Cuatro especialistas experimentados sobre cómo trataron la inteligencia artificial, qué dificultades encontraron y qué tareas resolvieron.
"Al principio siempre daba miedo, pero nunca me arrepentí"
Grigory Sapunov, CTO, Intento
Cofundador y CTO en la startup, es responsable del desarrollo tecnológico, la arquitectura de las soluciones y la evaluación de su calidad, la aplicación de IA y otros problemas técnicos, está involucrado en la gestión, el desarrollo y la contratación de empleados.El comienzo del viaje. Es difícil decir qué me llevó exactamente a la profesión: desde pequeño me interesó la programación. Al mismo tiempo, me interesaba la psicología, la biología, las matemáticas, la radioelectrónica, leía las revistas "Young Technician" y "Young Naturalist".
Durante mucho tiempo, todo lo relacionado con la inteligencia artificial fue para mí un pasatiempo más que una profesión. En algún momento, me di cuenta de que estos temas también constituyen una parte importante de mis tareas laborales. Puede comparar esto con mi llegada a Yandex en 2007.
Primeras dificultades En mi caso, la transición fue gradual: mi carrera profesional comenzó con varios proyectos de TI, y el primer proyecto "comercial" fue el motor de búsqueda de la Colección de Resúmenes de Moscú escrita en Perl. No siempre fue posible comprender nuevos temas la primera vez, tuve que volver a leer varios libros diferentes para comprender algo, así como para experimentar mucho.
Me involucré repetidamente en proyectos completamente nuevos, donde al principio carecía por completo del conocimiento necesario: tuve que dominar en el camino. Al principio siempre daba miedo, pero nunca me arrepentí.
Para entender cómo funciona todo, casi siempre comencé a programar desde el nivel más bajo. Así fue con el algoritmo de dibujo lineal Brezenham, el sombreado Fong o Gouro, cuando estudié gráficos por computadora, y con la creación de una red neuronal simple, la implementación del método de vector de soporte o el algoritmo genético, cuando me sumergí más en la IA. Luego me repasé por mucho tiempo: no quería usar bibliotecas ya hechas y traté de escribir la mía desde cero.
Tareas profesionales. La inteligencia artificial se ha convertido en una tecnología bastante versátil. En los últimos años, con la ayuda de ML o Ingeniería de Software, mis colegas y yo hemos realizado tareas muy diferentes:
- reconocimiento de imágenes: señales de tráfico de la videocámara de un teléfono inteligente o productos en el estante de una tienda;
- estructurando el flujo de noticias: agrupando noticias sobre temas comunes, anotando los grupos resultantes y destacando hechos importantes, clasificando el flujo por importancia, etc.
- previsión en educación: cuál de los estudiantes abandonará un curso en línea en el futuro cercano;
- análisis de call center en tiempo real: definición del tema de una conversación telefónica y las emociones de las personas;
- análisis de datos genómicos: para determinar la estructura de la cromatina;
- trabajar con textos: encontrar oraciones que coincidan entre sí entre textos paralelos en dos idiomas diferentes;
- y mucho más :–)
Ahora identifico las fortalezas y debilidades de los modelos y servicios basados en inteligencia artificial. Esto ayuda a elegir cuáles son adecuados para una tarea comercial en particular.
Planes de futuro. ¿Qué planeo hacer a continuación? Aplicaré mis habilidades adquiridas en los campos de la medicina y la biología, estudiaré la "psicología" de los sistemas complejos naturales y artificiales, trataré de crear un científico de IA, o al menos un asistente, para aumentar mi eficiencia. También planeo aprender varios lenguajes de programación nuevos: Rust, Swift, Kotlin, Julia o Elixir. También intentaré hacer más proyectos de hardware con inteligencia artificial basada en Jetson Nano, Google Edge TPU o con FPGA.
Dmitry Korobchenko, ingeniero y gerente de I + D de aprendizaje profundo, NVIDIA
El jefe del grupo de I + D se dedica al procesamiento de imágenes: el uso de redes neuronales para el procesamiento de imágenes, gráficos por computadora, animación y simulación física.El comienzo del viaje. Mientras estudiaba en la universidad, me gustaba la visión por computadora y, por lo tanto, decidí unirme al Laboratorio de Gráficos por Computadora y Multimedia en la Facultad de Matemática Computacional y Cibernética de la Universidad Estatal de Moscú.
Trabajando en Samsung después de la universidad, volví a la visión por computadora: uno de mis primeros proyectos fue el análisis de imágenes médicas utilizando redes neuronales convolucionales. Y cuando en 2012 las redes neuronales se extendieron activamente a otras áreas, el rango de mis proyectos se expandió significativamente.
