Design science что это за программа

Содержание

Искусственный интеллект и будущее дизайна: что будет с дизайнерами к 2025 году?

Naked Science публикует перевод статьи Роба Гирлинга (Rob Girling) о будущем профессии дизайнера и о месте ИИ в нем.

Для всех, кто сомневается, что искусственный интеллект вошел в нашу повседневную жизнь, New York Times недавно сообщила, что Университет Карнеги — Меллон планирует создать исследовательский центр, посвященный проблематике этики искусственного интеллекта. Harvard Business Review начал разрабатывать стратегии использования ИИ для менеджмента, а CNBC — анализировать акции перспективных компаний, занимающихся разработкой искусственного интеллекта.

Однако этот краткосрочный всплеск оптимизма не помог мне избавиться от опасений. В этом году моя дочь поступила в колледж, где будет изучать дизайн взаимодействия (обеспечение удобства работы пользователя с веб-страницей, — прим. пер.). Начав исследовать влияние искусственного интеллекта на дизайн, я задумался, что можно посоветовать моей дочери и целому поколению будущих дизайнеров, чтобы помочь им не только сохранить свою значимость для профессии, но и преуспеть в мире ИИ.

Design science e design science research

И вот к чему, по моему мнению, они должны быть готовы в 2025 году.

Кто угодно сможет стать дизайнером

На сегодняшний день большинство профессий в сфере дизайна требуют креативности и высокого уровня социального интеллекта. Для этого необходимо обладать эмпатией, навыками формулирования проблемных задач, творческого решения проблем, переговоров и убеждения. В первую очередь из-за внедрения искусственного интеллекта все большее число непрофессионалов получат возможность развивать свои креативные способности и социальный интеллект, чтобы повысить конкурентоспособность. И в самом деле, в уже упоминавшейся мной статье Harvard Business Review менеджерам рекомендуется чаще пробовать себя в роли дизайнеров.

Для самих дизайнеров это означает, что не только представителей творческих профессий будут учить использовать в работе категории «дизайнерского мышления». Дизайнеры лишатся (если они когда-то им обладали) неоспоримого статуса «самого творческого человека в компании».

Чтобы остаться конкурентоспособными, им придется повышать квалификацию и осваивать междисциплинарные области, что, в свою очередь, может привести к появлению все более экзотических специализаций. Представьте классную комнату, где специализирующийся на «дизайнерском мышлении» инструктор постоянно испытывает новые инструменты взаимодействия для улучшения качества образования. Или дизайнера-главврача, чья задача заключается в изменении процедуры первичной госпитализации, чтобы она стала более эффективной, понятной и способствовала улучшению состояния пациентов. Эту тенденцию можно наблюдать уже сегодня: администрация мэра Сиэттла создала инновационное подразделение, ответственное за поиск решений неотложных проблем. Стратегия работы подразделения заключается в клиентоориентированности дизайна, а в состав команды входят дизайнеры и маркетологи.

video 1 what is design science

Уже более десяти лет Стэндфордская школа дизайна занимается развитием творческого интеллекта у людей без дизайнерского образования. Появляются новые программы подготовки, например «Комплексное проектирование и менеджмент» в Массачусетском технологическом институте. Даже медицинские институты начинают вводить курсы по дизайн-мышлению. Подобные нововведения свидетельствуют о росте востребованности дизайна, однако также позволяют педагогам включать в учебную программу элементы творческого мышления и клиентоориентированного веб-дизайна.

Из творцов в кураторы

Я уже писал о том, как инструменты вроде Autodesk Dreamcathcer используют алгоритмические методы программирования для создания более абстрактного интерфейса. При заданных параметрах, ограничениях, целях и сформулированной проблеме, нуждающейся в решении, указанные программы могут генерировать сотни разновидностей дизайна — дизайнерам останется лишь выбрать наиболее понравившиеся или продолжить менять установки, пока они не получат тот вариант, который их устроит.

