I. Общие положения.
Цель должности.
Удовлетворение потребностей компании в квалифицированном персонале. Обучение персонала.
Порядок назначения и освобождения от должности.
Специалист по обучению персонала назначается на должность и увольняется приказом Генерального директора (первого руководителя) компании.
Подчинение.
Специалист по обучению персонала подчинен Генеральному директору (первому руководителю компании).
В своей деятельности руководствуется:
· Корпоративным кодексом
· Настоящей должностной инструкцией
· Трудовым контрактом
· Обязательством о неразглашении коммерческой тайны
· Распоряжениями руководства
Критерии эффективности труда:
· Своевременное и качественное выполнение должностных обязанностей,
· предусмотренных настоящей должностной инструкцией
· Достижение поставленных целей
II а. Должностные обязанности:
Функции
Основные функции
1.1 Методическое обеспечение, организация и проведение регулярных работ по следующим направлениям:
· Психодиагностика профессионально – важных качеств, личностных особенностей, анализ психофизиологического состояния сотрудников.
· Формирование и развитие необходимых качеств сотрудников в процессе проведения тренингов, семинаров и т.д.
· Психологическое консультирование сотрудников по профессиональному использованию и развитию индивидуальных способностей.
· Социально – психологическое изучение, анализ коллективной и индивидуальной деятельности сотрудников.
1.2 Оказание помощи руководителям направлений и объектов в решении социальных и психологических проблем развития коллективов:
· Изучение причин конфликтов
1.3 Разработка и проведение обучающих тренингов для рядового персонала компании:
1.4 Работа по подбору, формированию резерва кадров:
· Тестирование профессиональных и личностных качеств кандидатов
· Формирование и развитие необходимых профессионально – важных качеств.
· Проведение обучающих мероприятий: организация тренингов, семинаров и т.д.
1.5 Оказание помощи руководителям отделов и филиалов в решении социальных и психологических проблем развития коллективов:
· Изучение причин конфликтов.
· Предотвращение и разрешение конфликтных ситуаций
· Консультации по стилю деятельности специалистов
1.6 Анализ причин текучести кадров, подготовка предложений по принятию мер, способствующих адаптации новых сотрудников, разработка и проведение адаптационных программ.
1.7 Обеспечение регулярной отчетности перед руководством о выполненных работах, составление архивов и формирование компьютерного банка данных по результатам проведенных психологических исследований.
1.8 Планирование профессиональной деятельности на год и квартал.
1.9 Соблюдение профессионально – этических норм менеджера по персоналу, сохранение личных тайн при сообщении результатов индивидуальных психологических исследований.
Дополнительные функции
1. Выполнение социально – психологических работ по заданию руководства.
2. Эргонометрическое консультирование и подготовка рекомендаций по организации рабочих мест и условий труда для различных категорий работников.
II б. Должен знать:
1. Психологические методики, обеспечивающие диагностику качеств личности.
2. Принципы построения и проведения тренинговых, аттестационных, адаптационных мероприятий.
3. Методы обработки полученных данных.
4. Основы работы с ПК.
II в. Должен уметь:
1. Разработать и провести тренинг, аттестацию, консультацию.
2. Предотвращать и оптимально разрешать конфликтные ситуации.
3. Анализировать причины текучести кадров.
4. Составить планы работы на год, квартал.
III. Права.
Специалист по обучению персонала имеет право:
1. Знакомиться с проектами решений руководства организации, касающимися деятельности отдела по работе с персоналом.
2. Присутствовать на заседаниях, собраниях организации (структурного подразделения) по вопросам деятельности организации (структурного подразделения). Участвовать в обсуждении вопросов относительно исполняемых обязанностей.
3. Вносить на рассмотрение руководителя организации предложения по улучшению деятельности структурного подразделения, варианты устранения имеющихся в деятельности организации недостатков.
4. Осуществлять взаимодействие с сотрудниками всех структурных подразделений.
5. Запрашивать лично или по поручению руководителя организации от иных структурных подразделений информацию и документы, необходимые для выполнения его должностных обязанностей.
6. Привлекать специалистов всех структурных подразделений к решению задач, возложенных на структурнее подразделение (если это предусмотрено положениями о структурных подразделениях, если нет – то с разрешения руководителя организации).
7. Требовать от руководителя структурного подразделения оказания содействия в исполнении должностных обязанностей, возложенных на него, и в реализации прав, предусмотренных настоящей должностной инструкцией.
8. Действовать от имени структурного подразделения и представлять его интересы во взаимоотношениях с иными структурными подразделениями организации в пределах своей компетенции.
IV. Ответственность.
Вообще говоря, Data Science - это набор конкретных дисциплин из разных направлений, отвечающих за анализ данных и поиск оптимальных решений на их основе. Раньше этим занималась только математическая статистика, затем начали использовать машинное обучение и искусственный интеллект, которые в качестве методов анализа данных к матстатистике добавили оптимизацию и computer science (то есть информатику, но в более широком смысле, чем это принято понимать в России) .
А чем занимаются ученые из этой сферы?
