四位经验丰富的专家，他们如何处理人工智能，遇到什么困难以及解决什么任务。
“起初总是令人恐惧，但我从未后悔”
Intento首席技术官Grigory Sapunov
他是初创公司的联合创始人兼首席技术官，负责技术开发，解决方案架构和质量评估，人工智能的应用以及其他技术问题，他参与员工的管理，开发和雇用。旅程的开始。 很难说到底是什么使我成为专业人士：从小就对编程感兴趣。 同时，我对心理学，生物学，数学，无线电电子学感兴趣，阅读了《青年技术员》和《青年自然主义者》杂志。
长期以来，与人工智能相关的一切对我来说都是一种爱好，而不是一种职业。 在某个时候，我意识到这些主题也构成了我工作任务的重要部分。 您可以将此与我2007年到达Yandex的情况进行比较。
第一个困难。 就我而言，过渡是渐进的：我的职业生涯始于各种IT项目，第一个“商业”项目是Perl编写的Moscow Abstracts Collection的搜索引擎。 并非总是能够第一次理解新主题，我不得不重新阅读几本不同的书才能理解某些东西，并且要进行很多实验。
我一再参与全新的项目，一开始我就完全缺乏必要的知识-我必须一路掌握。 起初它总是令人恐惧，但我从未后悔。
为了理解一切工作原理，几乎我总是从最低级别开始编程。 当我更深入地研究AI时，就是使用Brezenham线描算法，Fong或Gouro阴影（当我研究计算机图形时）以及创建一个简单的神经网络，实现支持向量法或遗传算法。 然后我走了很长时间：我不想使用现成的库，而是尝试从头开始编写自己的库。
专业的任务。 人工智能已经成为一种相当通用的技术。 在过去的几年中，在ML或软件工程的帮助下，我和我的同事完成了非常不同的任务：
- 图像识别：来自智能手机摄像机的路标或商店货架上的商品；
- 构造新闻流：将常见主题的新闻聚类，注释结果聚类并突出显示重要事实，按重要性对新闻流进行排名等；
- 教育预测：在不久的将来，哪些学生将放弃在线课程；
- 实时呼叫中心分析：定义电话对话的主题和人们的情感；
- 基因组数据分析：确定染色质的结构；
- 处理文本：在两种不同语言的平行文本之间找到彼此匹配的句子；
- 还有更多:–)
现在，我确定基于人工智能的模型和服务的优缺点。 这有助于选择适合特定业务任务的任务。
未来计划。 我下一步打算做什么？ 我将把自己获得的技能应用于医学和生物学领域，研究自然和人工复杂系统的“心理学”，尝试创建一名AI科学家或至少一名助手来提高效率。 我还计划学习几种新的编程语言：Rust，Swift，Kotlin，Julia或Elixir。 我还将尝试使用基于Jetson Nano，Google Edge TPU或FPGA的人工智能来完成更多硬件项目。
NVIDIA深度学习研发工程师兼经理Dmitry Korobchenko
研发小组的负责人从事图像处理：使用神经网络进行图像处理，计算机图形学，动画和物理模拟。旅程的开始。 在大学学习期间，我很喜欢计算机视觉，因此决定加入莫斯科国立大学计算数学和控制论学院的计算机图形学和多媒体实验室。
大学毕业后在三星工作，我重返计算机视觉：我的第一个项目之一是使用卷积神经网络分析医学图像。 当神经网络在2012年积极推广到其他领域时，我的项目范围大大扩展了。
专业的任务。 作为深度学习研发工程师，我从事研发工作：从创建新算法和进行各种实验到最终产品的实现以及后续优化。 此外，在过去的几年中，我一直在各种其他教育学校开设硕士班，并担任机器学习和神经网络课程的老师。
现在，我的大部分任务都与复杂的数据类型有关-图像，声音，多边形模型，张量数据等。 包括我继续从事计算机视觉的工作：图像分类，对象检测，语义分割； 创建神经网络框架。
未来计划。 我的近期计划是在NVIDIA莫斯科办事处加强专门从事神经网络的研发团队，并继续在人工智能领域的教育领域发展：为讲座，课程和个人YouTube频道提供内容。
“在2000年代初，数据科学家一词还不存在，但实际上我只是这样做了。”
诺华公司数据科学和生物信息学总监Anna Kostikova
他领导一个团队，其任务包括在新药开发中创建个性化药物。 该小组工作的实质是根据对DNA，蛋白质和患者临床数据的数字信息的分析来开发和选择药物。 为此，Anna和她的团队使用了机器学习，生物信息学和统计学。
旅程的开始。 在2000年代初，数据科学家一词还不存在，但实际上我只是这样做了。 例如，在大学里，我找到了一份副业，必须收集数据库数据，提出结构并使其能够使用数据库。 我在具有512 MB RAM和1 GB硬盘空间的计算机上的MS Access中所做的所有事情：–）
第三年，我在一家非营利性公司实习，他们在那里从事空间图像分析。 那时我首先尝试使用神经网络，未经训练的分类以及模糊逻辑等。 然后，具有4 GB RAM的计算机可谓是一个奇迹，而且我们没有在周末关闭计算机-因此当我们休息时它们可以“计数”。