Tareas profesionales. Como ingeniero de I + D de Deep Learning, me dedico tanto a la investigación como al desarrollo: desde la creación de nuevos algoritmos y la realización de varios experimentos hasta la implementación de productos finales con la posterior optimización. Además, durante los últimos años he estado dando clases magistrales y siendo maestra en aprendizaje automático y cursos de redes neuronales en varias escuelas de educación adicional.
Ahora, la mayoría de mis tareas están relacionadas con tipos de datos complejos: imágenes, sonidos, modelos poligonales, datos de tensor, etc. Incluyendo que sigo involucrado en la visión por computadora: clasificación de imágenes, detección de objetos, segmentación semántica; crear marcos de redes neuronales.
Planes de futuro. Mis planes inmediatos son fortalecer el grupo de I + D especializado en redes neuronales en la oficina de NVIDIA Moscú, así como continuar desarrollándome en el campo educativo en el campo de la inteligencia artificial: crear contenido para conferencias, cursos y un canal personal de YouTube.
"En los albores de la década de 2000, el término científico de datos no existía, pero de hecho lo hice".
Anna Kostikova, Directora de Ciencia de Datos y Bioinformática en Novartis
Dirige un equipo cuyas tareas incluyen la creación de medicina personalizada en el desarrollo de nuevos medicamentos. La esencia del trabajo del grupo es que los medicamentos se desarrollan y seleccionan en función del análisis de información digital sobre el ADN, las proteínas y los datos clínicos de los pacientes. Para hacer esto, Anna y su equipo usan aprendizaje automático, bioinformática y estadística.
El comienzo del viaje. En los albores de la década de 2000, el término científico de datos no existía, pero de hecho lo hice. Por ejemplo, en la universidad encontré un trabajo secundario en el que tenía que recopilar datos para una base de datos, crear una estructura y hacer posible trabajar con la base de datos. Todo esto lo hice en MS Access en una computadora con 512 MB de RAM y 1 GB de espacio en el disco duro :–)
En el tercer año, obtuve una pasantía en una empresa sin fines de lucro, donde se dedicaron al análisis de imágenes espaciales. Fue entonces cuando intenté usar redes neuronales, clasificación sin entrenamiento y con ella, lógica difusa, etc. Luego, las computadoras con 4 gigabytes de RAM eran comparables a un milagro, y no las apagamos durante el fin de semana, para que "cuenten" mientras descansamos.
Primeras dificultades Por primera vez, trabajar con el "título" oficial de Data Scientist vino a mí en 2014. Luego conseguí un trabajo en Booking.com y descubrí lo que es trabajar en esta área a escala industrial: con muestras de datos de miles de millones de filas.
En cualquier campo, los primeros dos años son los más difíciles: toda la terminología es nueva para usted, no está claro qué es importante y qué no.
Aprender cosas nuevas siempre es una función sigmoidea: debes superar la primera meseta cuando parece que nunca lo entenderás. Por ejemplo, en una escuela de posgrado en Suiza, necesitaba aprender a analizar datos genómicos y escribir un script de Perl para análisis a gran escala. En ese momento no sabía nada de esto, pero de alguna manera salí. Lo principal es no tener miedo e intentarlo.
Tareas profesionales. En mi práctica, había muchas tareas diferentes: desde analizar imágenes de satélite para WWF hasta optimizar el proceso de elaboración de la cerveza en Heineken, desde predecir el comportamiento de los usuarios en Internet para Booking.com hasta predecir la operación de drogas en Novartis.
Actualmente trabajo como Director de Análisis de Datos y Bioinformática en Novartis. También tengo mi propia compañía de diagnóstico de cáncer. Realmente me gustaría aprovechar al máximo la ciencia de datos y el aprendizaje automático para la atención médica y la medicina, desde el desarrollo de medicamentos hasta el diagnóstico. Creo que durante los próximos 20 a 50 años, la mayor parte de los esfuerzos de los analistas de todo el mundo tendrán como objetivo resolver con precisión los problemas biomédicos, cambiar la calidad de vida de la humanidad y no solo optimizar en Internet y en la producción.
"Entonces estaba seguro de que ya lo sabía todo, aunque todavía no sabía nada"
Nikita Semenov, líder del equipo de PNL, centro de inteligencia artificial MTS
Dirige los equipos de PNL y se ocupa de todo lo relacionado con el procesamiento y la comprensión de un lenguaje natural.
El comienzo del viaje. Incluso en los primeros años del instituto, comencé a estudiar el aprendizaje automático opcionalmente: estudié la especialidad "Seguridad informática", pero gradualmente me di cuenta de que no querría conectar mi vida con ella. Mi supervisor se graduó del Politécnico de Milán con un programa de Ciencias de la Computación, y con él comenzamos a desarrollar un curso opcional de aprendizaje automático. Entonces no existía un término similar, y en todo el mundo solo hablaban sobre los elementos del aprendizaje estático, que estudiamos. Desafortunadamente, en Rusia todavía no existen tales programas en informática.
