أربعة من المتخصصين ذوي الخبرة حول كيفية تعاملهم مع الذكاء الاصطناعي ، وما الصعوبات التي واجهوها والمهام التي يحلونها.
"في البداية كان الأمر مخيفًا دائمًا ، لكنني لم أندم أبدًا"
غريغوري سابونوف ، المدير التنفيذي ، إنتنتو
المؤسس المشارك والمدير الفني عند بدء التشغيل ، هو المسؤول عن التطوير التكنولوجي ، وهندسة الحلول وتقييم جودتها ، وتطبيق الذكاء الاصطناعى والقضايا الفنية الأخرى ، وتشارك في إدارة وتطوير وتعيين الموظفين.بداية الرحلة. من الصعب أن نقول بالضبط ما الذي قادني إلى المهنة: منذ الطفولة كنت مهتمًا بالبرمجة. في نفس الوقت ، كنت مهتمًا بعلم النفس والبيولوجيا والرياضيات والإلكترونيات الراديوية وقراءة مجلات "فني شاب" و "شاب طبيعي".
لفترة طويلة ، كان كل ما يتعلق بالذكاء الاصطناعي بالنسبة لي هواية وليس مهنة. في مرحلة ما ، أدركت أن هذه المواضيع تشكل أيضًا جزءًا مهمًا من مهام عملي. يمكنك مقارنة ذلك بوصولي إلى ياندكس في عام 2007.
الصعوبات الأولى. في حالتي ، كان الانتقال تدريجيًا: بدأت مسيرتي المهنية بمختلف مشروعات تكنولوجيا المعلومات ، وكان أول مشروع "تجاري" هو محرك البحث لمجموعة ملخصات موسكو المكتوبة باللغة بيرل. لم يكن من الممكن دائمًا فهم موضوعات جديدة في المرة الأولى ، اضطررت إلى إعادة قراءة العديد من الكتب المختلفة لفهم شيء ما ، بالإضافة إلى تجربة الكثير.
شاركت مرارًا وتكرارًا في مشاريع جديدة تمامًا ، حيث افتقرت في البداية إلى المعرفة اللازمة تمامًا - كان عليَّ إتقانها على طول الطريق. في البداية كان الأمر مخيفًا دائمًا ، لكنني لم أندم أبدًا.
لفهم كيفية عمل كل شيء ، بدأت دائمًا البرمجة من أدنى مستوى. هكذا كان الحال مع خوارزمية رسم خط برينزهام ، تظليل فونج أو جورو - عندما درست رسومات الكمبيوتر ، وبإنشاء شبكة عصبية بسيطة ، أو تنفيذ طريقة متجه الدعم أو الخوارزمية الجينية - عندما انغمست أعمق في الذكاء الاصطناعي. ثم ذهبت إلى نفسي لفترة طويلة: لم أكن أرغب في استخدام المكتبات الجاهزة وحاولت أن أكتب مكتبي من الصفر.
المهام المهنية. لقد أصبح الذكاء الاصطناعي تقنية متعددة الاستخدامات إلى حد ما. خلال السنوات القليلة الماضية ، وبمساعدة ML أو هندسة البرمجيات ، قمت أنا وزملائي بمهام مختلفة جدًا:
- التعرف على الصور: علامات الطريق من كاميرا الهاتف الذكي أو البضائع على رف المتجر ؛
- هيكلة تدفق الأخبار: تجميع الأخبار حول مواضيع مشتركة ، والتعليق على المجموعات الناتجة ، وتسليط الضوء على الحقائق المهمة ، وتصنيف التدفق حسب الأهمية ، وما إلى ذلك ؛
- التنبؤ في التعليم: أي من الطلاب سيتخلى عن دورة عبر الإنترنت في المستقبل القريب ؛
- تحليلات مركز الاتصال الفعلي: تحديد موضوع المحادثة الهاتفية وعواطف الناس ؛
- تحليل البيانات الجينومية: لتحديد بنية الكروماتين ؛
- العمل مع النصوص: العثور على جمل تتوافق مع بعضها البعض بين النصوص المتوازية بلغتين مختلفتين ؛
- وأكثر من ذلك بكثير: -)
الآن يمكنني تحديد نقاط القوة والضعف في النماذج والخدمات القائمة على الذكاء الاصطناعي. هذا يساعد على اختيار أي منها مناسب لمهمة عمل معينة.
