Машинное обучение: экосистемный взгляд

Продолжаю экспериментировать с форматами образовательных постов. Сегодня -- мой взгляд на экосистему машинного обучения, которое меняет все правила и так или иначе приведет к тектоническим сдвигам в структуре социально-экономических систем. Без преувеличения.

Аналитика экосистем всегда осложнена густым туманом комплексности: взаимодействия агентов складываются в непредсказуемые комбинации. Экосистема машинного обучения огромна и газообразна -- у нее нет конкретных границ, машинное обучение уже везде. Поэтому этот пост -- только первый из серии о машинном обучении.

Разработчики

Специалистов по машинному обучению не хватает. Спрос на разработчиков превышает предложение и поэтому их зарплаты одни из самых высоких зарплат в индустрии в США: $120k - $180k в год.

Учебные платформы

Udacity запущенный Sebastian Thrun и Peter Norvig первоначально, как экспериментальный курс в Stanford University об искусственном интеллекте, а потом как платформа для онлайн курсов. Имя Sebastian Thrun фигурирует в таких проектах, как Google Self Learning Car, DAPRA Self Driving Car, Challenge Ways, Google Street View, Google Glass, Google X.

После эволюции в соответствии с рыночным сигналами Udacity стал специализироваться на курсах посвященных машинному обучению.

Coursera была, в том числе, создана Andrew Ng - американо-китайским ученым, который руководит Artificial Intelligence Group в составе компании “Baidu”, профессор Stanford University.

Стартапы и мегакорпорации

Машинное обучение уже давно проникло в организационную ДНК мегакорпораций. Во многом именно мегакорпорации двигают машинное обучение вперед. При Sundar Pichais, новом CEO Google, искусственный интеллект (на самом деле машинное обучение) -- везде.

База стартапов Angellist знает о 2057 стартапов в области Machine Learning.

В 2016 году 24 стартапа в области машинного обучения были приобретены крупными корпорациями. На конец марта 2017 года количество таких стартапов - 9.

Рост инвестиций и финансирование данной индустрии тоже показывает значительный прирост.

# Машинное обучение в интернет поиске

RankBrain - система машинного обучения искусственного интеллекта, разработанная Google и внедренная в 2015 году. Основная цель данного алгоритма - помощь в обработке редких или, даже, единственных в своем роде запросов. Если машина видит незнакомый ей до этого запрос, то она пытается предугадать, что пользователь имел в виду, какие слова или фразу имеют аналогичное значение. В компании уверены, что данный алгоритм является 3 по важности среди всех факторов поискового алгоритма Google (ссылок и контента).

# Машинное обучение в коммуникации

Google's Neural Machine Translation System - новая компьютерная программа, которая основана на нейронных сетях и представляет собой новый подход к автоматизированному переводу.

Skype Translator - система автоматизированного перевода в режиме реального времени. Сейчас доступна в голосовом режиме на 8 языках и на 50 языках в текстовом.

# Машинное обучение в финансах

Алгоритмы машинного обучения в финансах позволят делать более точные прогнозы волатильности многих валют, а также более точно предсказывать поведение курсов на биржах, многие хедж-фонды стремя к тому, чтобы на биржах, вместо людей, торговлей занимался искусственный интеллект. Уже сейчас около 1,360 хедж-фондов составляют большинство своих сделок с помощью компьютерных моделей (это приблизительно 9% всех фондов), они управляют около 197 млрд дол.

Интересный факт: около трети сотрудников Goldmans Sachs – разработчики. Конечно, не все из них работают с машинным обучением, но это индикатор того, насколько вплетены в друг друга код и финансы.

# Машинное обучение в политике

Cambridge Analytica - яркий пример использования алгоритмов машинного обучения для политической пропаганды. Компании удалось на основе лайков пользователей социальных сетей таргетировать персонализированные рекламные сообщения, классифицировать группы пользователей, формировать кластеры для продвижения кампании Трампа.

Криптовалюты

Машинное обучение и криптовалюты ортогональны. Пока их взаимодействие ограничивается попытками предсказать колебания курсов криптовалют.

Производители чипов

Машинное обучение выполняется на графических картах. Архитектура CPU имеет набор компромиссов не подходящих для массивно параллелизируемых вычислений (используемых в машинном обучении). В отличии от CPU, экспоненциальный рост производительности GPU на 1 условную единицу денег продолжается.

Графические карты Nvidia лидируют в использовании для машинного обучения. Последний тренд: Google запускает ASICs адаптированные под ML как для собственного использования, так и для продажи как сервиса.

Облачные решения

Крупные игроки в хостинге разворачивают специализированные типы серверов с GPU активно использующиеся для машинного обучения: Amazon, Google.

Мегакорпорации и стартапы предоставляют MLaaS: предустановленные, настроенные системы на порядок уменьшающие порох входа для практических результатов.

Open source

Не исчерпывающий список популярных программ и библиотек для машинного обучения:

Исследователи и академия

Из-за условий предлагаемых технологическими компаниями из академии происходит утечка исследователей и ученых. Это может привести к замедлению прогресса в области из-за уменьшения количества опубликованных новых исследований.