Последствия такой схемы разнятся в зависимости от сферы их применения. В архитектуре параметрическое движение, получившее название Parametricism 2.0, наглядно демонстрирует потенциал креативного мышления, подкрепленного соответствующими технологиями. Эффект их применения активно изучается в игровой индустрии, где при помощи алгоритмов создаются виртуальные пространства и крупные виртуальные города. Достаточно взглянуть на игру No Man’s Sky — действие в ней происходит в сгенерированной при помощи алгоритма детерминистской модели открытой Вселенной, насчитывающей квинтиллион (1.81019) планет. Несмотря на то, что No Man’s Sky провалилась как игра, она задала направление, которое рано или поздно станет доминирующим в сфере разработки виртуального контента — роль дизайнера будет сводиться к формулировке задач, параметров и ограничений, за которыми следует проверка и отладка автоматически сгенерированного контента.

Технологии автоматического генерирования сложно назвать чем-то новым, но система глубокого обучения с подкреплением появилась относительно недавно (3–4 года назад) и во многом способствовала росту числа разработок и всплеску энтузиазма в отношении ИИ как дисциплины. Созданная Google компания DeepMind разработала систему искусственного интеллекта Deep Q, использующую для самосовершенствования технологии глубокого обучения с подкреплением при игре на приставке Atari. Со временем система достигла мастерства, позволяющего обнаруживать ранее неизвестные лазейки в играх, доступных для этой приставки.

Однако настоящий прорыв Deep Q и его предшественника AplhaGO — компьютерной программы, играющей в электронную версию настольной игры го, — заключается в том, что ИИ не обладает предметными знаниями или экспертными игровыми навыками. Более того, ему не нужно, чтобы разработчик кодифицировал правила игры. В распоряжении у этих систем лишь визуальный входной сигнал, пульт управления и задача набрать максимальное количество очков. Подобная цель превращает игры в идеальное средство тестирования обучаемости искусственного интеллекта.

Но что происходит с дизайном? Именно на данном этапе в игру вступает куратор. В будущем дизайнеры будут учить свои системы искусственного интеллекта решать проблемы дизайна посредством создания моделей на основе заданных ими параметров. Например, за многие годы работы в сфере здравоохранения Artefact выработала систему, включающую в себя ключевые проблемы дизайна в этой отрасли, необходимые для изменения поведения пациентов. Я вполне могу представить, что однажды у нас будет достаточно информации, чтобы начать менять поведенческие закономерности и поставить перед искусственным интеллектом задачу разработки системы, которая сможет справляться с такими проблемами, как предвзятость подтверждения (склонность человека подтверждать информацию, соответствующую его убеждениям, — прим. пер.) и недостаток эмпатии.

Эпоха мегапопулярных дизайнеров

Поскольку осуществляемое за счет ИИ параметрическое проектирование позволяет дизайнером быстро и относительно легко создавать миллионы вариаций дизайна, продуктивность большинства представителей отрасли будет стремительно возрастать. В будущем наступит момент, когда мы внезапно приобретем способность анализировать внушительное число альтернативных опций в миллионы раз быстрее, чем сегодня. Учитывая повысившуюся продуктивность и усовершенствованные технологии, дизайнерам-самоучкам станет легче создавать отвечающие минимальным требованиям — а может, и превосходящие их — работы, что может повлиять на ценовую политику профессионалов в этой сфере.

От традиционных к виртуальным формам дизайна

Циники могут заявить, что многие будут сбегать в виртуальную реальность из-за того, что большое количество людей попадает под сокращения из-за перевода ряда функций на системы искусственного интеллекта, что повысит спрос на виртуальные миры, объекты и услуги. Надеюсь, мы сможем избежать этого антиутопического развития событий, но по мере исчерпания возможностей виртуальной, дополненной и смешанной реальности, оно станет следующим рубежом возможностей дизайна.

Возникающие трудности (как обеспечить межличностное взаимодействие в виртуальной реальности, как испытывать переживания и делиться ими) не только носят уникальный для нового пространства характер, но и требуют задействовать креативные навыки и социальный интеллект — качества, из-за которых достаточно сложно поручить этот вид работы системе искусственного интеллекта.

Кроме того, виртуальные миры могут спровоцировать рост спроса на более традиционные разновидности дизайна: архитектуру, внутренний дизайн, дизайн предметов и моду.

