Сейчас специально прошерстил вакансии в интернете, так что уточню — не такое уж это редкое, но все же исключение. Постоянно проскакивают вакансии, но их на общем фоне мало. Чисто на мой взгляд, тут можно сказать стандартное капитанство — если уже есть чем похвастать в области ML и около него — то смысл пробовать податься на такую вакансию есть, людей с опытом всегда в разогретой области не хватает. Если вы в области новичок — то стоит скорее нацеливаться на стандартный фулл-тайм в офисе.
Скорее на 90% нет, чем да. Если смотреть на более-менее стоящие вакансии, то это либо довольно крупный бизнес, либо исследовательские позиции. В первом случае: а)свои кровные данные какому-то левому Васяну(пусть и хорошему разрабу с впечатляющим рейтингом на Upwork)давать никто не хочет, б)крупняк вообще не любит нанимать фрилансеров; если уж приспичит, то нанимают контору на аутсорс, так легче процессы выстроить. Во втором случае, современные исследования тупо очень тяжело делать в отрыве от коллег, времена гениев-одиночек прошли. Остаются еще 10% вакансий от стартапов и аутсорсных контор, но с ними надо разбираться отдельно с каждым — этих вакансий не очень много, а разброс в требованиях велик.
Интересная статья. В безопасности не шарю(не моя область), так что имею довольно нубский вопрос — а насколько распространено защитное ПО, использующие машинное обучение, и как часто происходят атаки с использованием его же? Плюс, вроде бы спорный момент с соревнованием «снаряд-броня»(конкретно — что «броня» проигрывает). С одной стороны, все верно, сама парадигма машинного обучения предусматривает возможность ошибки. С другой — на практике, серьезные продукты пока выпускают гиганты типа Гугла. Насколько просто хакерской группе обучить хорошую атакующую модель, если Гуглу гораздо легче собирать огромные датасеты, в которых с большей вероятностью будут попадаться всякие левые объекты, и на которых обороняющейся модели легче выучится в правильную сторону?
Эх ты, жаловался, что рубрику прикрыли, а она еще есть оказывается. Такой вопрос к ODS(да и к любому, кто сможет ответить) — я новичок в сфере ML/DL, и интересует меня прежде всего приложения в медицине и биологии. Однако, и в слаке ODS, и на архиве(по русскоязычным авторам), такая тематика представлена заметно слабее, чем все остальное. В России проблемы с наличием спецов?
Большое спасибо ребятам из ODS и за курс, и за такие интервью. И за обзоры научных статей(которых, увы, теперь нет).
К Дмитрию Петровичу вопрос скорее по административной части. Как ему и коллегам удалось договорится с Samsung'ом о создании совместной лаборатории, которая занимается фундаментальными исследованиями, а не прикладными? Это довольно редко встречается, и только у самых крупных «денежных мешков» — Гугла и Майкрософта. Несколько неожиданно видеть появление такой инициативы где-то еще.
Насколько я знаю, там основную идею вообще подсмотрели из физиологии глаза и творчески переработали. Вся сложная математика понадобилась не для самой идеи, а для его математического обоснования и построения вменяемой модели. Так довольно часто бывает в науке в целом — идею вывели эмпирически, но для полноты картины( и воспроизводимости) необходимо описание на математическом языке.
P.S. Да и не надо смущаться математики в машинном обучении, анализе данных и прочем. Тут еще довольно приятные разделы — методы оптимизации, линейная алгебра, теория вероятностей и т.д. Я в минуты похожих сомнений открываю в онлайн-читалке какую-нибудь книжку по абстрактной математике, любуюсь на все эти многообразия над кольцом вычетов с конформным полем Галуа(или что там), и как-то сразу становится мирно на душе).
В общем-то абсолютно все алгоритмы и подходы в машинном обучении родились(хотя бы в качестве концепций) как раз из подобных размышлений, а не из соревнований на каггле. Не очень хорошо пользоваться ими, и считать что ученые ерундой маются. Со сверточными сетями правда хороший пример — пыхтели люди, до ума все доводили, таки довели, получили хороший результат. Но у большого количества людей в голове как-то не откладывается, что прежде чем появилась возможность реализовать эту архитектуру в уютной библиотечке на питоне, её надо было еще придумать.
К Дмитрию Петровичу вопрос скорее по административной части. Как ему и коллегам удалось договорится с Samsung'ом о создании совместной лаборатории, которая занимается фундаментальными исследованиями, а не прикладными? Это довольно редко встречается, и только у самых крупных «денежных мешков» — Гугла и Майкрософта. Несколько неожиданно видеть появление такой инициативы где-то еще.
P.S. Да и не надо смущаться математики в машинном обучении, анализе данных и прочем. Тут еще довольно приятные разделы — методы оптимизации, линейная алгебра, теория вероятностей и т.д. Я в минуты похожих сомнений открываю в онлайн-читалке какую-нибудь книжку по абстрактной математике, любуюсь на все эти многообразия над кольцом вычетов с конформным полем Галуа(или что там), и как-то сразу становится мирно на душе).