Алгоритм безсилий, коли доводиться мати справу зі створенням нового

Учасниця міжнародних шкіл з Data Science

Учасниця міжнародних шкіл з Data Science про нейронні мережі, майбутнє штучного інтелекту і його слабке місце

Наука про дані, боти, нейронні мережі, біоінформатика – світ IT розвивається надзвичайно стрімко, створюючи нові професії і знищуючи старі. Комп’ютерні коди аналізують безліч щоденних дій людини й допомагають оптимізувати ці процеси, але і їх хтось навчає це робити.

Я вирішив дізнатися, що таке наука про дані й чим живе галузь сьогодні, тому поспілкувався з Марією Добко, учасницею міжнародних шкіл з Data Science і студенткою Українського католицького університету.

Учасниця міжнародних шкіл з Data ScienceМарія навчається на четвертому курсі за програмою комп’ютерних наук УКУ. До університету дівчина не програмувала, а після трьох років навчання бере участь у міжнародних школах для науковців і пише алгоритми, що допомагають встановлювати діагнози й систематизувати тексти.

«Коли я закінчила перший курс, то почула новий і цікавий для себе термін – Data Science. Він тоді був дуже модним, і мені захотілося більше про це дізнатися, – розповідає Марія. – Завдяки УКУ я познайомилася з одним викладачем літньої школи Lviv Data Science Summer School 2016, яку проводили в університеті, і разом з моїм одногрупником ми почали працювати над дослідницьким проектом».

Команда Марії прагнула знайти корисне застосування для штучного інтелекту й навчала алгоритми аналізувати фотографії сітківки очей у хворих на цукровий діабет, щоб визначити можливі ускладнення від хвороби.

«Ми вчили штучний інтелект визначати ступінь діабетичної ретинопатії: це одне з ускладнень діабету, на яке страждають хворі. У нас були мікроскопічні фотографії задньої стінки ока різних пацієнтів. Алгоритми найкращих дата-саєнтистів досягали точності встановлення діагнозу до 80%, однак медики досі не схильні довіряти цим результатам. Тому весь процес був для нас скоріше дослідженням методики навчання машинного інтелекту. Нашим ментором був Дмитро Фішман, викладач біоінформатики з Тартуського університету, який зацікавив мене цією темою», – ділиться Марія.

Після відкриття магістерської програми з комп’ютерних наук в УКУ між бакалаврами й магістрами почалася тісна співпраця. Старші студенти розповіли про змагання з Data Science і заохотили Марію взяти участь в одному з них.

«Наша команда програмістів брала участь у Data Science Game у 2017 році. Це були світові змагання: приїхали понад 150 команд із 40 країн. Спочатку ми потрапили до двадцятки найкращих, а у фіналі в Парижі посіли п’яте місце», – розповідає дівчина.

Учасниця міжнародних шкіл з Data ScienceПісля повернення зі змагань Марії відразу запропонували роботу: студентка віддалено вчила машинний інтелект опрацьовувати зображення й тексти, розробляла чат-ботів для зворотного зв’язку і відшукувала аномалії в часових рядах:

«Робота більшою мірою полягала в обробці природної мови. У цій галузі було безліч проблем, які мені цікаво досліджувати. Наприклад, у цьому семестрі ми з командою магістрів працювали з архівом наукових матеріалів, для того щоб алгоритми навчилися автоматично реферувати кожну статтю. Це називається “текстове узагальнення”: машинне навчання й нейронні мережі автоматично виокремлюють із тексту найголовніше й не змінюють при цьому його сенсу».

Зі слів Марії, найбільше їй подобається постійна потреба працювати з різними даними й дізнаватися щось нове: «Коли я вивчала тексти, то почала більше цікавитися мовами й креативним письмом. Дослідження з картинками стосувалися здебільшого біоінформатики. Останнє, чим я займалася, – часові ряди в соцмережах. Завдання стосувалося відстежування поведінки користувачів під час натискання на рекламні банери у Facebook та інших мережах. Комп’ютерні алгоритми де-не-де перетинаються, але галузі зовсім різні, – можна дізнатися абсолютно про все. Цікаво було б ще попрацювати зі звуком і музикою. Існує окремий напрям, який займається генеруванням музики за допомогою штучного інтелекту».

Цьогоріч дівчина вирішила спробувати свої сили в розв’язуванні бізнес кейсів і разом з командою бакалаврів узяла участь у Business Case Champ від KSE, на якому дісталася фіналу змагань.

«Коли на конкурсі чули, що до п’ятірки фіналістів потрапили не економісти, а програмісти, усі були дуже здивовані, – каже Марія. – У нас була цікава команда: три програмісти, один історик і філософ. Мабуть, допомогла креативність, бо ми не дуже-то переймалися моделюванням ситуації економічними методами, а намагалися вирішити бізнес-кейси, спираючись на життєвий досвід».

