Разработка проектов ИИ — как должны подготовиться руководители проектов

Послушайте аудиоверсию этой статьи.

Как менеджер проекта, вы, вероятно, участвовали в ряде ИТ-проектов на протяжении всей своей карьеры, от сложных монолитных структур до веб-приложений SaaS. Однако с развитием искусственного интеллекта и машинного обучения на горизонте с большой скоростью появляются новые проекты с различными требованиями и проблемами.

С появлением этих технологий становится все менее «приятно иметь» и вместо этого важно, чтобы руководители технических проектов имели здоровые отношения с этими концепциями. По данным Gartner, к 2020 году ИИ создаст 2,3 миллиона рабочих мест, превысив 1,8 миллиона, которые он сократит, а к 2021 году стоимость бизнеса составит 2,9 триллиона долларов. работает человечество. Это более глубоко, чем […] электричество или огонь».

Поскольку приложения искусственного интеллекта уже революционизируют отрасли, начиная от финансов и заканчивая здравоохранением, технические продакт-менеджеры, которые могут воспользоваться этой возможностью, должны понимать, чем отличается управление проектами ИИ, и как они могут лучше всего подготовиться к меняющейся среде.

Теория

Что все это значит: AI против ML

Прежде чем углубляться, важно иметь четкое представление о том, что такое ИИ на самом деле. Поскольку множество различных терминов часто используются взаимозаменяемо, давайте сначала рассмотрим наиболее распространенные определения.

Искусственный интеллект (ИИ)

ИИ — это область компьютерных наук, посвященная решению проблем, которые в противном случае требуют человеческого интеллекта, например, распознавание образов, обучение и обобщение.

В последние годы этот термин чрезмерно использовался для обозначения искусственного общего интеллекта (AGI), который относится к самосознательным компьютерным программам, способным к реальному познанию. Тем не менее, большинство систем ИИ в обозримом будущем будут тем, что ученые-компьютерщики называют «узким ИИ», что означает, что они будут предназначены для действительно хорошего выполнения одной задачи познания, а не для того, чтобы действительно «думать» самостоятельно.

Машинное обучение (МО)

Машинное обучение — это разновидность искусственного интеллекта, использующая статистические методы, чтобы дать компьютерам возможность учиться на основе данных без явного программирования.

В последние годы ИИ и МО взаимозаменяемо использовались многими компаниями благодаря успеху некоторых методов машинного обучения в области ИИ. Чтобы было ясно, машинное обучение означает способность программы к обучению , в то время как искусственный интеллект включает в себя обучение наряду с другими функциями.

Чтобы узнать больше о нейронных сетях и глубоком обучении, обратитесь к приложению в конце этой статьи.

Важное отличие: искусственный интеллект и стандартные алгоритмы

Ключевым выводом ИИ является то, что его алгоритмы используют большой объем данных для настройки своей внутренней структуры таким образом, чтобы при представлении новых данных они классифицировались в соответствии с предыдущими данными. Мы называем это «обучением» на данных, а не операцией в соответствии с инструкциями по категоризации, строго прописанными в коде.

Представьте, что мы хотим написать программу, которая может отличать автомобили от грузовиков. При традиционном подходе к программированию мы бы попытались написать программу, которая ищет определенные признаки, такие как большие колеса или более длинный корпус. Нам пришлось бы написать код, специально определяющий, как эти функции выглядят и где их следует искать на фотографии. Написать такую ​​программу и заставить ее работать надежно очень сложно, что может привести как к ложным срабатываниям, так и к ложным отрицательным результатам, до такой степени, что в конце концов ее вообще нельзя будет использовать.

Именно здесь алгоритмы ИИ становятся очень полезными. После того, как алгоритм ИИ обучен, мы можем показать ему множество примеров, и он изменит свою внутреннюю структуру, чтобы начать обнаруживать признаки, относящиеся к успешной классификации изображений, вместо того, чтобы полагаться на статические, предписанные определения признаков.

Управление проектами ИИ на практике

Данные — король

Люди плохо справляются с большими объемами данных, и сам объем данных, доступных нам, иногда не позволяет нам использовать их напрямую. Здесь на помощь приходят системы ИИ.

Очень важная концепция систем ИИ заключается в том, что их прогнозы настолько хороши, насколько хороши их данные. Например, алгоритм с миллионом точек данных будет работать лучше того же алгоритма с 10 000 точек данных. Более того, BCG сообщает, что «многие компании не понимают важности данных и обучения для успеха ИИ. Часто более качественные данные важнее для построения интеллектуальной системы, чем более совершенные алгоритмы, точно так же, как воспитание часто перевешивает природу в людях».

