მანქანური სწავლების გავლენა ინდუსტრიებზე: წამყვანი დირექტორების ხედვები

კვლავ მოგესალმებით ჩვენი სერიის – „მანქანური სწავლების (ML) ლიდერთა შეხედულებები“ – ფარგლებში! თუ წინა გამოშვებები გამოტოვეთ, მათი მოძიება აქ შეგიძლიათ. 🚀 ამ მეოთხე ნაწილში განვიხილავთ, თუ რას ამბობენ წამყვანი ML დირექტორები, ხავიერ მანილა (Javier Mansilla) და შონ გიტენსი (Shaun Gittens), მანქანური სწავლების გავლენაზე მათ შესაბამის ინდუსტრიებზე. ორივე მათგანი ამჟამად მანქანური სწავლების დირექტორია და ამ სფეროში მდიდარი გამოცდილებით გამოირჩევა. დისკლეიმერი: ყველა გამოთქმული მოსაზრება წარმოადგენს ინდივიდუალურ აზრს და არ ასახავს არცერთი ყოფილი ან ამჟამინდელი დამსაქმებლის პოზიციას. **ხავიერ მანილა (Javier Mansilla)** **ბიოგრაფია:** გამოცდილი მეწარმე და ლიდერი, ხავიერი იყო Machinalis-ის თანადამფუძნებელი და ტექნიკური დირექტორი (CTO). ეს კომპანია 2010 წლიდან მანქანურ სწავლებას ავითარებდა (დიახ, ჯერ კიდევ ნერვული ქსელების გარღვევამდე). მას შემდეგ, რაც Machinalis Mercado Libre-მ შეიძინა, მცირე ზომის გუნდი განვითარდა და მანქანური სწავლება 10 ათასზე მეტი დეველოპერის მქონე ტექნოლოგიური გიგანტის შესაძლებლობად აქცია, რამაც თითქმის 100 მილიონი პირდაპირი მომხმარებლის ცხოვრებაზე მოახდინა გავლენა. დღეს ხავიერი ხელმძღვანელობს არა მხოლოდ მათი მანქანური სწავლების პლატფორმის (NASDAQ MELI) ტექნიკურ და პროდუქტის განვითარების გეგმას, არამედ მომხმარებელთა თრექინგის სისტემას, A/B ტესტირების ფრეიმვორკს და ღია კოდის ოფისს. ხავიერი არის Python-Argentina-ს არაკომერციული ორგანიზაციის PyAr-ის აქტიური წევრი და კონტრიბუტორი. მას უყვარს დროის გატარება ოჯახთან და მეგობრებთან ერთად, პითონი, ველოსიპედით სიარული, ფეხბურთი, დურგლობა და მშვიდი დასვენება ბუნებაში! **საინტერესო ფაქტი:** „მიყვარს სამეცნიერო ფანტასტიკის კითხვა და ჩემი პენსიაზე გასვლის გეგმა მოიცავს მოზარდობის ოცნების, მოკლე მოთხრობების წერის, განახლებას.📚“ **Mercado Libre: ML-ის როლი ელექტრონულ კომერციაში და ფინტექში** Mercado Libre, ლათინური ამერიკის უმსხვილესი კომპანია და ელექტრონული კომერციისა და ფინტექის ყოვლისმომცველი გადაწყვეტა კონტინენტზე. ხავიერ მანილა ამბობს: „ვფიქრობ, ML-მა შეუძლებელი შესაძლებელი გახადა ისეთ სპეციფიკურ შემთხვევებში, როგორიცაა თაღლითობის პრევენცია და ოპტიმიზებული პროცესები, ისეთი გზებით, რასაც სხვა მრავალ სფეროში ვერც კი წარმოვიდგენდით. ამასთან, არსებობს აპლიკაციები, სადაც ML-მა მომხმარებლის გამოცდილების (UX) ახალი დონე შექმნა, რაც სხვაგვარად ძალიან ძვირი იქნებოდა (თუმცა, შესაძლოა, მიღწევადი). მაგალითად, აღმოჩენისა და შემთხვევითი პოვნის ფუნქციები, რაც მომხმარებლის მოგზაურობას ემატება განცხადებებსა და შეთავაზებებს შორის ნავიგაციისას. ჩვენ ვიყენებთ ML-ს ძიების, რეკომენდაციების, რეკლამების, საკრედიტო შეფასების, მოდერაციის, რამდენიმე ძირითადი ასპექტის პროგნოზირების, ლოგისტიკისა და მრავალი სხვა ძირითადი ერთეულის ოპტიმიზაციისთვის, მინიმუმ ერთი ფუნდამენტური მეტრიკის მიხედვით. ჩვენ ML-ს ინფრასტრუქტურის რეზერვირებისა და გამოყენების ოპტიმიზაციისთვისაც კი ვიყენებთ. მიუხედავად ყველა ტექნიკური გამოწვევისა (მაგალითად, სულ უფრო მეტი რეალური