От разработки ИИ будет зависеть будущее человечества

Четко изложив свое понимание того, как искусственный интеллект начинает выполнять нашу работу в сфере дизайна, я, возможно, оказал ИИ медвежью услугу, преуменьшив его заслуги перед профессией. Работая вместе, человек и искусственный интеллект могут достичь великолепных результатов, которых они никогда бы не добились в одиночку — достаточно привести пример невообразимых форм Майкла Хансмайера. Эти многогранные формы не могут быть созданы человеком самостоятельно, однако они существуют и могут коренным образом изменить цифровую архитектуру.

Конечно, это лишь один из примеров, но согласитесь: поиск способов активизировать наши креативные способности как личностей и профессионалов обладает несомненной притягательностью. Я вполне могу вообразить себе будущее, где ИИ играет роль личного помощника, снабженного глубоким пониманием нашей мотивации, героев и того, что нас вдохновляет.

Они могли бы давать оценку нашей работе, предлагать полезные идеи и способы профессионального самосовершенствования. Мир станет местом, где специальные боты смогут предоставить нам разные точки зрения на проблему и разные подходы к ее решению. Где имитации реальных пользователей тестируют разработанные нами продукты: проверяют их производительность в различных условиях и предлагают коррективы еще до того, как прототип превратится в действующую модель. Где алгоритмы А/В теста (сплит-тест — несколько разных вариантов страницы равномерно чередуются для всех ее посетителей, — прим. пер.) постоянно ищут возможности внести даже микроскопические изменения, чтобы улучшить качество дизайна.

Искусственный интеллект не только не уничтожает веб-дизайн как профессию, но и предоставляет огромные возможности для разработчиков — в особенности тех, кто занимается созданием механизмов взаимодействия с новыми системами ИИ. Как будут создаваться новые системы искусственного интеллекта? Как будут разрабатываться услуги интеллектуальных сетей и платформы будущего? Как создавать эти системы, чтобы способствовать повышению показателей креативности, вовлеченности в реальный мир и человечности? Этот список вопросов к использованию искусственного интеллекта можно продолжать до бесконечности — как и список возможностей, которые он предоставляет нам и грядущим поколениям.

Оригинал статьи на английском доступен по ссылке.

Источник: naked-science.ru

Стоит ли смотреть в сторону Data science?

Очень много людей с самым разным бэкграундом, и не всегда даже техническим, в последнее время пытаются перейти в data science. И такой ажиотажный интерес — проблема для всех, кто рассматривает переквалификацию в эту сферу. Потому что рынок труда может оказаться наводнён соискателям без опыта.

С точки зрения потенциального работодателя: вы скорее возьмёте выпускника технического вуза, или человека за 40, без профильного опыта, решившего изменить свою жизнь? Ведь вузы тоже ведут активную подготовку профильных специалистов (пусть и не всегда высокого уровня). На рынке явный недостаток специалистов с профильным опытом. Но среди людей с непрофильным опытом — вероятно, больше шансов найти работу у выпускников с профильным образованием.

Написать этот пост меня натолкнуло то, что полгода назад я начал писать цикл статей о самообучении и переквалификации в data sceince. В итоге, за 5 месяцев мне написало больше сотни людей с разными вопросами по такой переквалификации. И, вероятно, многие недооценивают объем знаний, который необходимо получить для этого. В этом, наверное, виноваты и заголовки моих постов «с нуля до senior data scientist за 2 года». Как мне подсказали в комментариях к тому посту — мой начальный уровень был отнюдь не нулевой (был топовым разработчиком 1С).

Почему в data science сложно попасть

Это очень много учебы и практики

Идеальный data scientist — специалист максимально высокой квалификации, знающий, одновременно:

всё что должны знать «простые аналитики» (SQL+визуализация данных)
хороший Python программист
с неплохим владением английским (подавляющее большинство инструментов имеют документацию только на английском языке; многие книги и курсы не переведены, или переводятся с большой задержкой)
с отличным знанием хотя бы основ теории вероятностей (в идеале — значительно глубже + линал, мат.анализ)
хорошие коммуникативные навыки и понимание бизнеса (невозможно эффективно обрабатывать данные из предметной области, если вы её не понимаете)

По большому счету, это несколько лет профильного (само)образования + опыт работы.