Во-первых, программированием, математическими моделями и статистикой. Но не только. Для них очень важно разбираться в том, что происходит в предметной области (например, в финансовых процессах, биоинформатике, банковском деле или даже в компьютерной игре), чтобы отвечать на реальные вопросы: какие риски сопровождают ту или иную компанию, какие наборы генов соответствуют определенному заболеванию, как распознать мошеннические транзакции или какое поведение людей соответствует игрокам, которых надо забанить.
Специалисты по изучению данных (data scientist)
Основные задачи Data Scientist:
- умение извлекать необходимую информацию из разнообразных источников
- использовать информационные потоки в режиме реального времени
- устанавливать скрытые закономерности в массивах данных
- статистически анализировать их для принятия грамотных бизнес-решений.
Основное отличие специалистов по изучению данных от, например, аналитиков, - это умение видеть логические связи в системе собранной информации, и на основании этого разрабатывать те или иные бизнес-решения. Специалисты по изучению данных собирают информацию, строят модели на ее основании и активно применяют количественный анализ .
Именно это редкое сочетание компетенций определяет зарплату специалиста по изучению данных: в США она составляет $110 тыс. - $140 тыс. в год. "Эта вакансия становится все более востребованной,- отмечает на страницах IT World Лора Келли (Laura Kelley), вице-президент агентства по ИТ-консалтингу и подбору персонала Modis (США). - Компании уделяют все больше внимания информации и приложениям. Им требуются специалисты, способные управлять большим количеством данных`.
Майкл Раппа (Michael Rappa), директор Института аналитики в Университете Северной Каролины, вместе со своими коллегами уже 6 лет разрабатывает курс, на котором будут готовить специалистов по изучению данных. "Эти специалисты должны уметь извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени, и анализировать ее для дальнейшего принятия бизнес-решений, - говорит он. - Дело не только в объеме обрабатываемой информации, но также в ее разнородности и скорости обновления".
Компании, которые пытаются решить эту задачу силами специалистов по статистике, компьютерных или бизнес-аналитиков, не добиваются нужного результата. Необходимо объединить все эти навыки в одном человеке. Например, бизнес-аналитики воспринимают такие показатели, как разработка и менеджмент продукта, но не способны анализировать и адекватно интерпретировать данные. Математикам и специалистам по статистике недостает знаний в области бизнеса. Именно поэтому, по мнению Раппы, специалистам по изучению данных требуется междисциплинарное образование – они должны уметь решать бизнес-проблемы и составлять информационные модели.
100% выпускников разработанного Институтом аналитики курса для специалистов по изучению данных получили предложения о работе еще до того, как завершили обучение. Раппа также отмечает, что сама специальность - специалист по изучению данных - звучит более привлекательно, чем `специалист по статистике` или `компьютерный аналитик`.
Почему Data Scientist сексуальнее, чем BI-аналитик
В связи с ростом популярности data science (DS) возникает два совершенно очевидных вопроса. Первый – в чем состоит качественное отличие этого недавно сформировавшегося научного направления от существующего несколько десятков лет и активно используемого в индустрии направления business intelligence ()? Второй - возможно более важный с практической точки зрения - чем различаются функции специалистов двух родственных специальностей data scientist и BI analyst? , на эти вопросы отвечает журналист Леонид Черняк.
2019: IBM запустила сертификацию специалистов по данным
2017: Высшая школа экономики будет обучать Data Culture на всех программах бакалавриата
Data Culture – это общий термин для обозначения навыков и культуры работы с данными. Высшая школа экономики считает, что запуск проекта, направленного на воспитание у студентов таких навыков, сейчас актуален из-за огромного потенциала использования больших данных и трансформации профессий, которые, так или иначе, используют или могут использовать большие массивы информации. Потребность рынка в специалистах с компетенциями по анализу данных, перерастает в необходимость воспитания во всех предметных областях профессионалов, понимающих возможности и ограничения массивов данных, потенциал и особенности методов машинного обучения , а в ряде направлений и умеющих пользоваться этими технологиями и инструментами.
Проект Data Culture станет продолжением интеграции в образовательные программы НИУ ВШЭ элементов, направленных на воспитание у студентов культуры и умений работы с данными. Он расширит возможности студентов уже абсолютно всех образовательных программ по формированию компетенций, связанных с Data Science. Это позволит выпускникам в перспективе быстро и эффективно интегрироваться в решение профессиональных задач на стыке предметных областей и компьютерных технологий, которые сегодня являются передовыми, но уже в ближайшей перспективе станут привычной практикой.
Проект включает разработку отдельных курсов по Data Science так или иначе кастомизированных под специфику образовательных программ, а также формирование специализированных образовательных треков из таких курсов с разной степенью сложности: начального, базового, продвинутого, профессионального и экспертного уровней. Это связано с большим разнообразием образовательных программ, студенты которых дифференцированы по базовым компетенциям в сфере математики и информатики. Для программ или их блоков будет предложена система курсов Data Culture в определенной вилке «сквозного уровня продвинутости». Более того, эти системы курсов определятся спецификой предметных областей.
Внедрение дисциплин Data Culture будет происходить поэтапно. В 2017/2018 учебном году будут включены в учебные планы обязательные и элективные курсы по направлению Data Science для части образовательных программ, но таковых будет более половины. Например, у студентов-гуманитариев, юристов и дизайнеров появится вводный курс по цифровой грамотности, программы экономистов дополнятся дисциплиной по машинному обучению , политологов – анализу социальных сетей, у статистиков появится курс по программированию и извлечению и анализу интернет-данных. С 2018 года к проекту примкнут все образовательные программы.
