კეთილი იყოს თქვენი მობრძანება ჩვენი სერიის „მანქანური სწავლების დირექტორების შეხედულებები“ მეორე ნაწილში. პირველი ნაწილის ნახვა შეგიძლიათ აქ. მანქანური სწავლების დირექტორებს ხელოვნური ინტელექტის (AI) სფეროში უნიკალური პოზიცია უკავიათ, რაც მათ საშუალებას აძლევს, გააერთიანონ სხვადასხვა როლისა და პასუხისმგებლობის პერსპექტივები. მათი მდიდარი ცოდნა მანქანური სწავლების ფრეიმვორკების, ინჟინერიის, არქიტექტურის, რეალურ სამყაროში გამოყენებისა და პრობლემების გადაჭრის შესახებ უზრუნველყოფს ღრმა შეხედულებებს მანქანური სწავლების ამჟამინდელ მდგომარეობაზე. მაგალითად, ერთ-ერთი დირექტორი აღნიშნავს, თუ როგორ შეამცირა ახალი ტრანსფორმერების მეტყველების ტექნოლოგიის გამოყენებამ მათი გუნდის შეცდომის მაჩვენებელი 30%-ით და როგორ შეუძლია მარტივ აზროვნებას დიდი რაოდენობით გამოთვლითი სიმძლავრის დაზოგვა. ოდესმე დაფიქრებულხართ, რას ფიქრობენ Salesforce-ის ან ZoomInfo-ს დირექტორები მანქანური სწავლების ამჟამინდელ მდგომარეობაზე? რა არის მათი ყველაზე დიდი გამოწვევები? და რა აღელვებთ მათ ყველაზე მეტად? მალე გაიგებთ! ამ მეორე, SaaS-ზე ორიენტირებულ ნაწილში მოისმენთ ჯანდაცვისთვის ღრმა სწავლების სახელმძღვანელოს ავტორისგან, რომელმაც ასევე დააარსა არაკომერციული ორგანიზაცია ML ტალანტების მენტორობისთვის; ჭადრაკის ფანატიკოსი კიბერუსაფრთხოების ექსპერტისგან; მეწარმისგან, ვისი ბიზნესიც ბარბის ბრენდის რეპუტაციის მონიტორინგის აუცილებლობით იყო შთაგონებული პროდუქტის უკან გაწვევის შემდეგ; და გამოცდილი პატენტისა და აკადემიური ნაშრომების ავტორისგან, რომელსაც სიამოვნებს თავისი ოთხი შვილის ყურება, თუ როგორ უშვებენ იმავე შეცდომებს, რასაც მისი ML მოდელები. 🚀 მოდით შევხვდეთ SaaS-ის ზოგიერთ წამყვან მანქანური სწავლების დირექტორს და მოვისმინოთ, რას ამბობენ ისინი მანქანური სწავლების შესახებ: **ომარ:** **ფონი:** ომარი ხელმძღვანელობს მანქანური სწავლებისა და მონაცემთა ინჟინრების გუნდს, რომლებიც იყენებენ მანქანურ სწავლებას თავდაცვითი უსაფრთხოების მიზნებისთვის, კიბერუსაფრთხოების გუნდის შემადგენლობაში. მანამდე ომარი ხელმძღვანელობდა მონაცემთა მეცნიერებისა და მანქანური სწავლების ინჟინერიის გუნდებს Adobe-სა და SAP-ში, სადაც ის მუშაობდა ინტელექტუალური შესაძლებლობების მარკეტინგულ ღრუბლოვან და შესყიდვების აპლიკაციებში ინტეგრირებაზე. ომარს აქვს ელექტრული ინჟინერიის მაგისტრის ხარისხი არიზონას სახელმწიფო უნივერსიტეტიდან. **საინტერესო ფაქტი:** ომარს უყვარს ჭადრაკის თამაში და თავისუფალ დროს მოხალისეობრივად ხელმძღვანელობს და მენტორობას უწევს ასპირანტებს ხელოვნური ინტელექტის სფეროში. **Salesforce:** მსოფლიოში #1 კლიენტებთან ურთიერთობის მართვის პროგრამული უზრუნველყოფა. **მანქანური სწავლების სარგებელი SaaS შეთავაზებებისთვის მრავალი გზით გამოიხატება:** ა. აპლიკაციებში ავტომატიზაციის გაუმჯობესება: მაგალითად, მომსახურების ბილეთების მარშრუტიზატორი, რომელიც იყენებს ბუნებრივი ენის დამუშავებას (NLP) მომსახურების მოთხოვნის კონტექსტის გასაგებად და მის ორგანიზაციის შესაბამის გუნდთან გადასაგზავნად. ბ. კოდის სირთულის შემცირება: წესებზე დაფუძნებული სისტემები, როგორც წესი, რთულდება ახალი წესების დამატებისას, რაც ზრდის ტექნიკური მომსახურების ხარჯებს. მაგალითად, ML-ზე