Благодаря этим знаниям подготовка и очистка данных станут более распространенными в процессе проекта. Этот шаг часто является наиболее трудоемкой частью создания системы ИИ, поскольку у большинства предприятий нет готовых данных в правильном формате, поэтому аналитикам данных может потребоваться некоторое время, чтобы выполнить этот важный шаг.

Кроме того, задания по настройке инфраструктуры данных и очистке данных являются гораздо более линейными, чем обычная разработка программного обеспечения, и могут потребовать другой методологии управления проектами.

Подводя итог, можно сказать, что создание правильной инфраструктуры данных и подготовка данных для использования может занять гораздо больше времени, чем создание модели машинного обучения для обработки данных. Это важное соображение для менеджеров проектов, поскольку они управляют командами и думают об объеме ИИ и оценках проекта.

Кроме того, набор данных должен постоянно обновляться новыми данными. Доступ к уникальным наборам данных может быть основным решающим фактором, определяющим, какой продукт машинного обучения будет наиболее успешным. Крайне важно быть в курсе этого, чтобы достичь максимально возможной производительности для вашего проекта машинного обучения, даже после запуска.

Жизненный цикл разработки ИИ

Большинство из вас знакомы со стандартным жизненным циклом разработки систем (SDLC), а также с тем, как на него влияют различные методологии и технологии. Важно отметить, что разработка ИИ принесет в эту область новый набор проблем. Мы можем разделить жизненный цикл разработки ИИ на следующие этапы: создание идей и обнаружение данных, определение приоритетов MVP и превращение MVP в полноценные продукты.

Идея и обнаружение данных

На этом первом этапе внимание должно быть сосредоточено на двух ключевых вещах: конечном пользователе продукта машинного обучения и доступных пулах данных.

Подходя к проблеме с двух независимых сторон, эти методы могут помочь менеджеру проекта быстро сузить возможности продукта ML, доступные в компании. На этом этапе ведущие продакт-менеджеры могут извлечь выгоду из своих знаний в области машинного обучения, чтобы лучше понять трудности, с которыми могут быть решены определенные проблемы. В области машинного обучения дела идут очень быстро, и некоторые сложные проблемы можно значительно упростить благодаря новым разработкам в исследованиях.

Как упоминалось ранее, после обнаружения данных их необходимо очистить и подготовить. Эта конкретная задача обычно выполняется линейными шагами, которые не вписываются в типичные проектные методологии, такие как Agile или Waterfall, хотя их можно разбить на спринты. Как правило, очистка данных выполняется итеративно путем постепенного увеличения размера наборов данных и их подготовки параллельно с другими усилиями по разработке.

Приоритизация минимально жизнеспособного продукта (MVP)

Истина о том, что лучше иметь рабочий прототип меньшего продукта, чем незаконченный большой, по-прежнему актуальна для продуктов машинного обучения. Новым MVP ML ​​следует отдавать приоритет в зависимости от скорости доставки и их ценности для компании. Если вы можете поставлять продукты, даже если они меньше по размеру, быстро, это может стать хорошей и быстрой победой для всей команды — вы должны в первую очередь расставить приоритеты в отношении этих продуктов.

Подготовка этих MVP в классическом стиле Agile — хорошая идея, и команда разработчиков должна сосредоточиться на предоставлении моделей ML на основе постоянно улучшающихся наборов данных, подготовленных независимо группой данных. Важным отличием здесь является то, что команда данных не обязательно должна работать через ту же структуру спринта, что и команда, создающая MVP .

От MVP до полноценного продукта

На этом этапе инфраструктура данных становится ключевой. Если вашему продукту машинного обучения требуется высокочастотный доступ к API со всего мира, вам следует подумать о том, как масштабировать инфраструктуру для поддержки продукта машинного обучения.

Именно здесь изменения в модулях машинного обучения должны быть тщательно оценены, чтобы не нарушить производительность текущего продукта. Повторное обучение модулей машинного обучения с использованием новых алгоритмов или наборов данных не всегда приводит к линейному увеличению производительности, поэтому перед развертыванием в реальном времени требуется значительное количество тестов. Тестирование модуля машинного обучения на предмет пограничных случаев и потенциальных атак с использованием генеративно-состязательной сети (GAN) все еще находится в зачаточном состоянии, но руководители проектов определенно должны помнить об этом при запуске продукта машинного обучения в реальном времени.