დროის რეჟიმი და პერსონალიზაცია), ყველაზე დიდი გამოწვევა ყოველთვის საბოლოო მომხმარებელზე ფოკუსირებაა. ელექტრონული კომერცია ყოველწლიურად ზრდის თავის წილს ბაზარზე და მანქანური სწავლება ყოველთვის არის ალბათური მიდგომა, რომელიც 100%-იან სრულყოფილებას არ უზრუნველყოფს. ჩვენ ფრთხილად უნდა ვიყოთ, რომ გავაგრძელოთ ჩვენი პროდუქტების ოპტიმიზაცია, ამავე დროს ყურადღება მივაქციოთ „გრძელ კუდს“ (long tail) და თითოეული ინდივიდუალური ადამიანის გამოცდილებას. დაბოლოს, მზარდი გამოწვევაა მონაცემთა (შეტანის და გამოტანის) თანაარსებობის კოორდინაცია და ხელშეწყობა მრავალარხიან და მრავალბიზნესიან სამყაროში — მარკეტპლეისი, ლოგისტიკა, კრედიტები, დაზღვევა, გადახდები ტრადიციულ მაღაზიებში და ა.შ. ყველაზე გავრცელებული შეცდომები დაკავშირებულია არასწორი პრობლემისთვის არასწორი ხელსაწყოს გამოყენებასთან. მაგალითად, კომპლექსური გადაწყვეტილებების დაწყება უმარტივესი საბაზისო ვარიანტის ნაცვლად; მანქანური სწავლების გავლენის გაზომვის არარსებობა (ML-ის გარეშე და ML-ით); ინვესტირება ტექნოლოგიაში მოსალოდნელი მოგების საზღვრების მკაფიო გაგების გარეშე. და ბოლოს, მაგრამ არანაკლებ მნიშვნელოვანი: მხოლოდ მოკლევადიან პერსპექტივაზე ფიქრი, ფარული გავლენების, ტექნიკური ვალების, შენარჩუნების და ა.შ. დავიწყება. როდესაც ვსაუბრობთ იმ პერსპექტივიდან, რომ ათი წლის წინ, თითქოსდა შიშველი ხელებით ვქმნიდით ტექნოლოგიას, ნამდვილად ყველაზე მეტად ის მსიამოვნებს, რომ ჩვენ, როგორც ინდუსტრია, ვხსნით გამოწვევის ნელ, განმეორებად და მოსაწყენ ნაწილებს. ეს, რა თქმა უნდა, მუდმივად ცვალებადი სამიზნეა და ახალი სირთულეები ჩნდება. მაგრამ ჩვენ უკეთ ვართ მომზადებულნი მოწიფული ხელსაწყოებისა და პრაქტიკების დასანერგად, რაც მოდელების შექმნის უფრო მოკლე ციკლებს გამოიწვევს, რაც საბოლოოდ ამცირებს ბაზარზე გასვლის დროს.“ **დოქტორი შონ გიტენსი (Dr. Shaun Gittens)** **ბიოგრაფია:** დოქტორი შონ გიტენსი არის MasterPeace Solutions, Ltd.-ის მანქანური სწავლების შესაძლებლობების დირექტორი. ეს კომპანია სპეციალიზირებულია მოწინავე ტექნოლოგიებისა და კრიტიკულად მნიშვნელოვანი კიბერ სერვისების მიწოდებაში თავისი კლიენტებისთვის. ამ პოზიციაზე ის: **საინტერესო ფაქტი:** „ჩოგბურთის თამაშზე დამოკიდებული ვარ და ანიმეს დიდი ფანი ვარ. 🎾“ **MasterPeace Solutions: ML-ის გავლენა საინჟინრო სფეროებზე** MasterPeace Solutions შუა ატლანტიკის რეგიონში ერთ-ერთ ყველაზე სწრაფად მზარდ მოწინავე ტექნოლოგიურ კომპანიად იქცა. კომპანია ქმნის და ავითარებს პროგრამულ უზრუნველყოფას, სისტემებს, გადაწყვეტილებებს და პროდუქტებს, რათა გადაჭრას სადაზვერვო საზოგადოების წინაშე არსებული ყველაზე მწვავე გამოწვევები. ინჟინერია ფართოა თავისი აპლიკაციებით და მოიცავს მრავალ სფეროს. ამის გათვალისწინებით, ბოლო დროს, ჩვენ ვხედავთ, რომ ML გავლენას ახდენს საინჟინრო ასპექტების ფართო სპექტრზე, აშკარა სფეროებიდან, როგორიცაა რობოტიკა და საავტომობილო ინჟინერია, არც ისე აშკარა სფეროებამდე, როგორიცაა ქიმიური და სამოქალაქო ინჟინერია. ML იმდენად ფართოა თავისი გამოყენებით, რომ მხოლოდ სასწავლო მონაცემების არსებობა, რომელიც შედგება წინასწარ ჩაწერილი შრომითი პროცესებისგან, არის ყველაფერი, რაც საჭიროა იმის მცდელობისთვის...