технический долг, но и снижает расход времени, нужного на деплой моделей». 

Норберт Фиалек, CTO & Co-founder, AI BUSTERS SP. Z O.O.: «Концепция MLOps развивается на наших глазах. Думаю, в ближайшие годы это направление займет в общем представлении об IT-архитектуре то же место, какое сейчас занимает DevOps. У нас и сейчас появляются разнообразные решения для каждого из аспектов поддержки ML-проекта, например, мониторинга работы модели. При этом внутри MLOps-подхода буквально формируются новые понятия — скажем, непрерывное обучение».

Влад Бессмертный, лидер AI-направления финансовой практики DataArt: «Сейчас лучшие умы бьются над совершенствованием алгоритмов машинного обучения, и, надо сказать, неплохо справляются. В то же время вопрос стандартизации данных остается открытым. В любой организации структуры данных возникают сами — естественным путем, изменяясь вместе с бизнес-процессами. Как обработать эту довольно рыхлую массу с помощью наиболее подходящего алгоритма — в этом и заключен главный вопрос, стоящий перед ML».