Ключевые роли в жизненном цикле разработки ИИ

Требования к большим объемам данных при разработке приложений машинного обучения привносят новые роли в SDLC продуктов ИИ. Чтобы стать отличным менеджером проектов в области приложений машинного обучения, вы должны быть хорошо знакомы со следующими тремя ролями: специалисты по данным, инженеры по данным и инженеры по инфраструктуре. Хотя они иногда маскируются под другими названиями, включая инженеров по машинному обучению, инженеров по инфраструктуре машинного обучения или ученых по машинному обучению, важно иметь четкое представление об этих основных позициях и их влиянии на процесс разработки машинного обучения.

Специалист по данным

Специалисты по данным — это люди, которые создают модели машинного обучения. Они синтезируют идеи на основе своего глубокого понимания прикладной статистики, машинного обучения и аналитики, а затем применяют свои идеи для решения реальных бизнес-задач.

Специалистов по данным иногда считают продвинутыми версиями аналитиков данных. Однако специалисты по данным, как правило, обладают сильными навыками программирования, умеют обрабатывать большие объемы данных, которые охватывают центры обработки данных, и имеют опыт в области машинного обучения.

Также ожидается, что они будут хорошо разбираться в инфраструктурах данных и интеллектуальном анализе больших данных, а также смогут самостоятельно выполнять исследовательские упражнения, просматривая данные и находя в них первоначальные подсказки и идеи.

Базовые навыки: Python, R, Scala, Apache Spark, Hadoop, машинное обучение, глубокое обучение, статистика, наука о данных, Jupyter, RStudio

Инженер данных

Инженеры данных — это инженеры-программисты, которые специализируются на создании программного обеспечения и инфраструктуры, необходимых для работы продуктов машинного обучения. Они, как правило, сосредотачиваются на всеобъемлющей архитектуре, и, хотя они могут не быть экспертами в области машинного обучения, аналитики или больших данных, они должны хорошо разбираться в этих темах, чтобы тестировать свое программное обеспечение и инфраструктуру. Это необходимо для того, чтобы модели машинного обучения, созданные специалистом по данным, могли быть успешно реализованы и представлены в реальном мире.

Основные навыки: Python, Hadoop, MapReduce, Hive, Pig, потоковая передача данных, NoSQL, SQL, программирование, DashDB, MySQL, MongoDB, Cassandra

Инженер по инфраструктуре

Инженеры по инфраструктуре заботятся о основе продуктов машинного обучения: уровне инфраструктуры. Хотя инженеры данных могут создавать часть этой инфраструктуры, она часто строится поверх уровня, подготовленного и согласованного командой инфраструктуры.

Инженеры по инфраструктуре могут работать в нескольких командах машинного обучения с целью создания масштабируемой и эффективной среды, в которой приложения машинного обучения могут масштабироваться для обслуживания миллионов пользователей. Инженеры по инфраструктуре не только заботятся о программном уровне платформ, но и координируют свои действия с партнерами по центрам обработки данных, чтобы обеспечить бесперебойную работу всех процессов, от географического расположения размещенных данных до оборудования. Поскольку эти аспекты приобретают все большее значение для проектов машинного обучения, инженеры инфраструктуры становятся все более важными в компаниях, управляемых ИИ.

Основные навыки: Kubernetes, Mesos, EKS, GKE, Hadoop, Spark, HDFS, CEPH, AWS, облачные вычисления, операции центра обработки данных, сквозная вычислительная инфраструктура, ИТ-инфраструктура, управление услугами

Общие проблемы сегодня

Ожидается, что с появлением продуктов на основе ИИ и машинного обучения руководители проектов столкнутся как со знакомыми, так и с совершенно незнакомыми проблемами. Топ-менеджеры прекрасно осведомлены об этих потенциальных проблемах на протяжении всего процесса, от определения проекта до его завершения.

Проверка на практике

Несмотря на популярность и перспективность ИИ, есть большая вероятность, что проблема, которую вы пытаетесь решить, не требует сложного решения ИИ .

Многие проблемы прогнозирования можно решить, используя более простые и, в некоторых случаях, более надежные модели статистической регрессии. Для продакт-менеджера очень важно провести проверку работоспособности перед началом проекта, чтобы убедиться, что проблема действительно требует машинного обучения.

Иногда целесообразно начать с более простой статистической модели и двигаться параллельно с решением, основанным на машинном обучении. Например, если вы создаете механизм рекомендаций, было бы разумно начать с более простого решения с более быстрым жизненным циклом разработки, обеспечивающего хороший базовый уровень, который должна превзойти последующая модель машинного обучения.