第一个困难。 2014年，我第一次与官方“职称”数据科学家合作。 然后我在Booking.com找到了一份工作，发现以工业规模在该领域工作是什么样的：拥有数十亿行的数据样本。
在任何领域，头两年都是最困难的：对于您来说，所有术语都是新术语，尚不清楚什么是重要的，什么不是。
学习新事物始终是一个S型函数：当您似乎永远无法理解时，您必须克服第一个平稳期。 例如，在瑞士的一所研究生院，我需要学习如何分析基因组数据并编写用于大规模分析的Perl脚本。 那时我什么都不知道，但是不知何故我就出去了。 最主要的是不要害怕尝试。
专业的任务。 在我的实践中，有许多不同的任务：从分析WWF的卫星图像到优化喜力啤酒的酿造过程，从预测Booking.com的互联网用户行为到预测诺华的毒品运营。
我目前在诺华公司担任数据分析和生物信息学总监。 我也有自己的癌症诊断公司。 我真的很想充分利用用于医疗保健和医学的数据科学和机器学习-从药物开发到诊断。 我相信，在未来20至50年中，全球分析人员的大部分工作将致力于解决生物医学问题，改变人类的生活质量，而不仅仅是在互联网和生产中进行优化。
“那我确定我已经知道了一切，尽管我仍然一无所知”
MTS人工智能中心NLP团队负责人Nikita Semenov
他领导NLP团队，处理与自然语言处理和理解相关的所有事宜。
旅程的开始。 甚至在开学的头几年，我就开始有选择地学习机器学习：我学习了“计算机安全”专业，但是逐渐地，我意识到我不想将自己的生活与之联系起来。 我的主管毕业于米兰理工大学，拥有计算机科学课程，然后我们与他一起开发了可选的机器学习课程。 那时不存在类似的术语，在全世界范围内，他们仅谈论我们学习的静态学习的要素。 不幸的是，在俄罗斯，仍然没有有关计算机科学的此类程序。
仅凭机器学习的特性，高中毕业后就很难找到工作-这个领域才刚刚出现。 因此，我去了一家小型初创公司，该公司从事对上下文广告网站（如Google AdWords）进行自动出价的工作。 我的首要任务是开发一种基于统计数据和目标预测能力的机制，以便我们始终不必出价第一，而第二或第三，这些行也显示在SERP的顶部，但价格便宜得多。 然后我确定我已经知道了一切，尽管我仍然什么都不知道。
第一个困难。 软技能给我带来了很大的困难：有必要向不了解我的领域的人们解释我在做什么，这意味着什么，如何解释，如何解释以及会产生什么样的影响。 那时，同伴学习过程尚未成为主流，因此与团队互动非常困难。 我不断地练习：我试图传达自己的想法，甚至向团队解释最简单的指标。 我认为，如果我现在才刚刚开始我的职业生涯，我将无法在交流中投入太多精力-几乎没有人问这样的问题。
硬技能没有问题：然后我的任务是基于统计学训练和数学，而我对此非常精通。 尽管如此，我还是会读书：在Data Sience中，您需要不断发展以了解工具和趋势。 总的来说，我所有的工作经历都是一大挑战。 每个地方都需要新的工具和知识，因此始终有必要独立开发。
在一家初创公司工作之后，有一家公司成为了我的第一位数据科学家和研发部：我帮助建立了第一个分析工具，从事计算机视觉和基于太空卫星数据的预测模型的构建。
专业的任务。 在MTS中，我曾担任高级计算机视觉工程师的职位，然后成长为两个团队的团队负责人。 对我来说，提升软技能尤为重要，因为团队领导者是一名在场教练。 如果我们谈论任务，那么我将在这里进行与自然语言的处理和理解有关的所有事情。 现在，这是一种趋势，它设定了旨在简化未来人的生活的新趋势。
随着时间的流逝，我意识到学科领域并不会对您的知识领域产生太大的影响。 就我而言，主题领域始终会影响如何处理数据并将其应用于任何解决方案。 而且方法始终保持不变。 而且，在学科领域中，专家们提出了一种创新的解决方案，例如计算机知识，随着时间的流逝，它又渗透到其他领域。 在这方面，区域之间的线逐渐被擦除，进场和基地变得相似。
我们领域的主要问题是它的发展非常不平衡。 让我举一个例子：在数据科学中，所有事情都可以在很长一段时间内保持平静，然后有人迅速提出解决方案，并且在短时间内，这些突破性的事情成为了所有人的标准。 就工作而言，这同时是好事与坏事：一方面，您不断提高技能，并且“运行”速度比其他方法快10倍，另一方面，您的工作状况也在不断变化。
未来计划。 到目前为止，我还不了解我要进一步发展的领域。 我想更深入地研究我现在正在做的事情。
来自Netology的编辑
大多数经验丰富的AI专业人员通过以下两种方式之一进入该行业：
- 从另一个活动领域转移到专业领域；
- 在IT的其他专业工作，并在某些时候投入到与人工智能和数据分析有关的任务中。
无论如何，即使是经验丰富的专家，也在不断学习新事物，研究有用的资源和文章，并参加高级培训课程。
尽管俄罗斯大学尚未实施适当的教育计划，但如今成为一名数据科学家比在本文中成为英雄更容易。
如果您对人工智能，机器学习和分析领域感兴趣，我们邀请您学习我们的“
深度学习 ”和“
机器学习 ”
课程 。