tg-me.com/hsedailymedia/759
Last Update:
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
Warning: Undefined variable $i in /var/www/tg-me/post.php on line 280
Share with your friend now:
tg-me.com/hsedailymedia/759