Տվյալների գիտություն (Data Science) և արհեստական բանականություն (AI)
Տվյալների գիտության և արհեստական բանականության ոլորտը շարունակում է մեծ թափով զարգանալ ու գրավել շատերին։ Հետևելով ոլորտի համաշխարհային զարգացումներին՝ ավելի շատ մարդիկ են տարվում սեփական համակարգ ստեղծելու մտքով, որն օժտված կլինի արհեստական, բայց անընդհատ կատարելագործվող բանականությամբ։
Ոչինչ հեշտ չի տրվում. նպատակին հասնելու ու պահանջված մասնագետ դառնալու համար պետք է հաղթահարել բազմաթիվ խոչընդոտներ, նույնիսկ անհնարին թվացողները։ Հիշե՛ք, ոչ մի նորամուծություն ինքնին չի ստեղծվել, այն առաջացել է մտքի անծայրածիր թռիչքի ու քրտնաջան աշխատանքի շնորհիվ։
Դուք հավանաբար լսել եք տվյալների գիտություն, մեքենայական ուսուցում, արհեստական բանականություն և շատ այլ տերմինների մասին: Բայց, թե իրականում ինչ են նշանակում այս տերմինաբանությունները, ոչ բոլորը գիտեն:
Չնայած, որ տվյալների գիտություն (Data Science), արհեստական բանականություն (AI) և մեքենայական ուսուցում (Machine learning) հասկացությունները նույն տիրույթում են և կապված են միմյանց հետ, դրանք ունեն իրենց հատուկ կիրառություններն ու իմաստը: Այս տիրույթներում երբեմն կարող են լինել համընկնումներ, բայց, ըստ էության, յուրաքանչյուրն ունի իր յուրահատուկ օգտագործումը:
Ի՞նչ է տվյալների գիտությունը (Data Science)
Data Science-ը տվյալների համակարգերի (systems) և գործընթացների (processes) ուսումնասիրության լայն ոլորտ է, որն ուղղված է տվյալների հավաքագրմանը, պահպանմանը, դրանց միջոցով վերլուծությունների կատարմանը:
Տվյալագետները (Data scientists) օգտագործում են գործիքների (tools), ծրագրերի (applications), սկզբունքների (principles) և ալգորիթմների համադրություն՝ պատահական տվյալների կլաստերներն (clusters) իմաստավորելու համար: Քանի որ այսօր գրեթե բոլոր կազմակերպություններն ամբողջ աշխարհում տվյալների մեծ (exponential) քանակ են ստեղծում, դժվար է դառնում վերահսկել և պահպանել այդ տվյալները: Data Science-ը կենտրոնանում է տվյալների մոդելավորման և տվյալների պահեստավորման (warehousing) վրա`անընդհատ աճող տվյալների բազաներին հետևելու համար: Data Science applications-ի միջոցով արդյունահանվող տեղեկատվությունն օգտագործվում է բիզնես գործընթացները ղեկավարելու և կազմակերպչական նպատակներին հասնելու համար:
Տվյալների գիտությունը ճյուղավորվում է այնպիսի ոլորտների, ինչպիսիք են վիճակագրությունը (statistics), հաշվողականությունը (computing), մաթեմատիկան, ծրագրային ապահովման նախագծումը (software development), ML- ը և շատ ավելին:
Իսկ ի՞նչ պետք է ուսումնասիրել տվյալագետ (data scientists) դառնալու համար։
Դա այդքան էլ պարզ չէ, որովհետև այս բնագավառում ուսումանասիրության մեկ ոլորտ նշելը ճիշտ չէ: Ոլորտի մասնագետները կարող են ունենալ տարբեր մասնագիտություններ, ինչպիսիք են վիճակագրությունը, համակարգչային գիտությունը, մաթեմատիկան, ծրագրային ապահովման նախագծումը (software development) կամ նույնիսկ բոլորի միախառնումը, բայց ոչ հատուկ գիտության որևէ ոլորտ:
Ի՞նչ է արհեստական բանականությունը (AI)