«Нагрузка студентов в связи с наращиванием Data составляющей программ не изменится. Все дисциплины включаются не дополнительно, а внутрь основного тела образовательных программ. Дисциплин от этого не становится больше, наша общая модель бакалавриата и магистратуры остается точно такой же по количеству курсов, на бакалавриате точно так же строится система дисциплин общего цикла, где, в том числе, возможно включение курсов, связанных с компьютерными технологиями и анализом данных», – отмечает проректор НИУ ВШЭ Сергей Рощин.
Для реализации проекта Data Culture предполагается привлечение преподавательского состава как из академической среды (преподаватели факультета компьютерных наук, сотрудники департамента математики факультета экономических наук и общеуниверситетской кафедры высшей математики и т.д.), так и из индустрии (участники сообществ по анализу данных, участники тематических мероприятий по анализу данных, проводимых в IT-компаниях). Более того, преподаватели факультетов, которые уже погружены в работу с данными в рамках своей профессиональной деятельности, также будут разрабатывать курсы в рамках проекта Data Culture для студентов своих и смежных факультетов.
Что входит в должностные обязанности специалиста по обучению персонала, каковы требования профстандарта специалиста по обучению и развитию персонала – об этом в материалах статьи!
Из статьи вы узнаете:
Какие задачи решает профессиональный стандарт специалиста по обучению персонала
Специалист по обучению и развитию персонала решает первостепенную задачу, стоящую перед организацией. В первую очередь предприятия стремятся к укреплению своих позиций на рынке и к расширению бизнеса. Человеческие ресурсы считаются наиболее важными и многообещающими объектами инвестиций.
Скачайте документы по теме:
Программа по обучению специалистов по персоналу была не доработана. Не существовало и единого документа, который бы закреплял требования к знаниям и навыкам таких специалистов, занимающихся обучением и развития персонала. В современных реалиях спрос на такие кадры растет. Большинство компаний направленно занимаются подготовкой сотрудников, которым в дальнейшем будет доверено обучение и развитие персонала.
Потребности в разработке общих стандартов назрела давно. Профстандарт специалиста по обучению и развитию персонала после окончательного рассмотрения и утверждения обязаны применять работодатели и образовательные учреждения, которые готовят таких специалистов.
Читайте по теме в электронном журнале
Необходимо учитывать, что специалист по обучению персонала не является педагогом в прямом смысле слова. Деятельность имеет направленную специфику, но не регламентируется в строгих рамках специальных программ с соблюдением жестких норм и требований.
Полномочия специалиста по организации обучения персонала в соответствии с профстандартом
Специалисты по управлению персоналом организуют обучение.
Кроме этого, в соответствии с профстандартом сотрудники указанного уровня занимаются:
- обеспечением контроля текущей деятельности персонала в сфере проведения подготовки, переподготовки ;
- исполнением выделенного бюджета предприятия, предназначенного для обучения, подготовки, переподготовки кадров;
- управлением договорной деятельности по указанным направлениям;
- ответственностью за согласованность учебных планов с графиком работы;
- подготовкой соответствующих программ с учетом уровня первоначальной подготовки работников;
- стратегическим планированием;
- обеспечением проведения аттестации, переаттестации чтобы своевременно выявить персонал, нуждающийся в обучении или переподготовке.
Что входит в должностные обязанности специалиста по обучению и развитию персонала
Должностные обязанности специалиста по обучению персонала включают функции по методическому обеспечению, организации и проведению регулярных работ по направлениям:
- психодиагностики личностных особенностей, профессионально важных качеств и психофизиологического состояния работающего персонала;
- формированию и развитию соответствующих качеств, которые необходимы сотрудникам, для этого проводятся тренинги, семинары и т.д.;
- психологическому консультированию работников по профессиональному использованию, обеспечению развития индивидуальных способностей;
- социально-психологическому изучению, проведению анализа коллективной, индивидуальной деятельности специалистов всех уровней;
- оказания помощи руководителям всех направлений и созданных объектов в сфере решения социальных или психологических проблем при развитии коллектива. По этим направлениям проводится изучение причин конфликтов. Разрабатываются методики, помогающие предотвратить и разрешить конфликтные ситуации. Проводятся консультации по стилю управления и обеспечению эффективной деятельности специалистов;
- проработки и проведения обучающих тренингов для рядовых сотрудников компании;
- работы по формированию кадрового резерва, подбору персонала с соответствующим опытом работы;
- тестирования личностных, профессиональных качеств кандидатов на вакантные должности;
- обучения с организацией тренингов, семинаров, других мероприятий, помогающих решить определенные вопросы;
- оказания помощи непосредственным руководителям филиалов или отделов в решении психологических и социальных проблем развития персонала;
- консультирования по стилю деятельности коллектива;
- проведения анализа текучести кадров, подготовки предложений по принятию соответствующих мер, которые помогут пройти успешную адаптацию , разработке и внедрении адаптационных программ;
- регулярной отчетности, которая предоставляется за месяц, квартал, полугодие и год;
- поддержания профессиональных и этнических норм менеджмента, сохранению личных тайн по результатам психологических индивидуальных исследований.