الخطط المستقبلية. ماذا أخطط للقيام بعد ذلك؟ سأطبق مهاراتي المكتسبة في مجالات الطب وعلم الأحياء ، ودراسة "علم النفس" للأنظمة المعقدة الطبيعية والاصطناعية ، ومحاولة إنشاء عالم الذكاء الاصطناعي ، أو على الأقل مساعد ، لزيادة كفاءتي. أخطط أيضًا لتعلم العديد من لغات البرمجة الجديدة: Rust ، Swift ، Kotlin ، Julia أو Elixir. سأحاول أيضًا القيام بمزيد من مشاريع الأجهزة باستخدام الذكاء الاصطناعي استنادًا إلى Jetson Nano أو Google Edge TPU أو FPGA.
ديمتري كورشنكو ، مهندس ومدير البحث والتطوير العميق ، نفيديا
يشارك رئيس مجموعة R&D في معالجة الصور: استخدام الشبكات العصبية لمعالجة الصور ورسومات الكمبيوتر والرسوم المتحركة والمحاكاة الفيزيائية.بداية الرحلة. أثناء دراستي في الجامعة ، كنت مولعا برؤية الكمبيوتر ، ولذا قررت الانضمام إلى مختبر رسومات الحاسوب والوسائط المتعددة في كلية الرياضيات الحاسوبية وعلم التحكم الآلي في جامعة موسكو الحكومية.
بعد أن كنت أعمل في جامعة سامسونغ ، عدت إلى رؤية الكمبيوتر: كان أحد مشاريعي الأولى تحليل الصور الطبية باستخدام الشبكات العصبية التلافيفية. وعندما انتشرت الشبكات العصبية في عام 2012 بنشاط في مناطق أخرى ، توسعت مجموعة مشاريعي بشكل كبير.
المهام المهنية. كمهندس بحث وتطوير عميق ، أشارك في كل من البحث والتطوير: من إنشاء خوارزميات جديدة وإجراء تجارب مختلفة إلى تنفيذ المنتجات النهائية مع التحسين اللاحق. بالإضافة إلى ذلك ، على مدى السنوات القليلة الماضية ، كنت أعطي دروسًا في الماجستير وأكون معلمة في دورات التعلم الآلي والشبكات العصبية في مختلف مدارس التعليم الإضافية.
ترتبط معظم مهامي الآن بأنواع البيانات المعقدة - الصور ، الأصوات ، نماذج المضلعات ، بيانات التينسور ، إلخ. بما في ذلك ما زلت أشارك في رؤية الكمبيوتر: تصنيف الصور ، وكشف الأشياء ، والتجزئة الدلالية ؛ إنشاء أطر الشبكة العصبية.
الخطط المستقبلية. خططي المباشرة هي تعزيز مجموعة R&D المتخصصة في الشبكات العصبية في مكتب NVIDIA Moscow ، بالإضافة إلى الاستمرار في التطوير في المجال التعليمي في مجال الذكاء الاصطناعي: لجعل المحتوى للمحاضرات والدورات وقناة YouTube الشخصية.
"في فجر 2000 ، لم يكن مصطلح" عالم البيانات "موجودًا ، لكن في الحقيقة فعلت ذلك".
آنا كوستيكوفا ، مديرة علوم البيانات والمعلوماتية الحيوية في نوفارتيس
يقود فريقًا تشمل مهامه إنشاء دواء شخصي في تطوير عقاقير جديدة. يتمثل جوهر عمل المجموعة في تطوير العقاقير واختيارها بناءً على تحليل المعلومات الرقمية حول الحمض النووي والبروتينات والبيانات السريرية للمرضى. للقيام بذلك ، تستخدم أنا وفريقها التعلم الآلي والمعلوماتية الحيوية والإحصاءات.
بداية الرحلة. في فجر 2000 ، لم يكن مصطلح "عالم البيانات" موجودًا ، لكن في الحقيقة فعلت ذلك. على سبيل المثال ، في الجامعة ، وجدت وظيفة جانبية حيث اضطررت إلى جمع البيانات لقاعدة البيانات ، والتوصل إلى هيكل وإتاحة العمل مع قاعدة البيانات. كل هذا فعلت في MS Access على جهاز كمبيوتر مع 512 ميغابايت من ذاكرة الوصول العشوائي و 1 جيجابايت من مساحة القرص الثابت :–)
في السنة الثالثة ، حصلت على تدريب داخلي في شركة غير ربحية ، حيث كانوا مشاركين في تحليل الصور الفضائية. عندها حاولت استخدام الشبكات العصبية والتصنيف بدون تدريب ومعه المنطق الغامض وما إلى ذلك. بعد ذلك ، كانت أجهزة الكمبيوتر المزودة بأربعة غيغابايت من ذاكرة الوصول العشوائي قابلة للمقارنة معجزة ، ولم نقم بإيقافها في عطلة نهاية الأسبوع - بحيث "تحسب" أثناء الراحة.