Ползучесть прицела ИИ

Наиболее распространенные причины расширения масштабов в проектах машинного обучения связаны с попыткой сделать слишком много вещей одновременно и недооценкой усилий, необходимых для подготовки данных .

Чтобы решить первую проблему, управляйте заинтересованными сторонами, чтобы они поняли, что лучше начать с быстрых побед, чем с грандиозными планами. Постоянно сообщайте об этом подходе на протяжении всего проекта, пока вы строите и тестируете.

Начните с небольших атомарных функций, которые можно легко определить и протестировать. Если вы столкнулись со сложной задачей, попробуйте разбить ее на более простые задачи, которые являются хорошими заменителями вашей основной задачи. Должно быть легко сообщить, для чего предназначены эти задачи.

Например, если вы пытаетесь предсказать, когда пользователь нажмет на определенное объявление, вы можете сначала попытаться предсказать, закроет ли пользователь объявление полностью. При таком подходе проблема упрощается и может быть лучше адаптирована и предсказана текущими моделями машинного обучения. Facebook сделал большую серию статей, в которых более подробно рассматривается эта тема, уделяя больше внимания конвейеру машинного обучения от начала до доставки модели.

Чтобы устранить второго участника расширения масштаба, убедитесь, что вы способны подготовить данные для поддержки ваших проектов машинного обучения. Простое предположение, что у вас есть необходимые данные в нужном формате, является наиболее распространенной ошибкой, которую допускают продакт-менеджеры, когда только начинают проекты машинного обучения. Поскольку подготовка и очистка данных часто являются более длительной частью процесса проекта ML, управление этим этапом имеет важное значение. Убедитесь, что ваш специалист по данным имеет доступ к нужным данным и может проверить их качество и достоверность, прежде чем предлагать функции машинного обучения, которые они хотят создать.

Подготовьтесь к маркировке и очистке данных в качестве непрерывного упражнения на протяжении всего проекта, а не только в качестве инициатора, поскольку проект всегда может извлечь выгоду из более качественных и дополнительных данных. Поскольку этот шаг не является самой увлекательной задачей, разделите эту работу на спринты, чтобы ваша команда данных могла чувствовать прогресс своих усилий, а не сталкиваться с бесконечным портфелем заявок.

Иногда компании передают маркировку данных на аутсорсинг третьим лицам. Хотя это может помочь сэкономить время и первоначальные затраты, это также может привести к получению ненадежных данных, что в конечном итоге помешает успеху вашей модели машинного обучения. Чтобы избежать этого, используйте метод множественного перекрытия, при котором каждый фрагмент данных проверяется несколькими сторонами и используется только в том случае, если их результаты совпадают.

При планировании проекта предоставьте группе данных достаточно времени, чтобы внести коррективы в случае, если ваши требования к маркировке изменятся в середине проекта и потребуется перемаркировка.

Наконец, проверьте, можно ли легко использовать ваши данные с существующими методами ML вместо того, чтобы изобретать новые методы ML, поскольку запуск с нуля может значительно увеличить время и объем проекта. Обратите внимание: если вы пытаетесь решить проблему машинного обучения, которая еще не решена, велика вероятность, что вы потерпите неудачу. Несмотря на успехи машинного обучения и количество опубликованных исследовательских работ, решение проблем машинного обучения может оказаться очень трудным делом. Всегда проще начать с области машинного обучения, в которой есть много хороших примеров и алгоритмов, и попытаться улучшить ее, а не пытаться изобретать что-то новое.

Машинное обучение, ожидания и UX

Каждый проектный менеджер должен быть готов думать о пользовательском опыте создаваемых им продуктов ИИ и о том, как лучше всего управлять командой, которая их создает. Google написал отличную статью о том, как они думают о UX и AI, с акцентом на человеческое взаимодействие.

Этот момент особенно важен, если ваш продукт машинного обучения должен взаимодействовать с операторами или даже быть заменен ими. Дизайн должен доставлять минимально необходимое количество стресса операторам и пользователям системы. Например, чат-боты часто основаны на машинном обучении, но их легко может взять на себя человек-оператор.

Также существует вероятность того, что заинтересованные стороны могут ожидать от продуктов машинного обучения гораздо большего, чем то, что они могут дать. Обычно это проблема, возникающая из-за ажиотажа, созданного средствами массовой информации при написании статей о продуктах ИИ, и поэтому для руководителя проекта важно установить разумные ожидания.