Fue extremadamente difícil encontrar un trabajo después de la escuela secundaria precisamente por el perfil del aprendizaje automático: la esfera estaba emergiendo. Así que fui a una pequeña startup que se dedicaba a automatizar ofertas en sitios de publicidad contextual como Google AdWords. Mi primera tarea fue desarrollar un mecanismo basado en estadísticas y la capacidad predictiva de la meta para que siempre no tomáramos la primera oferta, sino la segunda o la tercera, estas líneas también se muestran en la parte superior de la lista, pero son mucho más baratas. Entonces estaba seguro de que ya lo sabía todo, aunque todavía no sabía nada.
Primeras dificultades Las habilidades blandas constituyeron una gran dificultad para mí: era necesario explicar lo que estaba haciendo, lo que significaba, cómo y qué interpretar, y cuál sería el efecto, para las personas que no entendían nada en mi campo. En ese momento, los procesos de aprendizaje entre pares aún no eran convencionales, por lo que era muy difícil interactuar con el equipo. Practiqué constantemente: intenté transmitir mis pensamientos y explicarle al equipo incluso las métricas más simples. Creo que si recién comenzara mi carrera ahora, no podría bombear tanto en comunicación, casi nadie hace esas preguntas.
No hubo problemas con las habilidades difíciles: entonces mis tareas se basaron en el entrenamiento estadístico y las matemáticas, que estaba bien versado. A pesar de esto, leo libros de todos modos: en Data Sience, debes desarrollar constantemente para comprender las herramientas y las tendencias. En general, toda mi experiencia laboral es un gran desafío. Cada lugar requería nuevas herramientas y conocimientos, por lo que siempre era necesario desarrollarse de forma independiente.
Después de trabajar en una startup, había una compañía donde me convertí en el primer científico de datos e I + D: ayudé a configurar las primeras herramientas de análisis, me ocupé de la visión por computadora y la construcción de modelos predictivos basados en datos de satélites espaciales.
Tareas profesionales. En MTS, llegué al puesto de ingeniero senior de visión por computadora, y luego crecí como líder de dos equipos. Es especialmente importante para mí desarrollar habilidades blandas, porque el líder del equipo es un entrenador de juego. Si hablamos de tareas, entonces aquí hago todo lo relacionado con el procesamiento y la comprensión de un lenguaje natural. Ahora, este es un tipo de tendencia que establece nuevas tendencias destinadas a simplificar la vida de una persona en el futuro.
Con el tiempo, me di cuenta de que el área temática no afecta tanto el área de su conocimiento. En mi caso, el área temática siempre afecta cómo procesar y aplicar datos a cualquier solución. Y los enfoques siempre siguen siendo los mismos. Y cuando están en el área temática, los expertos encuentran una solución innovadora, por ejemplo, en conocimiento de computadoras, con el tiempo fluye hacia otras áreas. En este sentido, la línea entre las regiones se borra gradualmente, y los enfoques y las bases se están volviendo similares.
El principal problema de nuestra esfera es que se desarrolla de manera muy desigual. Permítanme darles un ejemplo: en Data Science, todo puede estar tranquilo durante mucho tiempo, y luego a alguien se le ocurre una solución, y después de poco tiempo, estos avances se convierten en el estándar para todos. En términos de trabajo, esto es bueno y malo al mismo tiempo: por un lado, constantemente bombea habilidades y "corre" 10 veces más rápido que los demás, por otro lado, su perfil de trabajo cambia constantemente.
Planes de futuro. Hasta ahora no entiendo en qué áreas quiero desarrollar más. Quiero profundizar aún más en lo que estoy haciendo ahora.
De los editores de Netology.
Los profesionales de IA más experimentados ingresaron a la profesión de una de dos maneras:
- se mudó de otro campo de actividad, la profesión;
- trabajó en otras especialidades en TI y, en algún momento, se sumergió en tareas relacionadas con la inteligencia artificial y el análisis de datos.
En cualquier caso, incluso especialistas experimentados están constantemente aprendiendo cosas nuevas, estudiando recursos y artículos útiles, y tomando cursos de capacitación avanzada.
A pesar de que las universidades rusas aún no han implementado los programas educativos apropiados, ahora es más fácil convertirse en un Científico de Datos que durante los héroes de nuestro artículo.
Si está interesado en el campo de la inteligencia artificial, el aprendizaje automático y el análisis, lo invitamos a estudiar los programas de nuestros cursos "
Aprendizaje profundo " y "
Aprendizaje automático ".