الصعوبات الأولى. لأول مرة ، جاء العمل مع "Data" Data Dataist الرسمي لي في عام 2014. ثم حصلت على وظيفة في Booking.com واكتشفت كيف يبدو العمل في هذا المجال على نطاق صناعي: مع عينات من البيانات بمليارات الصفوف.
في أي مجال ، تعد السنتين الأوليتين الأكثر صعوبة: كل المصطلحات جديدة بالنسبة لك ، وليس من الواضح ما هو المهم وما هو غير المهم.
تعلم الأشياء الجديدة دائمًا هو وظيفة السيني: يجب عليك التغلب على الهضبة الأولى عندما يبدو أنك لن تفهمها أبدًا. على سبيل المثال ، في مدرسة الدراسات العليا في سويسرا ، كنت بحاجة لمعرفة كيفية تحليل البيانات الجينية وكتابة نص بيرل للتحليل على نطاق واسع. في تلك اللحظة لم أكن أعرف أي شيء من هذا ، لكنني خرجت بطريقة ما. الشيء الرئيسي هو عدم الخوف ومحاولة.
المهام المهنية. في ممارستي ، كان هناك الكثير من المهام المختلفة: من تحليل صور الأقمار الصناعية لـ WWF إلى تحسين عملية التخمير في Heineken ، من التنبؤ بسلوك المستخدمين على الإنترنت لـ Booking.com إلى التنبؤ بتشغيل العقاقير في Novartis.
أعمل حاليًا كمدير لتحليل البيانات والمعلوماتية الحيوية في نوفارتيس. لدي أيضًا شركتي الخاصة بتشخيص السرطان. أود حقًا الاستفادة من علوم البيانات والتعلم الآلي للرعاية الصحية والطب - من تطوير الأدوية إلى التشخيص. أعتقد أنه خلال العشرين إلى الخمسين عامًا القادمة ، فإن حصة الأسد من جهود المحللين حول العالم ستهدف إلى حل المشكلات الطبية الحيوية على وجه التحديد ، وتغيير نوعية حياة البشرية ، وليس فقط تحسينها على الإنترنت وفي الإنتاج.
"ثم كنت متأكدًا من أنني كنت أعرف كل شيء بالفعل ، على الرغم من أنني ما زلت لا أعرف شيئًا على الإطلاق"
نيكيتا سيمينوف ، قائد فريق البرمجة اللغوية العصبية ، مركز الذكاء الاصطناعي MTS
يقود فرق البرمجة اللغوية العصبية ويتعامل مع كل ما يتعلق بمعالجة وفهم اللغة الطبيعية.
بداية الرحلة. حتى في السنوات الأولى للمعهد ، بدأت في دراسة التعلم الآلي اختياريًا: لقد درست التخصص "أمان الكمبيوتر" ، لكنني أدركت تدريجياً أنني لا أريد ربط حياتي به. تخرج المشرف من كلية الفنون التطبيقية في ميلانو ببرنامج علوم الكمبيوتر ، وبدأنا معه تطوير دورة اختيارية للتعلم الآلي. لم يكن هناك مصطلح مماثل في ذلك الوقت ، وتحدثوا في جميع أنحاء العالم فقط عن عناصر التعلم الثابت ، التي درسناها. لسوء الحظ ، لا يوجد في روسيا مثل هذه البرامج في علوم الكمبيوتر.
كان من الصعب للغاية العثور على وظيفة بعد المدرسة الثانوية على وجه التحديد من خلال ملف التعلم الآلي - كان المجال قد بدأ للتو. لذلك ذهبت إلى شركة ناشئة صغيرة كانت تعمل في أتمتة عروض الأسعار على مواقع الإعلان السياقية مثل Google AdWords. كانت مهمتي الأولى هي تطوير آلية تعتمد على الإحصاءات والقدرة التنبؤية للهدف حتى لا نتعامل دائمًا مع العرض الأول ، ولكن الثاني أو الثالث - تظهر هذه الأسطر أيضًا في الجزء العلوي من القائمة ، لكنها أرخص بكثير. ثم كنت متأكدًا من أنني أعرف كل شيء بالفعل ، رغم أنني ما زلت لا أعرف شيئًا.