დაფუძნებული ენის თარგმნის სისტემა უფრო ზუსტი და მყარია, კოდის გაცილებით ნაკლები ხაზით, წინა წესებზე დაფუძნებულ სისტემებთან შედარებით. გ. უკეთესი პროგნოზირება იწვევს ხარჯების დაზოგვას. უფრო ზუსტი პროგნოზირების შესაძლებლობა ხელს უწყობს მიწოდების ჯაჭვში დაგვიანებული შეკვეთების შემცირებას, ასევე ხარჯების დაზოგვას შენახვის ხარჯების შემცირების გამო. **მთავარი გამოწვევები:** ა. მანქანური სწავლების აპლიკაციების პროდუქტიზაცია მოითხოვს გაცილებით მეტს, ვიდრე უბრალოდ მოდელის არსებობას. მოდელის გამოყენება შედეგების მოსამსახურებლად, მონაცემთა სტატისტიკის ცვლილებების აღმოსაჩენად და მათთან ადაპტაციისთვის და ა.შ. ქმნის მნიშვნელოვან დამატებით ხარჯებს ML სისტემების განლაგებასა და შენარჩუნებაში. ბ. უმეტეს დიდ ორგანიზაციებში, მონაცემები ხშირად არის გაბნეული და ცუდად მოვლილი, რის შედეგადაც მნიშვნელოვანი დრო იხარჯება მონაცემების კონსოლიდაციაზე, წინასწარ დამუშავებაზე, მონაცემთა გაწმენდის აქტივობებზე და ა.შ., რაც საბოლოოდ მოითხოვს დიდ დროსა და ძალისხმევას ML-ზე დაფუძნებული აპლიკაციების შესაქმნელად. არასაკმარისი ფოკუსირება ბიზნეს კონტექსტზე და გადასაჭრელ პრობლემაზე, ნაცვლად უახლესი და საუკეთესო ალგორითმების და ახლად გახსნილი ბიბლიოთეკების გამოყენების მცდელობისა. ბევრი რამის მიღწევა შესაძლებელია მარტივი ტრადიციული ML ტექნიკით. **რაც ყველაზე მეტად აღელვებს:** განზოგადებულ ხელოვნურ ინტელექტს, თუ სწორად იქნება აგებული და მართული, შეუძლია კაცობრიობის გარდაქმნა იმაზე მეტი გზით, ვიდრე წარმოგვიდგენია. იმედი მაქვს, რომ დიდ პროგრესს ვიხილავთ ჯანდაცვისა და ტრანსპორტის სფეროებში. ჩვენ უკვე ვხედავთ ხელოვნური ინტელექტის სარგებელს რადიოლოგიაში, რაც იწვევს სამუშაო ძალის მნიშვნელოვან დაზოგვას, რითაც ადამიანებს საშუალება ეძლევათ, ფოკუსირება მოახდინონ უფრო კომპლექსურ ამოცანებზე. თვითმართვადი მანქანები და სატვირთო მანქანები უკვე ცვლიან სატრანსპორტო სექტორს. **ცაო (დანიკა) სიაო:** **ფონი:** ცაო (დანიკა) სიაო არის მონაცემთა მეცნიერებისა და მანქანური სწავლების უფროსი დირექტორი და ხელმძღვანელი Amplitude-ში. მისი გუნდი ფოკუსირებულია თვითმომსახურების მანქანური სწავლების მოდელებისა და პროდუქტების შემუშავებასა და განლაგებაზე, მრავალმხრივი მომხმარებლის მონაცემებზე დაყრდნობით, რათა გადაჭრას კრიტიკული ბიზნეს გამოწვევები ციფრული პროდუქტის ანალიტიკისა და ოპტიმიზაციის კუთხით. გარდა ამისა, ის არის მანქანური სწავლების გატაცებული მკვლევარი, რომელსაც აქვს 95-ზე მეტი ნაშრომი გამოქვეყნებული წამყვან კომპიუტერულ მეცნიერებათა ჟურნალებში. ის ასევე არის ტექნოლოგიური ლიდერი, რომელსაც აქვს დიდი გამოცდილება მანქანური სწავლების საგზაო რუქის შექმნაში, გუნდის მშენებლობასა და მენტორობაში. Amplitude-მდე, ცაო (დანიკა) იყო მანქანური სწავლების გლობალური ხელმძღვანელი IQVIA-ს ანალიტიკის საუკეთესო ცენტრში. მანამდე ის იყო მკვლევარი IBM Research-ში და კვლევის ხელმძღვანელი MIT-IBM Watson AI Lab-ში. მან მიიღო დოქტორის ხარისხი მანქანურ სწავლებაში ვაშინგტონის უნივერსიტეტიდან, სიეტლში. ცოტა ხნის წინ, მან ასევე იყო ჯანდაცვისთვის ღრმა სწავლების სახელმძღვანელოს თანაავტორი და დააარსა არაკომერციული ორგანიზაცია მანქანური სწავლების ტალანტების მენტორობისთვის.