В дополнительные функции специалиста по обучению и развитию персонала включены социально-психологические работы, которые организуют по индивидуальным заданиям руководства. Проводится эргонометрическое консультирование, разрабатываются рекомендации по организации условий труда, подготовки рабочих мест для сотрудников различных категорий.
Какие требования содержатся в профстандарте специалиста по обучению и развитию персонала
Проект профстандарта разработан с учетом международного опыта в сфере подготовки высококвалифицированных кадров.
В профстандарте специалиста по обучению и развитию персонала четыре раздела:
- общие сведения;
- описывающие трудовые функции в функциональной карте вида профессиональной деятельности;
- все характеристики обобщенных трудовых функций;
- основные сведения о разработчиках.
В соответствии с проектом профессионального стандарта специалист по обучению персонала обеспечивает соответствующую квалификацию специалистов, которая подходит ко всем целям и установленным стандартам компании. Узнайте, как с помощью теории спиральной динамики
Третий раздел содержит пункты и подпункты, в которых подробно описаны отдельные трудовые функции . В этом же разделе содержатся и сведения, которые определяют уровень квалификации специалиста. К примеру, для эффективной разработки нормативов организационно-методического обеспечения сотрудник, занимающийся развитием и обучением персонала, должен иметь шестой уровень квалификации. Для стратегического и оперативного управления принимают сотрудника с седьмым уровнем квалификации.
Специалисты по управлению системами обучения и развития должны располагать соответствующим уровнем компетенций седьмого квалификационного уровня. При трудоустройстве учитывается уровень образования и наличие пятилетнего практического опыта работы по этому направлению. Профессиональные стандарты применяются работодателями при формировании кадровой политики, в процессах управления персоналом, определении трудовых функций, составлении штатного расписания, заключении трудовых договоров. С учетом профессиональных стандартов проводится аттестация , тарификация работы с присвоением соответствующего разряда, устанавливается система оплаты труда.
Возможно, вам будет интересно узнать:
Должностные обязанности : Организует профессиональное обучение рабочих и повышение квалификации руководящих работников и специалистов (подготовку, переподготовку и повышение квалификации рабочих кадров на производстве, в средних профессиональных учебных заведениях, экономическую учебу, практическое обучение учащихся и молодых специалистов в период прохождении ими стажировки, а также производственной практики студентов и учащихся). Исходя из потребности предприятия в квалифицированных кадрах и с учетом требований рыночной экономики разрабатывает проекты перспективных и текущих планов подготовки кадров, повышения квалификации и мастерства работающих с необходимыми обоснованиями и расчетами. Устанавливает контакты с учебными заведениями, оформляет договоры на подготовку, переподготовку и повышение квалификации работников предприятия. Составляет графики направления руководящих работников и специалистов в учебные заведения для повышения квалификации в соответствии с заключенными договорами, контролирует их выполнение. Принимает участие в работе по профессиональной ориентации молодежи, а также в разработке учебно-методической документации (учебных планов и программ профессионального развития, пособий и рекомендаций, расписаний занятий учебных групп и т.д.). Осуществляет руководство учебно-методической работой по всем видам и формам подготовки и повышения квалификации кадров на производстве. Подбирает кадры преподавателей и инструкторов из числа специалистов и высококвалифицированных рабочих с последующим утверждением их в установленном порядке, комплектует учебные группы. Контролирует систематичность и качество проводимых занятий, успеваемость учащихся, соблюдение сроков обучения, выполнение учебных планов и программ, правильность ведения установленной документации. Выполняет работу по обеспечению учебного процесса необходимой методической литературой, а также оснащению учебных и методических кабинетов оборудованием, техническими средствами обучения, инвентарем, наглядными пособиями, а также внедрению в учебный процесс автоматизированных средств и современных активных методов обучения. Участвует в проведении итоговых занятий, экзаменов, квалификационных проб, конкурсов профессионального мастерства рабочих. Организует лекции и доклады, проведение семинаров и консультаций в целях повышения уровня профессиональной подготовки наставников, преподавателей и инструкторов. Подготавливает трудовые договоры (контракты) с преподавателями и инструкторами, составляет сметы затрат на подготовку и повышение квалификации кадров, оплату труда за обучение кадров и руководство производственной практикой, контролирует правильность использования средств на эти цели. Участвует в осуществлении контроля за посещаемостью занятий и успеваемостью работников, обучающихся на курсах и в учебных заведениях без отрыва от производства, подготовкой и повышением квалификации специалистов в системе среднего и высшего профессионального образования, а также институтов и курсов повышения квалификации. Принимает участие в организации работы квалификационных комиссий и учебно-методического совета предприятия по профессиональному обучению рабочих на производстве, реализации их решений, разработке мер, способствующих росту производительности труда за счет повышения квалификации и мастерства работников. Постоянно совершенствует формы и методы профессионального обучения и повышения квалификации кадров на производстве, обобщает и распространяет передовой опыт в этой области. Анализирует качественные показатели результатов обучения и его эффективность (изменение профессионально-квалификационного и должностного состава рабочих и служащих, рост производительности труда, заработной платы и т.д.), ведет установленную отчетность..