Учасниця міжнародних шкіл з Data Science

Про галузі застосування штучного інтелекту і про те, чи забере він роботу в людей

Попри стрімкий розвиток ШІ, наразі можна не хвилюватися, що робота людей стане менш потрібною: «Коли алгоритму доводиться мати справу зі створенням нового, то він цілком безсилий. Зараз найбільший хайп – це генеративні нейронні мережі, які можуть узяти будь-яке зображення й накласти на нього певний фільтр, що видозмінить цей предмет. Наприклад, алгоритм може взяти картину Ван Ґоґа й спроектувати її на фото звичайних дверей, перетворивши їх на двері в стилі творів митця. Однак усі ці успіхи базуються на тому, що люди дають комп’ютерам певні дані. У процесі навчання й оптимізації алгоритми підлаштовуються під цю інформацію, тому не здатні згенерувати щось абсолютно нове», – розмірковує Марія.

За її словами, зважаючи на те, що штучний інтелект займає своєрідну нішу на ринку, то він переважно створює робочі місця.

Учасниця міжнародних шкіл з Data Science«Одна з найвідоміших сфер використання ШІ – це машини з автопілотом, які розповсюджені на Заході. Штучний інтелект у реальному часі сегментує дорогу – виділяє окремі складові й вирішує, як він має поводитися. З банальніших речей – рекомендації для прослуховування музики. Такі ж алгоритми використовують на сайтах онлайн-магазинів. Однак найбільше заробляють саме на передбаченні попиту. ШІ допомагає дізнатися, як можна заробити. Якщо компанія щось продає, то її цікавить передбачення продажів на наступний місяць, щоб зекономити витрати й збільшити доходи. Проте це доволі стандартний метод Data Science, який уже встиг стати заїждженим», – каже студентка.

Українські розробники також долучаються до найновіших трендів. Нещодавно Amazon викупив український проект, який дозволяє монетизувати обробку відео у сфері безпеки.

«Компанія має доступ до камери на вхідних дверях будинку. Штучний інтелект у реальному часі відстежує, чи з’являється поруч яка-небудь активність. Якщо відбувається щось дивне, штучний інтелект надсилає повідомлення на мобільний пристрій власнику цього будинку», – розповідає дівчина.

Учасниця міжнародних шкіл з Data Science

Реклама

Про те, чи важко поєднувати роботу й навчання

Зі слів Марії, вчитися й працювати досить складно, проте одне чудово доповнює інше.

«Робота потребує максимальної концентрації – ти ізолюєшся від університету. Але коли відкладаєш роботу й дивишся на навчальні проекти, то виявляється, що вони теж цікаві й корисні, однак на них потрібно витратити багато часу й уваги. Курси машинного навчання і роботи з великими даними, які ми проходили цього семестру в УКУ, якраз стосувалися моєї спеціалізації. Їх об’єктивно потрібно поєднувати», – каже програмістка.

Левову частку власного часу дівчина витрачає на самоосвіту. І це попри те, що багато отримує від роботи й університету.

«Я почала працювати ще тоді, коли в УКУ давали лише базові знання. Утім, ця інформація теж потрібна. Ми вивчали різні операційні системи, архітектуру комп’ютера та комп’ютерні мережі. Але я відразу знала, що хотіла займатися саме Data Science, тому потрібно було вчитися самостійно», – розповідає Марія.

За її словами, найцінніше в університеті – спільнота й знайомства. Саме оточення стає каталізатором розвитку, а завдяки спілкуванню можна знайти наукових керівників.

«На мій розвиток вплинули нові програми, які постійно тут відкривають, – розповідає Марія. – Коли я була на літній школі з програмування, то сподівалася, що зможу хоча б зрозуміти, як працює паризька Ecole Polytechnique. Проте цього не сталося, бо всього декілька спікерів були власне з місцевого університету, а всі інші – запрошені гості. Багато учасників школи були старшого віку й перед тим, як вони почали займатися Data Science і штучним інтелектом, багато часу присвятили вивченню інших наук: фізики, математики, фінансів. Виявляється, що сторонній бекграунд є дуже корисним, тому мені потрібно йти в зворотному напрямку – маючи технічні навички, розвиватися більше в інших галузях. На літній школі з Data Science були справжні гуру штучного інтелекту: один з найвидатніших розробників Ян Лі Кун, професори з Принстону, із Тель-Авівського університету – усі ці люди мають надзвичайно великий досвід і радо ним діляться. Я дуже хотіла туди потрапити, однак школа була тільки для магістрів і PhD. Але я вирішила не опускати рук і написала окремого листа, де попросила, щоб мені дозволили взяти участь у школі, й розповіла про свій досвід і зацікавленість штучним інтелектом. Моє бажання оцінили й запросили до участі».

Помилка в тексті? Виділи її, натисни Shift + Enter або клікни тут.

comments powered by Disqus