Это дорого

Даже с большим опытом работы в ИТ я потратил 8 месяцев, не работая и проедая все свои накопления, только на учебу, оставаясь без работы. Мой уровень ЗП в первый год после того как я нашёл работу, был ниже, чем до этого. Только спустя 2 года я вышел на тот же уровень дохода. И это всё было достаточно страшновато, при том что у меня были своя квартира, большая финансовая подушка, и отсутствие финансово зависимых родственников. Большая часть людей, желающих поменять свою жизнь, не могут себе позволить такую траекторию переобучения, по её финансовым ограничениям.

Аналитика — сестра Data science

Когда говорят о дата сайенс обычно имеют в виду высшую квалификацию человека, способного работать аналитиком данных. Но квалификации промежуточных уровней тоже ценны.

Отличие аналитика: нет нужды хорошо знать статистику, нет нужны заниматься машинным обучением.

Статистика нужна тогда, когда ценность небольшого улучшения так огромна, что важно научиться различать небольшие отличия в эффективности, разделяя реальные различия, от случайных колебания.

Маркетинговая/веб аналитика

Анализ и визуализация даных по продажам — огромная сфера. Большая часть подобных вакансий, с интересными и более творческими задачами — в онлайн компаниях.

Знания специфические для веб-маркетинга (помимо обще-аналитических):

Понимание принципов работы контекстной рекламы (основные метрики и схемы оплаты).
Знание как работают UTM метки.
Понимание основных принципов юнит-экономики.
Желательно знание основ HTML
Популярные инструменты: Google Analytics, Яндекс.Метрика (эти инструменты можно учить уже выйдя на первую работу)

Продуктовая аналитика

Это близко к маркетинговой аналитике. Пример задачи: понять паттерны по которым пользователи взаимодействуют с каким-то он-лайн продуктом (например, приложением интернет-банка).
По сути, тут могут быть достаточны только базовые знания, стандартные для любых аналитиков.

Data engineer — брат для Data scientist

Огромная часть задач в анализе данных, особенно в более продвинутом (статистический анализ, машинное обучение) требует хорошо организованных данных.
Задачи по организации данных занимают более половины всех усилий по работе с данными. Часть данных задач традиционная и решается специалистами по базам данных. Другая часть требует подготовки данных для обеспечения большего удобства и скорости анализа данных. Данными задачами занимаются дата инжененеры. Т.к. часто данная часть задач не решается ими полностью — квалифицированный дата сайентист должен уметь решать подобные задачи.

Но, потенциально, дата инженер, это не урезанный дата сайентист. К инженерам предъявляется больше требований по полной автоматизации процесса, по обеспечению высокого качества данных (без пропадания их кусков), высокой скорости их подготовки и доступности, настройке систем, способных обрабатывать данные о миллионах операций, товаров и клиентов за считанные секунды/минуты.
По сути, это позиция программиста, с акцентом на технологии и инструменты, позволяющие разрабывать системы работы с данными. И вместо создания интерфейса (как у фронтенд разработчиков, или разработчиков для андройд/ iOS), или какой-то бизнес-логики (бэкенд) — их продукт это система, автоматизировано готовящая данные для анализа. И поддержание это системы для работы коллег, занимающихся анализом данных.

Набор знаний в этой сфере очень сильно варьируется. Наверное, наиболее популярные навыки выглядят так:

SQL
Python (Java, Kotlin)
bash
Docker, Kubernets

Эта сфера отлично подходит для людей, которым интересно писать системы обработки больших данных (big data) и которым менее интересно придумывать как повысить эффективность бизнеса, стараясь убедить в этом каких-то коллег.

Ищете работу, которая вам подходит

Цель этого поста — показать что есть море вариантов интересной работы.