Должен знать :законодательные и нормативные правовые акты, методические материалы по вопросам подготовки и повышения квалификации кадров на производстве; структуру и штаты предприятия, профиль, специализацию и перспективы его развития; кадровую политику и стратегию предприятия; основные технологические процессы производства продукции предприятия; формы, виды и методы профессионального обучения; порядок разработки планов подготовки, переподготовки и повышения квалификации кадров, учебных планов и программ, другой учебно-методической документации; порядок оформления договоров с учебными заведениями; порядок составления смет затрат на подготовку и повышение квалификации кадров и оформления трудовых договоров (контрактов) с преподавателями и инструкторами; прогрессивные формы, методы и средства обучения; порядок финансирования затрат на обучение; организацию работы по профориентации и профотбору; систему оплаты труда преподавателей и инструкторов; порядок ведения учета и составления отчетности по подготовке и повышению квалификации кадров; основы педагогики, социологии и психологии; основы экономики, организации производства, труда и управления; трудовое законодательство; правила и нормы охраны труда.
Требования к квалификации . Инженер по подготовке кадров I категории: высшее профессиональное (техническое или инженерно-экономическое) образование и стаж работы в должности инженера по подготовке кадров II категории не менее 3 лет. Инженер по подготовке кадров II категории: высшее профессиональное (техническое или инженерно-экономическое) образование и стаж работы в должности инженера по подготовке кадров либо других инженерно-технических должностях, замещаемых специалистами с высшим профессиональным образованием, не менее 3 лет. Инженер по подготовке кадров: высшее профессиональное (техническое или инженерно-экономическое) образование без предъявления требований к стажу работы либо среднее профессиональное (техническое или инженерно-экономическое) образование и стаж работы в должности техника I категории не менее 3 лет или других должностях, замещаемых специалистами со средним профессиональным образованием, не менее 5 лет.
Не у каждого хватает смелости поменять освоенную профессию, в которой уже достиг каких-то вершин. Ведь это требует больших усилий, а положительный результат не гарантирован. Полтора года назад мы рассказывали, как один из наших тимлидов серверной разработки переквалифицировался в iOS-программиста. И сегодня мы хотим рассказать о ещё более «крутом повороте»: Алан Chetter2 Басишвили, занимавшийся frontend-разработкой, настолько увлёкся машинным обучением, что вскоре превратился в серьёзного специалиста, стал одним из ключевых разработчиков популярного проекта Artisto, а теперь занимается распознаванием лиц в Облаке Mail.Ru. Интервью с ним читайте под катом.
Почему ты захотел быть программистом?
Понимание того, что я хочу быть программистом, пришло классе в шестом-седьмом благодаря проблеме с запуском одной игры. Консультироваться было не с кем, и я безвылазно просидел за компьютером несколько дней, но решил проблему. И остался очень доволен. Захотелось создать свою игру. Потому стал посещать местные курсы по программированию.
В каких проектах ты работал над фронтендом, что нравилось больше всего, что нового использовал?
Начинал, как и многие, с CMS. Эта работа сама меня нашла. Думаю, многих программистов, даже если они никак не связаны с вебом, хоть однажды, но просили сделать онлайн-магазин. Дальше была целая сеть магазинов, там я писал админки. Делалось это без фреймворков, изобретали велосипеды, но было очень увлекательно. Там же полюбил проектирование архитектуры ПО. А затем перешёл к работе над фронтендом. Писал чаты, p2p-видеозвонки и многое другое.
Что общего между вороном и письменным столом? В смысле, между фронтендом и нейросетями? Почему так быстро удалось изучить их?
Ничего общего, за исключением необходимости писать код. А помогло математическое образование. Кроме того, программисту проще изучать deep learning, как мне кажется.
С чем связан тогда интерес к переходу из фронтенда в нейросети?
Меня всегда это интересовало, и дипломный проект был связан с машинным обучением, хотя я не очень тогда понимал, что я делаю. На Coursera я прошёл курс «Введение в машинное обучение». Постепенно зарождалось понимание, как работают вещи, которыми я пользуюсь каждый день, такие как персональные рекомендации, поиск и многое другое, и понимание приводило меня в восторг. Это, наверное, один из основных мотиваторов - жажда понять, как работает современное машинное обучение. И когда я познакомился с deep learning, то потерял интерес ко всему остальному. Фронтенд стал просто рутиной. Я приходил на работу, и, хотя у меня были довольно интересные и сложные задачи, они отошли на второй план по сравнению с тем, чем я занимался по ночам.
А какой график занятий у тебя был?
Поначалу, когда было только введение в машинное обучение, я тратил на это только выходные. Затем я начал участвовать в соревновании. На него уходили и выходные, и ночи. До трёх часов ночи я обычно сидел и занимался. И после этого ещё довольно долгое время оставался запал, так что я продолжал изучать нейросети каждый день по ночам. Так я прожил полгода.