الصعوبات الأولى. شكلت المهارات اللينة صعوبة كبيرة بالنسبة لي: كان من الضروري شرح ما كنت أفعله ، وماذا يعني كل ذلك ، وكيف وماذا يجب أن أترجم ، وما هو الأثر ، على الأشخاص الذين لم يفهموا أي شيء في مجال اختصاصي. في ذلك الوقت ، لم تكن عمليات التعلم من الأقران سائدة حتى الآن ، لذلك كان من الصعب للغاية التفاعل مع الفريق. مارست باستمرار: حاولت أن أنقل أفكاري وأشرح للفريق أبسط المقاييس. أعتقد أنه إذا كنت قد بدأت للتو مسيرتي المهنية الآن ، فلن أكون قادرًا على ضخ الكثير من الاتصالات - لا أحد تقريباً يسأل مثل هذه الأسئلة.
لم تكن هناك مشاكل تتعلق بالمهارات الصعبة: ثم استندت مهامي إلى التدريب الإحصائي والرياضيات ، وهو ما كنت ضليعا به. على الرغم من ذلك ، قرأت الكتب على أي حال: في Data Sience ، تحتاج إلى التطوير المستمر لفهم الأدوات والاتجاهات. بشكل عام ، كل تجربة عملي تمثل تحديًا كبيرًا. يحتاج كل مكان إلى أدوات ومعرفة جديدة ، لذلك كان من الضروري دائمًا التطوير بشكل مستقل.
بعد العمل في شركة ناشئة ، كانت هناك شركة أصبحت فيها أول عالم بيانات وبحثًا وتطويرًا: لقد ساعدت في إعداد أدوات التحليل الأولى ، وشاركت في رؤية الكمبيوتر وإنشاء نماذج تنبؤية تستند إلى بيانات من الأقمار الصناعية الفضائية.
المهام المهنية. في MTS ، وصلت إلى منصب كبير مهندسي رؤية الكمبيوتر ، ثم تقدمت إلى فريق يقود فريقين. من المهم للغاية بالنسبة لي أن أضخ المهارات اللينة ، لأن قائد الفريق هو مدرب لعب. إذا تحدثنا عن المهام ، فأنا هنا أفعل كل ما يتعلق بمعالجة وفهم لغة طبيعية. الآن هذا هو نوع من الاتجاه الذي يحدد اتجاهات جديدة تهدف إلى تبسيط حياة الشخص في المستقبل.
بمرور الوقت ، أدركت أن مجال الموضوع لا يؤثر كثيرًا على مجال معرفتك. في حالتي ، يؤثر موضوع الموضوع دائمًا على كيفية معالجة البيانات وتطبيقها على أي حل. والنهج تبقى دائما كما هي. وعندما يكون الخبراء في مجال الموضوع ، يتوصلون إلى حل مبتكر ، على سبيل المثال ، في معرفة الكمبيوتر ، يتدفق بمرور الوقت إلى مناطق أخرى. في هذا الصدد ، يتم مسح الخط الفاصل بين المناطق تدريجياً ، وأصبحت النهج والقواعد متشابهة.
المشكلة الرئيسية في مجالنا هي أنه يتطور بشكل غير متساو. اسمحوا لي أن أقدم لكم مثالاً: في علم البيانات ، يمكن أن يكون كل شيء هادئًا لفترة طويلة ، وبعد ذلك يتوصل شخص ما حلا حادا ، وبعد فترة قصيرة تصبح هذه الأشياء المتقدمة هي المعيار للجميع. من حيث العمل ، هذا أمر جيد وسيئ في نفس الوقت: فمن ناحية ، تضخ باستمرار المهارات و "تعمل" أسرع بعشر مرات من الآخرين ، من ناحية أخرى ، يتغير ملف تعريف عملك باستمرار.
الخطط المستقبلية. حتى الآن ليس لدي أي فهم في المجالات التي أريد تطويرها أكثر. أريد الغوص أكثر في ما أقوم به الآن.
من محرري Netology
معظم المهنيين ذوي الخبرة في مجال الذكاء الاصطناعى دخلوا المهنة بإحدى طريقتين:
- انتقل من مجال آخر للنشاط ، المهنة ؛
- عمل على تخصصات أخرى في تكنولوجيا المعلومات ، وفي مرحلة ما غرق في المهام المتعلقة بالذكاء الاصطناعي وتحليل البيانات.
في أي حال ، حتى المتخصصين ذوي الخبرة يتعلمون باستمرار أشياء جديدة ، ودراسة الموارد والمقالات المفيدة ، وأخذ دورات تدريبية متقدمة.
على الرغم من حقيقة أن الجامعات الروسية لم تنفذ بعد البرامج التعليمية المناسبة ، أصبح من السهل الآن أن تصبح عالمة بيانات مقارنة بأبطال مقالتنا.
إذا كنت مهتمًا بمجال الذكاء الاصطناعي والتعلم الآلي والتحليلات - فإننا ندعوك لدراسة برامج دوراتنا "
التعلم العميق " و "
التعلم الآلي ".