Многим, желающим попасть в дата сайенс — будет интересно работать на позициях аналитиков и дата инженеров. Найти такую работу может быть проще, и финансовое вознаграждение, в итоге, может быть на том же или очень близком уровне.

Идти в дата сайенс без опыта работы в ИТ, примерно как захотеть стать нейрохирургом, без опыта работы в медицине. Разумнее получить хотя бы часть более простых смежных навыков, начать работать в этой сфере, и далее расти в ней «естествнным путём», получая релевантный опыт не только из теории, но и из регулярной практики работы.

переквалификация
самообразование

Big Data
Машинное обучение
Карьера в IT-индустрии

Источник: habr.com

Как используется Data Science в российских компаниях

Существует ряд общих задач, в которых наука о данных позволяет повысить доходность компании: определить персональный профиль рекомендаций товаров и услуг, оптимизировать их ценообразование, предсказать наплыв и отток клиентов. Конкретное решение определяется спецификой проекта. Давайте обсудим известные примеры использования Data Science решений на российском рынке.

Финансы

В финансовой сфере наука о данных там и тут:

🏢 Как компании превращают данные в деньги: обзор российских практик Data Science

кредитный скоринг : выдавать или нет кредит клиенту банка в зависимости от кредитной истории и других характеристик;
оценка вероятности наступления страховых случаев;
верификация пользователей и предотвращение мошеннических транзакций;
анализ показателей портфелей заёмщиков;
прогноз спроса на наличные в банкоматах (такая модель, например, используется у банка Райффайзен );
рекомендация инвестиционных инструментов (акций, облигаций) для создания сбалансированного портфеля (соответствующие алгоритмы используются в Тинькофф.Инвестиции).

Примеры кейсов, которые задействовали комплексы различных алгоритмических подходов:

Предсказание дефектов листовой стали на ранних этапах производства. Такой анализ для одной из металлургических компаний выполнила команда Yandex Data Factory.
Химическая промышленность – системы подсказчиков для поддержания максимальной производительности при переходных полуавтоматических режимах. Соответствующий инструмент та же Yandex Data Factory подготовила для оптимизации работы установки газофракционирования .
Создание беспилотных автомобилей (см. прекрасные доклады Антона Слесарева и Вячеслава Мурашкина ).

⚖️ Юридические компании

Судебные дела имеют структурированный характер и хорошо поддаются алгоритмам обработки естественного языка .

В этом видео Александр Сарапин рассказывает, как pravo.ru предсказывает результаты арбитражных споров с помощью байесовского классификатора.

Некоторые юридические документы ещё необходимо преобразовать в текстовую форму. В чём специфика распознавания таких документов, описал Егор Будников в докладе «Как технологии помогают работать с юридическими документами» .

☎️ Телекоммуникации

Все операторы Большой четвёрки в той или иной форме имеют собственное подразделение анализа данных. Задачи обычно связаны с персонализацией продуктов и услуг, оптимизацией тарифных линеек, определением оптимальных локаций вышек сотовой связи и салонов сети. Вот как комментирует использование больших данных компания Tele2:

Мы убедились: аналитика больших данных — это не «совершенный мозг», а «сильные очки», улучшающие наше управленческое зрение. Вместе с тем, не для всех задач требуется стопроцентное зрение, а, там, где оно необходимо, важно понимание, что делать с этой более чёткой картинкой, чтобы не растеряться в изобилии фактов.

Индустрия развлечений

Основная задача в сфере развлечений – дать пользователю интересный контент. То есть нужно либо рекомендовать подходящие материалы, либо. их создать.

Первая задача решается традиционно через создание рекомендательной системы с персонализированными профилем по логам пользовательской активности – всему тому, что пользователь смотрел, слушал, читал, лайкал и сохранял в закладки. Например, аналитики рекомендательной системы VK занимаются созданием моделей, предсказывающих интересных пользователю авторов, пабликов и групп, обеспечивающих новизну и разнообразие рекомендаций. Другой круг задач связан с поиском друзей на основе социального графа.

Второй подход – создание контента под интересы пользователя и разработка продвинутых инструментов, которые тот может использовать в процессе создания собственного контента, например, «умных» масок и фильтров.