Сейчас есть множество курсов, где всё разложено по полочкам. Они могут дать очень быстрый старт. По нейросетям есть замечательный стенфордский курс cs231n , его ведёт Андрей Карпатый. Далее можно читать и конспектировать «Deep Learning » от Яна Гудфеллоу. Ещё неплохой ресурс Neural Networks and Deep Learning . Но начинать, конечно, лучше с основ ML.
Как считаешь, какой формат обучения сейчас лучше: книги, курсы, видео на YouTube, ещё что-то, может быть?
Мне показалось разумным сначала окончить курсы, а затем прочесть книги, потому что на курсах всё довольно упрощённо, там разжёвывают информацию, а книги дают уже полное понимание. Сегодня по машинному обучению существует очень много курсов. Тот, что я окончил на Coursera, называется «Введение в машинное обучение», им занималась команда из «Яндекса», включая Воронцова.
То есть сначала нужно понимание базовых концепций. А если сразу начать читать книгу, то может оказаться слишком трудно, и ты закопаешься в подробностях. Надо идти от простого к сложному, постепенно углубляясь.
Также очень помогает писать код. Только тогда начинаешь замечать важные детали и получать настоящий опыт. Можно прочитать 50 статей, и на выходе у тебя что-то останется в голове, но на уровне концепции. А чтобы действительно что-то понять и научиться это применять, нужно сесть и начать программировать. Самое эффективное - поучаствовать в каком-нибудь соревновании типа Kaggle. Или просто брать и делать свой проект на основе прочитанного.
Какие блоги по нейросетям ты читаешь и почему?
Можно ли использовать технологии нейросетей для фронтенда. И если да, то где?
Не так давно наткнулся на новость о генерировании HTML и CSS по картинке при помощи рекуррентных сетей. Не очень люблю верстать, так что эта идея кажется интересной.
А какие сейчас ещё есть интересные применения нейросетей? Все мы знаем про обработку фоток, видео, сейчас ещё генерация всяких лиц. А какие ещё в принципе возможны применения?
Из прочих современных применений нейросетей можно отметить генерирование речи, например проект WaveNet. Уже получается очень похоже на настоящую речь. Также активно ведутся работы по автоматической подгонке видеоряда под конкретную речь, например можно будет «снять», как какой-нибудь политик говорит те или иные слова. Скоро нас ждёт мир, в котором будет уже непонятно, что фальшивка, а что нет.
Как ты оптимизируешь свой код?
Как и остальные: профилирую и устраняю узкие места. Если речь об оптимизации inference-сети, то тут всё, как правило, сделано за нас, за исключением случаев с самописными слоями. С ними приходится повозиться.
Есть ли у тебя какой-нибудь личный проект или, быть может, хобби, позволяющее здорово перезагружать мозг?
Сейчас нет. Работа достаточно интересна, чтобы заниматься ей как хобби. Чтобы отвлечься, читаю книги и смотрю сериалы.
Какие задачи для решения с помощью нейросетей ты считаешь самыми сложными/интересными?
Беспилотные автомобили - очень сложная и интересная проблема. Такая система должна работать очень точно. Распознавать машины, дорогу, деревья, тротуар, пешеходов, самое сложное - соединять всё это вместе и давать автомобилю команду, куда ему повернуть, ехать побыстрее или помедленнее. Ко всему прочему ответственность очень велика. Заменить все автомобили беспилотными будет трудно, но это полностью решаемая задача. Уже сейчас есть автомобили с некоторыми навыками беспилотных. Ошибки, безусловно, ещё случаются. Google идёт по пути накопления огромнейших выборок (машины проехали 3 миллиона миль). Большое количество их машин каждый день ездят, собирают информацию, выявляют краевые случаи ошибок ИИ, и специалисты всё время их дообучают. В итоге сейчас они готовы выходить в коммерческую эксплуатацию, запустили бета-программу . Думаю, у них наверняка будет самый лучший беспилотник. К тому же на первых порах человек может сидеть за рулем и контролировать. А уж если посмотреть, как люди водят в России, то беспилотники гораздо безопаснее и их надо внедрять как можно скорее.
Медицина - также одно из важнейших направлений для машинного обучения. Представьте, что вас обследует не один врач-человек, а объединённое экспертное мнение всей мировой - западной, азиатской, аюрведической, какой хотите - медицины, которая объединяет экспертизу и статистику со всего мира. Или на то, с какой точностью удалось находить рак на снимках биопсии. А главное, эти методики легко масштабировать.
А у искусственного интеллекта есть понятие обновления в софте? Первая версия, потом накатили вторую версию? Один раз запрограммировали - и он сам обучается?
Надо подчеркнуть, что мы говорим о слабом искусственном интеллекте. Конечно, у него есть понятие обновления: мы можем заменить старую нейросеть, которая работала менее качественно. Ведь нейросеть - это условный набор весов и операций, которые необходимо проделать с ними. Эти веса можно обновлять хоть каждый день. Почти все эти алгоритмы не обучаются онлайн, они специально обучаются однократно. Да, есть reinforcement learning - методы, которые заточены на то, чтобы обучаться на обратной связи от среды. Технология активно развивается, хотя примеров внедрения пока мало.
То есть в таком виде софта не может быть серьёзных ошибок?