Տվյալների գիտության, AI-ի վերաբերյալ ցանկացած քննարկում պետք է ներառի նաև մեքենայական ուսուցում: Մեքենայական ուսուցման և արհեստական բանականության միջև կապն այն է, որ առաջինը երկրորդի ենթախումբն է: Երկուսի միջև եղած տարբերություններն ու նմանությունները հասկանալու լավագույն եղանակը մեքենայական ուսուցումն արհեստական բանականության վաղ փուլ համարելն է:
Թեև արհեստական բանականության ոչ բոլոր փորձագետներն են համաձայն, բայց «արհեստական բանականության» հիմքում «մտածողության մեքենա»-ն է : Մենք չենք խորանա «մտածողության» փիլիսոփայության մեջ, բայց, եթե օգտագործում ենք մարդկային ուսուցումը որպես մոդել, ապա ավելի հստակ պատկեր է ի հայտ գալիս մեքենայական ուսուցման և AI-ի միջև:
Մեքենայական ուսուցումը կարելի է համեմատել մանկապարտեզի ուսուցման հետ, այսինքն սովորում եք պիտակավորել և դասակարգել յուրաքանչյուր առարկա: Այս գործընթացը սկսվում է՝ մատնացույց անելով առարկան և անվանակոչելով այն, այնուհետև անցնում ենք չպիտակավորված կամ չսահմանված օրինակների միջով, օրինակ ՝ «գտեք X-ին և Y-ին պատկանող բոլոր իրերը»: Երբ քննություն եք հանձնում կամ հանձնարարություն եք կատարում, ձեր ուսուցիչների պատասխանը, ինչպես նաև ձեր գնահատականը, օգնում են հասկանալ (հուսով եմ) տիրապետել եք նյութին, թե ոչ: Շատ ազատ իմաստով սա ևս մեկ զուգահեռ է մեքենայական ուսուցմանը:
Արհեստական բանականություն սովորելիս ձեզանից ակնկալվում է որևէ նոր բան ստեղծել: Մոտավորապես այսպես. ստեղծել սեփական ալգորիթմները և ընդունել որոշումներ`հիմնված մուտքային տվյալների վրա՝ առանց մարդկային օգնության: Ըստ էության, արհեստական բանականությունը կսովորի շրջակա միջավայրից և կապ կհաստատի նրա հետ թվային հետադարձ կապի միջոցով:
Ոլորտներ, որտեղ տվյալների գիտությունը և AI-ն հատվում են
Դուք, ամենայն հավանականությամբ, ամեն օր օգտագործում եք AI-ի ներկայիս իտերացիան (iteration)՝ ձեր «smart» հեռախոսը: Եթե երբևէ օգտվել եք Siri-ից, Alexa-ից, Pandora-ից կամ Netflix-ից, ապա գիտակցում եք, որ բոլորը կիրառում են արհեստական բանականություն:
Չնայած այն գիտելիքներին, որոնք ձեռք ենք բերել մարդկային վարքագիծը և ճանաչողությունը ուսումնասիրելիս, մենք ամբողջովին կանխատեսելի էակներ չենք. եթե մենք այդպիսին լինեինք, ապա ֆինանսական շուկաները շատ ավելի հեշտ կլինեին կանխատեսել, քան ներկայումս են: Այստեղ տվյալագետները վճռորոշ դեր են խաղում արհեստական ինտելեկտի ֆունկցիոնալության բարելավման գործում:
Տվյալների գիտության դաշտ մուտք գործելիս կնկատեք, որ շատ գործատուներ (Google-ից, Facebook-ից, Amazon-ից, Apple-ից և այլ խոշոր տեխնոլոգիական ընկերություններից) դեռևս վստահ չեն, թե ինչ է անում տվյալագետը կամ ինչ անել՝ ընկերության եկամուտը բարձրացնելու համար: Որպես տվյալագետ, դուք ոչ միայն վերլուծում եք տվյալները, այլև կառուցում եք կանխատեսող մոդելներ, այնուհետև մշակում այն ալգորիթմները, որոնք այդ մոդելները դնում են ակտիվ վիճակի: Հետևաբար, մեքենայական ուսուցումը տվյալների գիտության հմտությունների հավաքածու է, և քանի որ մեքենայական ուսուցումը արհեստական բանականության ենթաբազմություն է, ապա ռիսկային չէ ասելը, որ դուք ի վերջո կլինեք արհեստական բանականության հետազոտությունների և գործնական կիրառման առաջին պլանում:
Սա հաշվի առնելով ՝ յուրաքանչյուր արդյունաբերություն ձգտում է ներառել AI: Հիշեք, որ արհեստական բանականությունը հաճախ օգտագործվում է որպես կանխատեսող վերլուծության (predictive analytics) հոմանիշ: Անկախ նրանից, թե որքան «խելացի» է դառնում արհեստական բանականությունը, և ոմանք կանխատեսում են, որ այս թվային հետախուզության օրգանական արդյունքը լինելու է «ինքնագիտակցությունը», սակայն այն չի պարունակում բոլոր երանգները, որոնք բնորոշ են մարդկայինին: Եթե նույնիսկ արհեստական ինտելեկտի ինքնագիտակցությունը կյանքի կոչվի, միևնույն է տեխնոլոգիական գործիքները պետք է շարունակեն լրացնել մարդկային գործունեությունը, այլ ոչ թե առաջ անցնեն:
«Մեքենայական ուսուցում» հասկացությունը գոյություն ունի առնվազն 1950-ականներից, սակայն որոշ հեղինակներ մեկնարկի ամսաթիվը նշում են Թյուրինգի թեստի ստեղծման ժամանակը։ Որոշ ոլորտներ ավելի դանդաղ են գործել տվյալների գիտության և արհեստական ինտելեկտի ընդունման մեջ, իսկ մյուսները երկու ոտքով թռիչք են կատարել (հիմնականում տեխնոլոգիական հսկաները): Ստորև դուք կգտնեք հակիրճ նկարագրություն այն մասին, թե ինչպես են մի քանի ոլորտներ իրականացնում կամ նախատեսում իրականացնել AI:
Ֆինանսական ծառայություններ
Կիբերանվտանգությունը հսկայական խնդիր է ամբողջ աշխարհում, և հաքերների (hacking) հիմնական թիրախներից մեկը ֆինանսական ծառայությունների արդյունաբերությունն է:
Տրիլիոնավոր դոլարներ են հոսում բանկերի և վճարային համակարգերի միջոցով, իսկ խիստ զգայուն անձնական տվյալները պահվում են ամբողջ աշխարհի տվյալների բազաներում: Թվային համակարգերը սպառողների համար ավելի դյուրին են դարձրել իրենց վաստակած գումարները ձեռք բերելն ու ներդնելը, իսկ հաքերներին՝ գողանալ փողերը կամ տվյալները, որոնք կարող են օգտագործվել իրենց չար մտադրությունների համար: Ցավոք, հաքերները ևս կարող են ստեղծել AI ՝ կիբերանվտանգության AI-ին հակազդելու համար:
Որպես ֆինանսական ծառայությունների արդյունաբերության տվյալների գիտնական, դուք կարող եք կառուցել խելացի համակարգ, որը հայտնաբերելու է մարդու ներթափանցումը ընդդեմ արհեստական բանականության այլ համակարգի, այնուհետև ինքնաբերաբար կողպելու է հաշիվը կամ համակարգը, նախքան հաքերային հարձակումը տեղի կունենա: Սա անորոշ սցենար է, քանի որ գործարքների հոսքը ամբողջությամբ խաթարելը հեռու է իդեալական իրավիճակից: Այսպիսով, ավելացված մարտահրավերը կիբերգողությանը խոչընդոտելն է ՝ միևնույն ժամանակ պահպանելով ամբողջ համակարգի սովորական աշխատանքը:
Մատակարարման շղթա (Supply Chain), լոգիստիկա և արտադրություն (manufacturing)