Обязательно объясните заинтересованным сторонам, что на самом деле представляет собой инструмент ИИ и чего он может достичь, чтобы вы могли достаточно хорошо оправдать их ожидания, прежде чем они протестируют инструмент. Хороший UX — это здорово, но он не может принести пользу пользователям с нереалистичными ожиданиями, поэтому важно, чтобы любой участвующий в проекте проектировщик управлял ими и обучал своих заинтересованных лиц ИИ и его реалистичным возможностям.

Обеспечение качества (QA) и методы тестирования в ML

ИИ в его нынешнем виде — относительно новая область. Никогда прежде не было так много приложений, использующих глубокое обучение для достижения своих целей. Эти новые разработки сопряжены с собственным набором проблем, особенно при тестировании.

Хотя относительно легко тестировать стандартное программное обеспечение, имеющее четкий «набор правил», написанный людьми, гораздо сложнее всесторонне протестировать модели машинного обучения, особенно те, которые построены с использованием нейронных сетей. В настоящее время большинство моделей машинного обучения проверяются самими специалистами по обработке и анализу данных, однако существует несколько согласованных методов тестирования со стандартными группами контроля качества, чтобы гарантировать, что продукты машинного обучения не выйдут из строя неожиданным образом.

Благодаря новым способам манипулирования результатами известных моделей, таких как атаки GAN, всестороннее тестирование моделей станет еще более важным. Это станет приоритетом для многих проектов машинного обучения, и в ближайшие годы мы увидим больше тестов типа «интеграция» для моделей машинного обучения. Для большинства простых проектов в настоящее время это может не представлять ощутимой проблемы, но важно помнить об этом, если вы создаете критически важный продукт машинного обучения.

Кража моделей ML и плагиат

Поскольку эта статья Wired была опубликована, а исходный документ был представлен на конференции USENIX Security в 2016 году, стало очевидно, что существует возможность плагиата живой модели машинного обучения.

Это все еще довольно сложно сделать хорошо, но если у вас есть модель, работающая через общедоступный API, важно знать об этой возможности. Теоретически сторона, имеющая существенный доступ к ней, может обучать свою собственную сеть на основе вашей и эффективно копировать ваши возможности прогнозирования.

Это все еще довольно ограничено с точки зрения возможности, но обязательно поработайте со своей командой над стратегией предотвращения возможных атак, если это касается вашего проекта.

Нехватка талантов

При нынешнем спросе на экспертов мирового класса в области искусственного интеллекта конкуренция за подходящие таланты является жесткой. На самом деле, New York Times сообщает, что эксперты по искусственному интеллекту мирового класса могут зарабатывать до 1 миллиона долларов в год, работая в крупных технологических центрах Силиконовой долины. Когда вы как менеджер по проектам ищете экспертов по ИИ для своей команды, помните об этой динамике, поскольку она может повлиять на ваши циклы найма, бюджет или качество выполненной работы.

Эта нехватка распространяется не только на новаторские умы, создающие новые алгоритмы глубокого обучения, но и на высококлассных инженеров по обработке данных и ученых.

Многие из самых талантливых людей участвуют в соревнованиях по машинному обучению, таких как Kaggle, где они могут надеяться выиграть более 100 000 долларов за решение сложных задач машинного обучения. Если трудно нанять специалистов по машинному обучению на месте, разумно искать нестандартные решения, такие как удаленный наем специализированных подрядчиков или проведение собственного конкурса Kaggle для решения самых сложных проблем с машинным обучением.

Правовые и этические проблемы

Юридические и этические проблемы ИИ в управлении проектами двояки.

Первый набор проблем связан с данными, используемыми для обучения моделей машинного обучения. Важно понимать, откуда берутся данные, которые вы используете, и, в частности, есть ли у вас права на их использование и лицензии, которые позволяют вам использовать данные.

Всегда важно проконсультироваться со своими юристами, чтобы решить такие вопросы, прежде чем развертывать модель, обученную на данных, для которых у вас может не быть нужного типа лицензии. Поскольку это относительно новая область, многие из этих ответов неясны, но менеджеры по проектам должны убедиться, что их команды используют только те наборы данных, на использование которых у них есть права.

Вот хороший список общедоступных наборов данных для обучения ваших алгоритмов машинного обучения.

