Data Science и Cognitive Science, алгоритмы и психология: четвертая промышленная революция

Data Science и Cognitive Science, алгоритмы и психология: четвертая промышленная революция

Андрей Себрант (Яндекс) рассказывает об искусственном интеллекте и будущем.

В чем состоит уникальное отличие Data Science от других наук? Почему для человечества важно, чтобы компьютер научился хорошо играть в го? Нужно ли быть носителем интеллекта, чтобы заниматься интеллектуальным трудом? Ответы на эти вопросы оказываются тесно связаны между собой, и объединяют их резко изменившиеся буквально за последние несколько лет Computer и Data Science. Из этих ответов вытекает и очень прикладное знание: каким специальностям и навыкам уже поздно и бесполезно учиться – а какие умения, наоборот, обещают успешную карьеру. Обо всем этом – с картинками и примерами – мы и поговорим.

Андрей Себрант – директор по маркетингу сервисов Яндекса, кандидат физико-математических наук, автор более 60 научных работ, бессменный главный редактор профессионального журнала «Интернет-маркетинг» с момента его создания в 2001 году, а также автор большого числа публикаций и докладов по интерактивному маркетингу. Регулярно читает лекции на эту тему студентам различных бизнес-школ Москвы. В Яндексе работает с 2004 года.

Подробности: http://techtalks.nsu.ru

E51d363aa46f4d059d54a15e0bcd8e6f?s=128

Tech Talks @NSU

March 25, 2016
Tweet

Transcript

  1. Как строить карьеру во времена четвертой промышленной революции Data Science

    и Cognitive Science, алгоритмы и психология Андрей Себрант Новосибирский Академгородок, 25 марта 2016
  2. Давос, ВЭФ, январь 2016 http://www.weforum.org/agenda/2015/11/what-is-the-theme-of-davos-2016 4 «Earlier Industrial Revolutions advanced

    human progress through new forms of power generation, mass production and information processing. Building on a ubiquitous and mobile internet, smaller, cheaper and more powerful sensors, as well as artificial intelligence and machine learning, the Fourth Industrial Revolution is distinct in the speed, scale and force at which it transforms entire systems of production, distribution, consumption – and possibly the very essence of human nature.»
  3. DeepMind обыграл чемпиона в го https://clck.ru/9mrpn Интервью Саши Крайнова 5

    Сначала европейского, а потом и корейского. Это куда более сложная задача, чем победа Deep Blue над Каспаровым в 1997 году. Пришлось научить машину учиться самостоятельно и выработать интуицию.
  4. Вы читали братьев Стругацких? «Не хватает, скажем, человеку рук –

    он создает себе дубля, безмозглого, безответного, только и умеющего, что паять контакты, или таскать тяжести, или писать под диктовку, но зато уж умеющего это делать хорошо. <...> Настоящие мастера могут создавать очень сложных, многопрограммных, самообучающихся дублей. Такого вот супера Роман отправил летом вместо меня на машине. И никто из моих ребят не догадался, что это был не я. Дубль великолепно вел мой "Москвич", ругался, когда его кусали комары, и с удовольствием пел хором.» «Понедельник начинается в субботу» 1965 год
  5. Мы очень плохо справляемся с простейшими задачками ;) Пожалуйста, быстро

    назовите последовательно месяцы года: 7 январь февраль март… А теперь…
  6. Не всё то интеллект, что требует мозгов Нам бы с

    естественным интеллектом разобраться…
  7. Мы научились создавать дублей в области «умственного труда» Дело в

    том, что мы часто путаем мозг и интеллект, и называем интеллектуальными задачи, которые не требуют, на самом деле, мышления. Яркий пример - задачи классификации. Лягушка легко отличает пролетающую вблизи муху от пролетающего вдалеке самолета, и нас не удивляет, что она обходится без интеллекта. Но почему мы считаем, что для того чтобы отличить полотно Шишкина от полотна Левитана, обязателен интеллект и художественное образование поверх него?
  8. Нейронная сеть A B