Ռոբոտաշինությունն արդեն օգտագործվում է արտադրության մեջ, և դա այդպես էլ կշարունակվի: Երբ առանց վարորդի մեքենայի խնդիրները լուծվեն, հաջորդ քայլը, որը լոգիստիկ ընկերությունների կողմից ուշադիր կքննարկվի, ավտոմատ առաքումն է: ԱՄՆ-ում դեռ բեռնատարի վարորդի պակաս կա, մինչդեռ սպառողները և ընկերությունները շարունակում են կանոնավոր կերպով առաքվող ապրանքների կարիքը ունենալ: Առաջարկի և պահանջարկի վրա ազդում են գնագոյացման մակարդակները, ուստի փոխադրման ծախսերի աճը ընդհանուր առմամբ բերում է ապրանքների գների բարձրացման: Արհեստական բանականությունը կարող է կենսունակ լուծում լինել ծախսերի նվազեցման համար, եթե այն կարողանա անվտանգ ճանապարհորդել հսկայական մեքենայով երկար հեռավորությունների վրա՝ անկախ եղանակից և վարորդների անկանխատեսելի բնույթից (օրինակ՝ շատ արագ կամ շատ դանդաղ վարելը):
Տվյալների գիտության և AI- ի ուսումնասիրություն
AI-ն հիմնված է հետազոտությունների վրա: Ոչ ոք իսկապես չգիտի, թե ինչ կարող է անել: Իրականում, սև արկղի խնդիրը (black box problem) շարունակական խնդիր է (արհեստական բանականություն ստեղծող ալգորիթմներ, որոնք տվյալագետներ և այլ փորձագետներ չեն կարողանում պարզել), որը պետք է լուծենք՝ նախքան մարդու կյանքի ամեն հնարավոր ասպեկտը սանձազերծելը:
Գիտության այս ճյուղը բավականին ծավալուն է ու բարդ, և դժվարություններից մեկն էլ մաթեմատիկան է։ Բազմաթիվ ոգեշնչված ուսանողներ հնարավորություն չունեն զբաղվել արհեստական բանականության հետաքրքրաշարժ խնդիրներով, խորանալ մեքենայական ուսուցման ալգորիթմների մեջ հենց մաթեմատիկական գիտելիքների պակասի պատճառով։ Եթե գծային հանրահաշիվը, հավանականությունների տեսությունը, մաթեմատիկական անալիզը և դիսկրետ մաթեմատիկան ձեր ուժեղ կողմը չեն, ապա պլանավորեք դրանք ավելացնել ձեր ուսումնական ծրագրին:
Եվ այսպիսով, Code Republic֊ը հնարավորություն է ընձեռում դառնալ այն մեկը, ով կկարողանա ստեղծել այնպիսի համակարգ, որը ոչ ոքի դեռ չի հաջողվել։ Շա՜տ շուտով մեկնարկելու է նոր դասընթաց․ «Տվյալների գիտություն և արհեստական բանականություն» թեմայով, որին կարող եք ծանոթանալ այստեղ․
Code Republic-ը ծրագրավորման գիտահետազոտական կենտրոն է, որն ունի նաև ուսումնական բաժին։ Ուսումնական բաժնում խմբավորում ենք խորացված ծրագրավորումը մաթեմատիկայի, ֆիզիկայի և ինժեներության հետ։
Մենք ջանք ու ժամանակ չենք խնայում և ստեղծում ենք այնպիսի որակյալ նյութեր, որոնք ցույց են տալիս ծրագրավորման իրական կողմը` արվեստը: Առայժմ դա ստացվում է, իսկ պատճառը պարզ է.
մենք սիրում ենք այն, ինչ անում ենք։
Ձգտում ենք ունենալ ծրագրավորման, մաթեմատիկայի, ֆիզիկայի և ինժեներության խորացված լավագույն դասընթացները և վարձավճարը սահմանել ամսական հնարավոր նվազագույնը` 42 000 դրամ։ Խոստանում ենք երբեք չթանկացնել, իսկ շատ ու շատ անվճար դասընթացներ էլ տեղադրել YouTube-յան մեր ալիքում, այստեղ՝
Բոլոր ցանկացողները կարող են ստեղծել և տեղադրել նոր դասընթացներ, կամ, ինչու ոչ, գրել հայալեզու հոդվածներ Medium-ում։ Համագործակցության համար գրեք մեզ contact@coderepublic.am հասցեով։ Եվ, իհարկե, հետևեք մեզ այլ սոց. ցանցերում. Facebook, Instagram, Telegram, և որ ավելի կարևոր է՝ LinkedIn, տեղադրում ենք միայն օգտակար նյութեր։
Ջանք ու եռանդ չենք խնայում լուծելու երկրում գլխավոր խնդիրներից մեկը՝ որակյալ ծրագրավորող-ինժեներների կրթումը։ Ժամանակատար է, դժվար է, բայց կանգ չենք առնում։
Ընտրել ենք բա՛րդ ճանապարհը