В кинопроизводстве технологии, родственные технологии дипфейк уже помогают сократить время создания фильма, в частности его озвучку . В дизайне нейросетевые модели используются для создания оригинальных логотипов .

Чем Data Science полезен для бизнеса?

Рост доходности . Как вы уже поняли, один из наиболее распространенных сегодня способов применения науки о данных – создание персонализированных рекомендаций. Потребитель получает только необходимую информацию – повышается мотивация и уровень лояльности, человек чаще рекомендует сервис знакомым, реклама оказывается более эффективной и т. д.

Сокращение издержек . Можно более рационально использовать склады, контролировать остатки, лучше планировать закупки, предсказывать приток и отток клиентов, цены грузоперевозок. Привлечение экспертов требует дополнительных расходов, но в итоге их работа позволяет многократно снизить общие расходы компании. При правильном подходе вложения в машинное обучение окупают себя и увеличивают спрос на продукты.

⌚ Большее время взаимодействия с клиентом. Чат-боты сейчас встречаются во многих мобильных и веб-приложениях. Уровень решений совершенно различный: не только назойливо всплывающие окошки, но и продвинутые интеллектуальные системы вроде Алисы, помогающие решать сложные задачи: заказать такси, забронировать гостиницу, узнать погоду или решить проблему клиента, который звонил в колл-центр.

Благодаря прогрессу машинного обучения в обработке естественного языка, распознавании и синтезе речи, стало возможно автоматизировать голосовые взаимодействия. В ряде случаев оператора специализированного колл-центра уже сегодня можно заменить роботизированной системой – особенно в областях, где общение фактически ограничено скриптами. Сергей Марков руководитель ИТ-подразделения компании «АБК» увлекательно рассказывает, почему замена оператора колл-центра искусственным интеллектом – дело совсем непростое.

Как рассказал Ведомостям представитель «Тинькофф», автоматизированный чат-бот, общающийся с клиентами, помогает экономить до 50 млн руб. в месяц: бот самостоятельно обслуживает 30% обращений клиентов в чате и помогает операторам с остальными 70% запросов.

Предсказуемость . Компьютерные алгоритмы работают в заданных рамках. Их поведение предсказуемо, они не опоздают на встречу, им не нужно отдыхать, а чётко сформулированные рутинные задачи такие системы часто решают лучше, чем люди.

Так много задач! Достаточно ли на рынке специалистов?

Квалифицированных специалистов по анализу данных не хватает. Некоторые компании даже растят аналитиков самостоятельно. Долгое время самым известным примером была Школа анализа данных , запущенная в Яндексе ещё в далёком 2007 г. Однако пройти отбор в неё и учиться крайне сложно. Школа выпускает высококвалифицированных специалистов, но их количество мало и не закрывает потребности рынка.

Другие компании стараются переобучить собственных сотрудников. В августе 2019 г. в Сбербанке стартовала программа переподготовки сотрудников с высшим естественно-научным, техническим и математическим образованием. « Вымпелком » запустил проект «Лаборатория Big Data» , которая готовит магистров в области программирования и анализа больших данных вместе с тремя крупными техническими вузами в Новосибирске. Ozon открыл собственную школу Ozon Masters , в которой готовят специалистов по Data Science и Data Engineering.

Хочу подтянуть знания по математике, но не знаю, с чего начать. Что делать?

Если базовые концепции языка программирования можно достаточно быстро освоить самостоятельно, то с математикой могут возникнуть сложности. Чтобы помочь освоить математический инструментарий, «Библиотека программиста» совместно с преподавателями ВМК МГУ разработала курс по математике для Data Science, на котором вы:

подготовитесь к сдаче вступительных экзаменов в Школу анализа данных Яндекса;
углубитесь в математический анализ, линейную алгебру, комбинаторику, теорию вероятностей и математическую статистику;
узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения.
освоите специальную терминологию и сможете читать статьи по Data Science без постоянных обращений к поисковику.

Курс подойдет как начинающим специалистам, так и действующим программистам и аналитикам, которые хотят повысить свой уровень или перейти в новую область.

Источник: proglib.io