Второй набор проблем связан с обеспечением того, чтобы ваша система не развивала систематическую предвзятость. В последние годы было много случаев таких проблем, когда одна компания-производитель камер была вынуждена признать, что ее технология распознавания улыбки обнаруживает только людей определенной расы, потому что она была обучена только на данных, содержащих лица этой расы. Другой пример произошел от крупной компании-разработчика программного обеспечения, которой пришлось отозвать своего самообучающегося бота в Твиттере после нескольких дней обучения, поскольку совместными усилиями группы интернет-троллей он производил расистские оскорбления и повторял дикие заговоры.

Степень этих проблем может быть незначительной или разрушающей проект, поэтому при разработке критических систем продакт-менеджеры должны убедиться, что они учитывают такие возможности и предотвращают их как можно раньше.

Хороший фундамент ведет к прочным структурам

Таким образом, грядущая революция ИИ порождает ряд интересных, динамичных проектов, которые часто сопровождаются измененным процессом разработки, другим архетипом команды и новыми проблемами.

Ведущие технические менеджеры проектов не только хорошо понимают основы ИИ, но и интуитивно понимают сложность каждого этапа проекта и то, что действительно возможно создать с их командой. Поскольку ИИ не является готовым коммерческим решением (COTS), даже компаниям, решившим приобрести определенные продукты машинного обучения, все равно придется инвестировать в тестирование новых вещей и правильное управление своими данными и инфраструктурой.

Понятно, что типы программных продуктов и процессы их создания меняются с появлением ИИ. Руководители проектов, способные понять и реализовать эти новые концепции, сыграют важную роль в создании продуктов машинного обучения будущего.

Дополнительные материалы от автора

Дополнительная теория: DL и NN

В дополнение к более распространенным формулировкам искусственного интеллекта (ИИ) и машинного обучения (МО) руководителям проектов может быть полезно узнать о дополнительных различиях между глубоким обучением (ГО) и нейронными сетями (НС).

Глубокое обучение (DL)

Глубокое обучение является частью более широкого семейства методов машинного обучения, основанных на представлении обучающих данных, в отличие от классических алгоритмов для конкретных задач.

Большинство современных моделей глубокого обучения основаны на искусственной нейронной сети, хотя они могут использовать и другие методы.

Нейронные сети (NN)

Нейронные сети — это биологически вдохновленные связанные математические структуры, которые позволяют системам ИИ учиться на представленных им данных.

Мы можем представить эти сети как миллионы маленьких ворот, которые открываются или закрываются в зависимости от вводимых нами данных. Успех этих методов был обеспечен ростом вычислительной мощности графических процессоров в последние годы, что позволило нам быстро настроить больше этих «маленьких ворот» внутри нейронных сетей.

Существует несколько типов нейронных сетей, каждый из которых имеет свои особенности использования и уровень сложности. Вы можете встретить такие термины, как CNN (сверточная нейронная сеть) или RNN (рекуррентная нейронная сеть), которые используются для описания различных типов архитектуры нейронных сетей.

Чтобы лучше понять, как они выглядят и функционируют, вот отличная 3D-визуализация того, как нейронные сети «выглядят», когда они активны.

Хотите узнать больше об ИИ?

Если после прочтения этого вы захотите пойти и изучить тему немного глубже, я рекомендую проверить эти источники:

Понимание нейронных сетей

Если вы хотите глубже погрузиться в механику работы нейронных сетей, я предлагаю вам посмотреть серию 3Blue1Brown о нейронных сетях на YouTube. На мой взгляд, это лучшее подробное объяснение нейронных сетей. Он доставляется простыми словами и не требует предварительных знаний.

Будьте в курсе новостей об искусственном интеллекте

Если вы хотите быть в курсе последних достижений в области технологий искусственного интеллекта, не тратя часы на чтение академических статей, я рекомендую следующие двухминутные статьи. Этот канал предоставляет еженедельные двухминутные обновления о самых впечатляющих новых методах искусственного интеллекта и их реализации.

Изучение основ разработки машинного обучения

Если вы когда-нибудь захотите заняться программированием самостоятельно и у вас есть некоторые элементарные навыки работы с Python, вы можете проверить Fast.ai. Их курс позволяет любому, у кого есть базовые навыки разработки, начать экспериментировать и играть с нейронными сетями.

Основы машинного обучения

Это предложение для тех, кто хочет начать с самого начала и проложить себе путь к вершине понимания и внедрения машинного обучения.

Созданный ныне легендарным Эндрю Нг, запустившим Coursera с этим курсом, он требует значительных затрат времени — не менее шести месяцев — но может быть чрезвычайно продуктивным способом провести субботу.

Примечание. Определения ключевых терминов взяты из Википедии.