Конечно, может. Классический пример: американская армия захотела использовать нейросети для автоматического распознавания вражеских танков в камуфляже среди деревьев. Исследователи получили небольшой датасет размеченных картинок и обучили модель классификации на фотографиях закамуфлированных танков среди деревьев и фотографиях деревьев без танков. Используя стандартные методы контролируемого обучения, исследователи обучили нейронную сеть присваивать снимкам нужные классы и убедились в ее корректной работе на тестовом отложенном датасете. Но хорошие результаты на выборках не гарантируют, что не произошло переобучения, и в продакшене все будет работать корректно. В общем, исследователи отдали результат, а через неделю заказчик заявил, что результат распознавания оказался совершенно случайным. Оказалось, что в выборке были танки с камуфляжем в пасмурную погоду, а леса - в солнечную, и сеть научилась различать погодные условия.
И таких примеров множество. Можно переобучиться под что угодно. Например, мы недавно распознавали паспорта. Сеть выучила круглые узорчики в документе. Потом она увидела фотографию нарезанного лука, у которого очень похожие паттерны, и сказала, что это паспорт. И такие краевые случаи можно отлавливать много и долго.
То есть может быть такое, что машина в прошлой своей версии понимала, что это на картинке человек идёт, а потом ей накатывают новую версию - и она уже не понимает?
Запросто. Есть немало статей о том, как обновлять машинные системы, чтобы они не забывали ранее приобретённые знания. Например, можно учить модель так, чтобы она по-прежнему распознавала всё, что и раньше, или не сильно меняла распределение весов. Даже если станешь дообучать модель, она может уйти в другую точку оптимума, не связанную с текущей моделью. Здесь нужно быть очень аккуратным.
Ты работал над проектом Artisto, расскажи, как он начинался.
Мы взаимодействовали с Поиском Mail.Ru, у нас была команда, человек пять на первом этапе. Проект делался на энтузиазме. Недели за две мы получили вменяемые результаты, ещё недели две доводили до состояния, необходимого для production, параллельно допиливали бекенд. За месяц выпустили продукт, работающий с видео. Изначально пытались реализовать обработку фотографий, но потом решили, что не стоит повторять Prisma, нужно создавать что-то новое. Потом люди начали уходить, потому что у них были свои дела.
Чем различаются обработка фото и видео?
В Artisto видео разбивается на кадры, а затем они стилизуются независимо друг от друга. Есть, к примеру, другой метод стилизации видео, дающий более плавный результат. Там получается сложнее с учётом так называемого optical flow, когда для постоянства стилизации мы отслеживаем, куда «перетекают» пиксели от кадра к кадру. В частности мы стилизуем один кадр, а затем используем его модификацию для стилизации следующего. Мы знаем, как в следующем кадре расположен объект, двигаем все пиксели, которые есть на картинке, и стартуем с этого кадра. Потом берём следующий кадр, опять optical flow, двигаем пиксели, стартуем с этого кадра, стилизуем его. И так далее.
В Artisto стилизуется не весь кадр целиком, а только изменившиеся фрагменты?
Почти так, но не совсем. Видео обрабатывается таким образом, чтобы у нас сохранялась стилизация предыдущего кадра. Основная проблема в том, что у тебя к каждому кадру может получиться разная стилизация, и тогда изображение будет «лихорадить». Чтобы решить эту проблему, мы обучали нейросеть таким образом, чтобы она была менее чувствительна ко всякого рода шумам, чтобы от перемены освещения ничего не поменялось, а также модифицировали функцию потерь. Читайте хабрапост на эту тему.
В каких проектах нашей компании уже используется машинное обучение?
Во многих: в Почте, Поиске, Одноклассниках, ВКонтакте, Юле, Бипкаре. Например, с его помощью анализируется текст публикаций в соцсетях и на сайтах, индексируемых нашим поисковиком. Вообще, под термином «машинное обучение» подразумевается широкий спектр дисциплин, в том числе и глубокое обучение (deep learning), то есть нейросети. Это направление сейчас очень активно развивается. Особенно ярких результатов удалось добиться в сфере компьютерного зрения. Старые методы машинного обучения имели низкую точность распознавания изображений, но сейчас уже есть высокоэффективные подходы. Благодаря этому машинное обучение получило новый импульс развития, потому что распознавание фотографий - практичная, понятная и многим близкая задача, демонстрирующая пользу нейросетей.
С текстом дела обстоят хуже, но тоже неплохо. Машинный перевод пока уступает человеку, а в распознавании изображений deep learning во многих случаях обгоняет человека. Нейросети великолепно справляются с некоторыми компьютерными играми, особенно простыми, основанными на реакции. С другими же - слабо. Особенно когда речь идёт о тяжёлых стратегиях, где нужно управлять большим количеством юнитов. Здесь reinforcement learning работает не слишком эффективно. Полагаю, нужно больше исследований на эту тему.
Но совсем недавно прогремели ребята из OpenAI со своим ботом для Dota 2. Бот разбил лучших игроков мира в схватках 1 × 1. Dota - сложная игра, потому это знаменательное событие.
Не так давно в социальных сетях был очень яркий конфликт между Маском и Цукербергом относительно государственного регулирования в сфере искусственного интеллекта. К какому лагерю ты примыкаешь и почему? Чьи аргументы кажутся тебе сильнее, чьи слабее?
