5 акцента от DataArt IT NonStop 2021, свързани с AI и ML

26 ноември 2021
5 акцента от DataArt IT NonStop 2021, свързани с AI и ML
В периода 18–20 ноември DataArt събра повече от 2300 души на тазгодишната конференция IT NonStop. В рамките на 49 презентации и три паралелни сесии участниците в събитието имаха възможност да се запознаят с последните тенденции и най-добри практики в областта на изкуствения интелект, машинното обучение, управлението на данни и облачните технологии. След края на събитието решихме да ви представим пет акцента от конференцията, които обобщават проблемите и перспективите пред развитието на ML и AI:

Грант Давтян, основател и главен изпълнителен директор на Pinsight: „На всеки потенциален клиент, който идва при нас с идея за AI проект, първо задавам следния въпрос: “Сигурни ли сте, че не можете без изкуствен интелект? И наистина ли имате нужда от персонализирано AI решение?“. Много често проблемът, който трябва да бъде решен, е или напълно преодолим с традиционни математически методи, или отдавна е решен. Преди да инвестирате в AI, определено трябва да помислите добре и след това да прецените дали сте готови вашите данни да бъдат обработени от изкуствен интелект".

Дмитрий Байков, старши ML инженер / Data Scientist, DataArt: „Повечето от автоматизираните инструменти за машинно обучение са фокусирани върху избора на ML модел, но в същото време в проектите може да липсва основният елемент. В края на краищата алгоритъмът трябва да бъде въведен в пайплайна и е необходимо е да се агрегират и подготвят данните за работа, също да се разбере с какви данни разполагаме. Това е голямо предизвикателство, тъй като повечето клиенти трябва да свържат данни от таблици, намиращи се в различни хранилища. Можем да ускорим процеса на подготовка на данни с помощта на AutoML и мисля, че около този метод се формира важна бъдеща посока. Освен това вече се появи много ключова област за създаване на AutoML – това са инструментите за MLOps“.

Конрад Лида, AI / ML инженер, DataArt: „В едно проучване специалистите по данни бяха попитани колко работно време отделя всеки от тях за внедряване на модели за машинно обучение. 36% от анкетираните оцениха времето, прекарано в тази дейност, като една четвърт от общата работа, други 36% посочиха, че това е в диапазона от четвърт до половината от времето, 20% - от половината до ¾, а 7% от анкетираните са отговорили, че отделят повече от ¾ от своето време. Това означава, че всяко подобрение в тази област ще спести време, което, разбира се, е пари. MLOps практиките не само гарантират стабилност, но и позволяват по-гъвкав подход към разработването и внедряването на решения, намаляват и времето, необходимо за внедряването на модели." 

Норберт Фиалек, технически директор и съосновател, AI BUSTERS SP. Z OO: „Концепцията MLOps се развива пред очите ни. Мисля, че през следващите години тази сфера ще заеме същото място в общото разбиране за ИТ архитектура, каквото DevOps заема в момента. Все още имаме разнообразие от решения за всеки от аспектите на поддръжката на ML проекти, например наблюдение на работата на модела. В същото време в рамките на подхода MLOps буквално се формират нови концепции - например непрекъснато учене“.

Влад Бессмертни, ръководител на AI направлението на финансовата дивизия в DataArt: „Сега най-големите умове в бранша се борят да подобрят алгоритмите за машинно обучение и трябва да кажа, че се справят доста добре. В същото време остава отворен въпросът за стандартизацията на данните. Във всяка организация структурите от данни възникват сами - по естествен начин, променяйки се заедно с бизнес процесите. Как да обработим тази доста насипна маса с най-подходящия алгоритъм е основният въпрос, пред който е изправено ML“.