HSE Daily

Зачем экономисту разбираться в машинном обучении

Об этом рассказал руководитель направления искусственного интеллекта Центра экосистемной защиты «Тинькофф», старший преподаватель департамента статистики и анализа данных НИУ ВШЭ, научный сотрудник Научно-учебной лаборатории макроструктурного моделирования экономики России факультета экономических наук Вышки Руслан Искяндяров:

— Какие задачи решаются с помощью машинного обучения в бизнесе?

— Первое, что приходит на ум, — прогнозирование и глубокая аналитика, в том числе работа с временными рядами. Машинному обучению отводится важнейшая роль при создании рекомендательных систем и персонализации сервисов: с помощью подобных технологий продукты компании как бы подстраиваются под каждого пользователя, принося ему максимальную пользу.

Алгоритмы машинного обучения не только развивают продукты компании, но и защищают их, обеспечивая совершенно новый уровень безопасности. Например, ML-алгоритмы широко применяются для предотвращения мошеннических операций в отношении клиентов, управления различными рисками, превентивного реагирования на нестандартные ситуации.

В долгосрочной перспективе компании, основывающие свои решения на данных, технологиях машинного обучения и искусственного интеллекта, получают значительное преимущество. Однако важно отметить, что мало просто «запускать код», критически важно понимать, как работают эти подходы и что необходимо сделать для максимизации всех преимуществ технологий машинного обучения.

— Зачем современному экономисту знать машинное обучение и уметь анализировать данные?

— Современные компании жаждут найти универсального специалиста, который находится на пересечении трех областей компетенций. Первая область — глубокое понимание бизнеса. В конечном счете за большинством алгоритмов машинного обучения и технологий искусственного интеллекта скрываются процессы и продукты компаний. Глубокое понимание потребностей клиента, тонкостей взаимодействия клиента и компании, умение генерировать гипотезы, строить стратегию развития — важнейшие бизнес-навыки.

Вторая область — математический бэкграунд. Специалист должен понимать, как математически обосновать решение, выбрать и проверить гипотезы и переложить поведение клиентов на язык цифр. Третья область — IT. Современный специалист должен ориентироваться в технологиях, понимать, как взаимодействуют сложные системы, как строятся мобильные приложения, что такое микросервисная архитектура, как сервисы «общаются» между собой.

На пересечении данных областей находятся самые ценные специалисты, способные достигать выдающихся результатов.

— Что пока не под силу машинному обучению?

— Несколько лет назад многие заявляли, что творчество — это не про машинное обучение и искусственный интеллект. Им отводились задачи анализа данных, предсказаний. Однако относительно недавно выяснилось, что, например, LLM (большие языковые модели. — Ред.) и другие генеративные модели, оказывается, могут прекрасно генерировать сложные стихотворения, создавать невероятные изображения и писать уникальную музыку, которые человек воспринимает как нечто выдающееся.

Получилось так, что искусственный интеллект преодолел творческий барьер, поэтому говорить о том, что машинное обучение и искусственный интеллект неспособны решить конкретные задачи, становится все сложнее. Любые обозначенные человечеством барьеры пока просто не преодолены, но это обязательно произойдет в будущем.

Пока мы видим, что алгоритмы искусственного интеллекта теряются в принятии этических, моральных и социальных решений: мы пока не научились перекладывать желания, мысли и переживания человека на язык цифр. У нас не создан нейроинтерфейс для сбора этой информации. Когда это случится, барьер принятия этических решений падет. Посмотрим, что будет в ближайшем будущем.

Читайте полную версию интервью на HSE Daily

www.tg-me.com/us/HSE Daily/com.hsedailymedia/759

249 viewsApr 27 at 08:40

Зачем экономисту разбираться в машинном обучении

Об этом рассказал руководитель направления искусственного интеллекта Центра экосистемной защиты «Тинькофф», старший преподаватель департамента статистики и анализа данных НИУ ВШЭ, научный сотрудник Научно-учебной лаборатории макроструктурного моделирования экономики России факультета экономических наук Вышки Руслан Искяндяров:

— Какие задачи решаются с помощью машинного обучения в бизнесе?

— Первое, что приходит на ум, — прогнозирование и глубокая аналитика, в том числе работа с временными рядами. Машинному обучению отводится важнейшая роль при создании рекомендательных систем и персонализации сервисов: с помощью подобных технологий продукты компании как бы подстраиваются под каждого пользователя, принося ему максимальную пользу.

Алгоритмы машинного обучения не только развивают продукты компании, но и защищают их, обеспечивая совершенно новый уровень безопасности. Например, ML-алгоритмы широко применяются для предотвращения мошеннических операций в отношении клиентов, управления различными рисками, превентивного реагирования на нестандартные ситуации.

В долгосрочной перспективе компании, основывающие свои решения на данных, технологиях машинного обучения и искусственного интеллекта, получают значительное преимущество. Однако важно отметить, что мало просто «запускать код», критически важно понимать, как работают эти подходы и что необходимо сделать для максимизации всех преимуществ технологий машинного обучения.

— Зачем современному экономисту знать машинное обучение и уметь анализировать данные?

— Современные компании жаждут найти универсального специалиста, который находится на пересечении трех областей компетенций. Первая область — глубокое понимание бизнеса. В конечном счете за большинством алгоритмов машинного обучения и технологий искусственного интеллекта скрываются процессы и продукты компаний. Глубокое понимание потребностей клиента, тонкостей взаимодействия клиента и компании, умение генерировать гипотезы, строить стратегию развития — важнейшие бизнес-навыки.

Вторая область — математический бэкграунд. Специалист должен понимать, как математически обосновать решение, выбрать и проверить гипотезы и переложить поведение клиентов на язык цифр. Третья область — IT. Современный специалист должен ориентироваться в технологиях, понимать, как взаимодействуют сложные системы, как строятся мобильные приложения, что такое микросервисная архитектура, как сервисы «общаются» между собой.

На пересечении данных областей находятся самые ценные специалисты, способные достигать выдающихся результатов.

— Что пока не под силу машинному обучению?

— Несколько лет назад многие заявляли, что творчество — это не про машинное обучение и искусственный интеллект. Им отводились задачи анализа данных, предсказаний. Однако относительно недавно выяснилось, что, например, LLM (большие языковые модели. — Ред.) и другие генеративные модели, оказывается, могут прекрасно генерировать сложные стихотворения, создавать невероятные изображения и писать уникальную музыку, которые человек воспринимает как нечто выдающееся.

Получилось так, что искусственный интеллект преодолел творческий барьер, поэтому говорить о том, что машинное обучение и искусственный интеллект неспособны решить конкретные задачи, становится все сложнее. Любые обозначенные человечеством барьеры пока просто не преодолены, но это обязательно произойдет в будущем.

Пока мы видим, что алгоритмы искусственного интеллекта теряются в принятии этических, моральных и социальных решений: мы пока не научились перекладывать желания, мысли и переживания человека на язык цифр. У нас не создан нейроинтерфейс для сбора этой информации. Когда это случится, барьер принятия этических решений падет. Посмотрим, что будет в ближайшем будущем.

Читайте полную версию интервью на HSE Daily

BY HSE Daily