  9. 11 Флаг Здание Текст Лицо Автобус

  10. + = + =

  11. Кроме зрения есть слух и речь

  12. None
  13. Распознавание речи Речь Акустическая модель Фонетическая транскрипция Текст Языковая модель

    [й][a][н][д][e][к][с]
  14. Человеческие функции? Нужен ли эксперт-человек, если его компетенции сводятся к

    задачам классификации изображений и звуков? • Атрибуция произведений искусства • Медицинские анализы: гематология, цитология, рентгенология… • Отбор фотографий в шорт-лист на фотоконкурсах • Понимание вопроса позвонившего в колл-центр…
  15. Что еще меняет Data Science и Machine Learning? Модные слова

    – или особенность текущего момента
  16. Традиционный взгляд на науку From ChaosBook.org & Wikipedia 18 “If

    someone could have a sufficient insight into the inner parts of things, and in addition had remembrance and intelligence enough to consider all the circumstances and to take them into account, he would be a prophet and would see the future in the present as in a mirror.” Gottfried Wilhelm Leibniz
  17. Чем отличается Data Science Case Study: Data Science and Machine

    Learning
  18. Data Science != Analytics Классика: › Глубокое понимание › Человеческий

    разум › Построение моделей › Длительный процесс (месяцы и годы) Специфика: › Машинное обучение › Колоссальные вычисления › Алгоритмические прогнозы › Ответ в реальном времени (доли секунды) 20 Чёрный ящик!
  19. Data Science != Analytics 21 Классика: помощник ВМЕСТЕ Специфика: заменитель

    ВМЕСТО
  20. Data Science != Analytics 22 https://hbr.org/2014/08/the-question-to-ask-before-hiring-a-data-scientist/ Классика: Человекочитаемая выдача Специфика:

    Машиночитаемый ответ (API)
  21. Как определить, смотрит ли человек телевизор, если мы знаем только

    то, что он делает в вебе? Case study: Еще одна классификация - поведенческая 23
  22. None
  23. Light TV-viewers: методология 25 Анкетирование пользователей › Анкета TNS (4

    вопроса) › Онлайн- панель OMI › 28’000 чел. Cookie matching OMI-Yandex › Панелисты OMI <-> пользователи Яндекса Особенности поведения людей в интернете › Технология Crypta › 200 факторов поведения людей Чёрный ящик!
  24. Heavy TV viewers Light TV viewers «сбербанк», «коммунальный», «шарлотка», «выкройка»,

    «биглион», «irr», «заработать» «книга», «переводчик», «словарь», «формула», «японский», «французский», «немецкий», «такси» Больше запросов кириллицей Много запросов латиницей
  25. Heavy TV viewers Light TV viewers «тнт», «дом-2», «телепрограмма», «стс»

    «С++», «wi-fi», «фотошоп», «torrent», «adobe»
  26. Heavy TV viewers Light TV viewers «спартак», «цска», «пиво» «загранпаспорт»,

    «авиабилет», «виза», «самолет», «аэропорт», «ржд»
  27. “Any sufficiently advanced technology is indistinguishable from magic.” Arthur C.

    Clarke, 1973
  28. Black Boxes vs. Magic Wands and Canes

  29. Невидимая магия персональных рекомендаций (или манипуляций) Case study Yandex.Music

  30. Технологии таргетинга Чёрный ящик!

  31. Переход от рекламы к продукту Пока еще рекламная коммуникация оказывается

    более технологичной и гибкой, чем сайт или приложение. Но это положение дел уже начинает меняться. Весь интерактивный ответ начинает формироваться алгоритмически.
  32. Smart (AI) algorithms Системы ИИ умеют учитывать сигналы от людей

  33. Зачем нужно машинное обучение Сотни сигналов может обработать только машина

    В традиционном продукте всего понемногу, чтоб нравиться всем Технология Яндекса: MatrixNet Важная разница: персонализация
  34. Можно уйти от «похожести» Традиционные рекомендации опираются на здравый смысл

    и заданные человеком связи и логику Скучное решение: подобие Умная технология: ОТКРЫТИЕ Работает тем лучше, чем больше человеческих сигналов учитывает алгоритм
  35. Удержание на сервисе Яндекс.Музыка 37 1 1,5 2 2,5 3