Мне кажется, что рано пока говорить о сильном искусственном интеллекте. Но когда мы к нему приблизимся, то уже будет понятно, как его регулировать. Пока мы программируем просто какие-то задачки. Мы это делаем сами и знаем, что получится на выходе. То есть не будет такого, что машина, которая управляла поисковой выдачей, внезапно начнёт строить заговоры.
Да - беспилотный автомобиль может сбить пешехода. Но не специально, а из-за ошибки. Когда мы будем создавать сильный интеллект, то встанет проблема его обучения так, чтобы он разделял цели человечества. Например, сегодня при обучении мы точно говорим, чтобы ошибка на выборке была ниже, функция потерь такая-то. Но на самом деле мы хотим, чтобы машина хорошо распознавала объекты. Для этого мы минимизируем функцию потерь. Минимизация функции потерь - это математическая запись указания сети «не ошибайся на данном наборе изображений». Сеть подстраивается и приобретает обобщающую способность, то есть выявляет закономерности и учится правильно предсказывать класс для изображений, которые никогда не видела. Эти закономерности бывают неправильными. В частности, модель может называть лук паспортом, и так далее. А в человека в процессе взросления закладываются моральные принципы, которые он на ходу валидирует и адаптирует. Так и ИИ каким-то образом должны быть привиты наши моральные принципы.
Какие применения нейросетей на рынке ты сегодня считаешь самыми впечатляющими/передовыми и почему?
Нейросети в принципе поражают, особенно когда знаешь, как они работают. На рынке довольно часто применяют классификаторы изображений, детекторы объектов и сети для распознавания лиц. Некоторые решения этих задач впечатляют элегантностью и простотой. Также могу отметить беспилотные автомобили и машинный перевод. Например, у Google нейросеть использует промежуточный язык, через который выполняет переводы с других, настоящих языков (точнее, речь идёт о векторных представлениях, из которых составляются фразы на любых других языках). Система получает на вход предложение на английском, формирует наборы чисел, а потом другая часть сети преобразует эти наборы, например в предложение на французском. И когда одна и та же нейросеть обучается так преобразовывать между многими языками, то у нее формируется какое-то универсальное представление текста, благодаря которому сеть может связывать друг с другом разные языки, прямому переводу между которыми она не училась. Например, её можно натренировать переводить EN ⇄ FR и EN ⇄ RU - и тогда модель сумеет переводить FR ⇄ RU.
Какими знаниями/навыками должен обладать специалист по нейросетям?
Нужна эрудиция в ряде математических дисциплин и ML в целом. Чем больше знаний у специалиста в голове, тем проще и быстрее он может решать задачи. Помимо багажа знаний нужно любопытство. Каждый день появляются новые архитектуры и подходы к обучению нейросетей. Специалисту необходимо поддерживать свои знания в актуальном состоянии.
А как у нас в компании с вакансиями для специалистов по глубокому обучению?
У нас в компании специалисты по машинному обучению сейчас есть практически в каждом бизнес-юните. В Почту мы активно ищем специалистов для улучшения антиспама и для создания новых «умных» функций (в основном работа с текстом). Также мы заинтересованы в специалистах для разработки компьютерного зрения. В Облако - специалистов по комьютерному зрению. Еще из интересных областей, где мы используем глубокое обучение и ищем профильных специалистов, можно отметить разработку и совершенствование рекомендательных систем, анализ больших данных и работа с текстом в самых разных проектах (например, предсказание правильных ответов в Поиске Mail.Ru). ML есть и в рекламной крутилке, и в формировании умной ленты социальных сетей и в Поиске.
То есть в компании все функции людей постепенно замещаются искусственным интеллектом?
Надо понимать, что программирование от этого никак не упрощается, а только усложняется. Программисты ещё долго будут востребованы. Кроме того, специалисты по ИИ тоже должны быть в первую очередь программистами: обучить программиста созданию ИИ гораздо проще. И они принесут компании гораздо больше пользы, потому что будут очень быстро реализовывать свои идеи, в отличие от чистых исследователей. В целом многие компании, и наша в том числе, вкладывают огромные деньги в искусственный интеллект. Например, сейчас Китай до 2030 года хочет стать лидером в этой области. В одной только корпорации Baidu работает 1300 специалистов по машинному обучению.
Какое направление в сфере нейросетей ты считаешь самым перспективным?
Самое перспективное - сильный ИИ. Тут вопрос: можем ли мы перейти от решения маленьких конкретных задач к сильному искусственному интеллекту. Как всё это совместить? Не уверен, что путь к сильному искусственному интеллекту лежит через решение простых задач. Но вообще, если исключить сильный ИИ - то да, это замещение человека во всех сферах деятельности.
Как ты думаешь, удастся ли создать ИИ, который по всем параметрам будет превосходить человека? И если да, то когда?
Это вопрос времени. Согласно опросам учёных, его появления можно ожидать в 2050-2090-е годы. Но мне кажется, это так не работает. Мы копируем отдельные функции мозга, но как от этого перейти к сильному ИИ - думаю, неизвестно пока никому. Впрочем, сегодня уже удалось добиться хороших результатов в некоторых узких направлениях, например в распознавании изображений.
Теги: Добавить метки