linked in

שלח פרופיל עכשיו >

ההרשמה נקלטה

בהצלחה!

2017 היתה שנה של זינוק בעולם ה- Data science

21/01/2018 14:41:34
2017 היתה שנה של זינוק בעולם ה- Data science

במקביל להייפ סביב תחום ה-AI, אירעו דווקא כמה התפתחויות משמעותיות בתחומי Deep learning ו-Data science:

• API הפך למוצר בפני עצמו, העלייה בשווי שוק מוערך ליוזמות וחידושים בתחום הדאטה הביאה לגל נוסף של פלטפורמות למדעני דאטה ואוטומציה של כלים לאנשי למידה חישובית, וגם - מדי שבוע נפתחים עוד תקנים למגוון משרות ביג דאטה וגם תקנים למחלקות שלמות, בחברות וגופים המובילים את ההייטק המקומי והעולמי. הנתונים מראים עלייה של 650% בביקוש העולמי, על פי סקר לינקדין מ-2017.
• השימוש ברשתות נוירונים ו"למידת חיזוק", ייתר את הצורך ב-Data sets.
• התפתחות אחרונה מעניינת במיוחד בהקשר זה, היתה זו של אנשי Deepmind, עם שחרור גרסת AlphaGo Zero - הבינה המלאכותית הראשונה שפיצחה את משחק הGO, בלי ידע אנושי מוקדם כלל. היא פשוט שיחקה נגד עצמה (ולטענת המנכ"ל, השרתים כובו לפני שגילו עדיין את מקסימום יכולת החישוב של אלפא זירו).

אלו הן המתודולוגיות השימושיות ביותר בקרב אנשי Data science / deep learning, בשנה האחרונה.

 

ההבדל בין ה"ההייפ" להתפתחות משמעותית ב-2018 צפוי להיות ב:

אוטומציה לתהליכי עבודה, שירות לקוחות פרסונלי, חוויית קניות פרסונלית ושיווק סופר-פרסונלי.

• התבססות IOT - חידוד יכולות האבטחה, פלטפורמות מודולריות, API, ממשקי אנליטיקס מתקדמים וכדומה.

• כניסתנו לעידן ה"פוסט אלגוריתמי" בתחום איפשרה את עלייתו של 'האזרח מדען הדאטה', וחברות רבות בוחרות כיום לפתח AI microservices משלהן, או לבצע אינטגרציה עם מוצרים של חברות מתמחות.

 

למשרות תוכנה במיטב הסטרטאפים בארץ ובעולם -  שלחו קורות חיים או פרופיל לינקדאין

איך נכנסים לתחום? כישורים נדרשים:
1 .ידע אנליטי תאורטי ושימוש בכלים אנליטיים כדוגמת R
2 .שימוש בכלי פיתוח, כדוגמת Python
3 .שימוש בSQL לעבודה עם מידע מובנה ובסיסי נתונים
4 .יכולת עבודה עם מידע לא מובנה
5 .יכולת שימוש בפלטפורמת data big ,כגון Hadoop
6 .הבנה עסקית וזיהוי בעיות מתאימות
7 .סקרנות אינטלקטואלית
8 .יכולות תקשורת, יש להסביר ממצאים לצוותים שאינם טכניים ולאפשר להם לקבל החלטות בהתאם

**באדיבות אסי מסיקה, מרצה באוניברסיטת תל אביב לתארים מתקדמים

 

 

מרב לייפר, מנכ"לית see.V 
אחרי הקפיצה החדה בביקוש לתחום בשנה האחרונה, ב-2018 אני צופה שיותר ויותר חברות הייטק וגם סטארטאפים בזינוק, יחפשו את מובילי הדאטה שלהם בצוותי הפיתוח - לא בגלל ה'באז וורד', אלא בשל ההבנה של האימפקט העצום, שמומחה Data science מחולל בארגון.
גם see.V ניצבת בפני אתגרים מעניינים בשנה הבאה, אל מול עליית "מכונות הגיוס" והשקת אפליקציות השמה מבוססות בינה מלאכותית.
קראנו את המפה וגם אנחנו גייסנו את אחת המומחיות המובילות בארץ ב-Machine learning, שתחולל מהפכה של ממש בשירות האישי שאנו יודעים לתת ובתהליכי העבודה המורכבים.
את הזמן שהאוטומציה תפנה, נקדיש למתודולוגיות התאמה עמוקות יותר, שיסובו כולן על היכולות הבינאישיות של המועמדים השונים להתאמה לתרבות הארגונית בסטארטאפים המגייסים. אנו לא חוששים למדוד את ההצלחה שלנו דווקא לפי נתוני שימור העובדים של לקוחותינו.
אין ספק שבתחומי משאבי האנוש ניצב אתגר מרכזי עבור מקבלי ההחלטות בצוותי הפיתוח – איך נוכל להתחייב על אלגוריתמים ומתודולוגיות נטולי דעה קדומה ואפליה? (שעלולות גם הן אולי, לצוץ כדפוסים נסתרים במאגרי מידע קיימים שינותחו).


קיראו על הדפוס הנסתר המדהים והמטריד הזה, שהתגלה במחקר בסטנפורד - האלגוריתם שמזהה נטייה מינית לפי תווי פנים בלבד (ואיך הוא קשור לנצחון טראמפ בבחירות בארה"ב)

 

 

 

*Tom Davenport, Professor of IT and Management, MIT Initiative on the Digital Economy and a Senior Advisor to Deloitte Analytics 

**Kirk D. Borne, The Principal Data Scientist at BoozAllen, PhD Astrophysicist. Top Data Science and Big Data Influencer.

***Gregory Piatetsky-Shapiro, President KDnuggets, Data Scientist, co-founder of KDD conferences and SIGKDD, professional organization for Knowledge Discovery and Data Mining.

 




חזרה לבלוג >      חיפוש משרות >