    апр.13 май.13 июн.13 июл.13 авг.13 сен.13 окт.13 ноя.13 дек.13 янв.14 фев.14 мар.14 апр.14 май.14 июн.14 logged-in no login Launch +19% Черный ящик!
  36. Где это уже работает - рекомендации: • Какую книгу (пост,

    новость) тебе стоит прочитать? – NEW MEDIA • Какую музыку ты хочешь послушать? – NEW MEDIA • Какой товар ты собираешься купить? – E-COMMERCE • С какой девушкой тебя познакомить (или с кем из коллег)? – DATING & NETWORKING • Готов ли ты сменить оператора? – OFFLINE SERVICE • Можно ли тебе дать кредит? – OFFLINE SERVICE 38
  37. Покушение на традиционную науку? Нет, симбиоз с ней! Case study:

    Гиперлокальная Яндекс.Погода 39
  38. Метеум

  39. 80 метеорологических спутников 10 000 профессиональных станций 1 500 радиозондовых

    станций
  40. Метеорологические исследования и прогнозирования +1 … модель 1 -3 0

    модель N
  41. -1 Метеонаблюдения Яндекс.Карты Прогноз МатриксНет Метеорологические исследования и прогнозирования +1

    … модель 1 -3 0 модель N
  42. Психология очень важна! Технологизация коммуникации с людьми – очень тонкое

    дело Лирическое отступление 44
  43. ▌ Вам нравится антиспам на вашем почтовом сервисе? ▌ Вам

    нравится контекстная реклама в личной почте? │ Если ответы на эти два вопроса не совпали, вы непоследовательны. │ Зато похожи на человека ;) г
  44. У алгоритмов свои иллюзии Эту классику мы все знаем А

    вот это ученые только начинают исследовать ;) http://arxiv.org/abs/1412.1897 Black Box!
  45. Важнейшие умения будущего 47 ▌ Работа разных экспертов в единой

    команде: аналитиков, специалистов по общению с алгоритмами, программистов, психологов, творческих людей ▌ Встраивать технологии в продукт так, чтобы технология не была видна, а видная была магия ;) ▌ Умение отличать: какие решения лучше принимает человек, а какие – машина. Иметь мужество делегировать машине, а не только людям. И мудрость никогда не путать два этих класса ;)
  46. Серьезное обстоятельство: Алгоритмы, даже великолепно отвечающие на вопросы, пока не

    умеют вопросы задавать и ставить цели Чёрный ящик!
  47. Домашнее чтение

  48. Про data science и психологию - 1 Эрик Сигель Просчитать

    будущее: Кто кликнет, купит, соврет или умрет Билл Фрэнкс Укрощение больших данных Чарлз Дахигг Сила привычки
  49. Про data science и психологию - 2 Даниэль Канеман Думай

    медленно… решай быстро Нир Эяль, Райан Хувер Покупатель на крючке Paul Zikopoulos et al Big Data Beyond the Hype
  50. А еще есть Telegram ;) 52 @AddMeTo @NeuroScienceRu @TechSparks

  51. Data Science Cognitive Science Психология Три дисциплины, которые определят очень

    многое
  52. Весь рассказ был о массовых сервисах для людей. Но это

    лишь малая часть современного цифрового мира Совершенно необходимое послесловие
  53. Напоминалка от GE

  54. Прогноз от GE

  55. IoT – отдельный мир, и он не про браслеты ;)

    Industrial Internet – это совсем другая история, потенциально с не меньшими последствиями для экономики, чем интернет людей
  56. ШАД в НГУ 58 2013 – запущена на базе ФИТ

    2015 – совместная магистратура 2017 – своя магистерская программа
  57. “When a distinguished but elderly scientist states that something is

    possible, he is almost certainly right. When he states that something is impossible, he is very probably wrong..” Arthur C. Clarke
  58. Спасибо! ;) asebrant@yandex-team.ru +7 (495) 739-7000 @asebrant https://www.facebook.com/asebrant Андрей Себрант