Vier erfahrene Spezialisten, wie sie mit künstlicher Intelligenz umgegangen sind, auf welche Schwierigkeiten sie gestoßen sind und welche Aufgaben sie lösen.
"Anfangs war es immer beängstigend, aber ich habe es nie bereut."
Grigory Sapunov, CTO, Intento
Mitbegründer und technischer Direktor beim Startup, verantwortlich für die technologische Entwicklung, die Architektur der Lösungen und die Bewertung ihrer Qualität, die Anwendung von KI und andere technische Probleme, ist an der Verwaltung, Entwicklung und Einstellung von Mitarbeitern beteiligt.Der Beginn der Reise. Es ist schwer zu sagen, was mich genau zum Beruf geführt hat: Seit meiner Kindheit interessierte ich mich für das Programmieren. Gleichzeitig interessierte ich mich für Psychologie, Biologie, Mathematik, Radioelektronik, las die Zeitschriften „Young Technician“ und „Young Naturalist“.
Lange Zeit war alles, was mit künstlicher Intelligenz zu tun hatte, für mich eher ein Hobby als ein Beruf. Irgendwann wurde mir klar, dass diese Themen auch einen wesentlichen Teil meiner Arbeitsaufgaben ausmachen. Sie können dies mit meiner Ankunft bei Yandex im Jahr 2007 vergleichen.
Erste Schwierigkeiten. In meinem Fall verlief der Übergang schrittweise: Meine berufliche Laufbahn begann mit verschiedenen IT-Projekten, und das erste „kommerzielle“ Projekt war die Suchmaschine für die in Perl geschriebene Moscow Abstracts Collection. Es war nicht immer möglich, neue Themen zum ersten Mal zu verstehen, ich musste mehrere verschiedene Bücher erneut lesen, um etwas zu verstehen und viel zu experimentieren.
Ich habe mich immer wieder auf ganz neue Projekte eingelassen, bei denen mir anfangs das nötige Wissen fehlte - ich musste dabei meistern. Anfangs war es immer beängstigend, aber ich habe es nie bereut.
Um zu verstehen, wie alles funktioniert, begann ich fast immer von der untersten Ebene aus zu programmieren. So war es mit dem Brezenham-Strichzeichnungsalgorithmus, Fong- oder Gouro-Shading - als ich Computergrafik studierte und mit der Schaffung eines einfachen neuronalen Netzwerks, der Implementierung der Support-Vektor-Methode oder des genetischen Algorithmus - als ich tiefer in die KI eintauchte. Dann habe ich mich lange überlegt: Ich wollte keine fertigen Bibliotheken verwenden und habe versucht, meine eigenen von Grund auf neu zu schreiben.
Professionelle Aufgaben. Künstliche Intelligenz ist zu einer vielseitigen Technologie geworden. In den letzten Jahren haben ich und meine Kollegen mit Hilfe von ML oder Software Engineering sehr unterschiedliche Aufgaben erledigt:
- Bilderkennung: Verkehrszeichen vom Camcorder eines Smartphones oder Waren in einem Ladenregal;
- Strukturieren des Nachrichtenflusses: Gruppieren von Nachrichten zu allgemeinen Themen, Kommentieren der resultierenden Cluster und Hervorheben wichtiger Fakten, Ordnen des Nachrichtenflusses nach Wichtigkeit usw .;
- Prognose im Bildungsbereich: Welcher der Studenten wird in naher Zukunft einen Online-Kurs einstellen?
- Call-Center-Analyse in Echtzeit: Definieren des Themas eines Telefongesprächs und der Emotionen von Personen;
- Analyse von Genomdaten: Bestimmung der Struktur von Chromatin;
- Arbeit mit Texten: Finden von Sätzen, die zwischen parallelen Texten in zwei verschiedenen Sprachen übereinstimmen;
- und vieles mehr :-)
Jetzt identifiziere ich die Stärken und Schwächen von Modellen und Diensten, die auf künstlicher Intelligenz basieren. Dies hilft bei der Auswahl, welche für eine bestimmte Geschäftsaufgabe geeignet sind.
Zukunftspläne. Was plane ich als nächstes zu tun? Ich werde meine erworbenen Fähigkeiten in den Bereichen Medizin und Biologie anwenden, die „Psychologie“ natürlicher und künstlicher komplexer Systeme studieren, versuchen, einen KI-Wissenschaftler oder zumindest einen Assistenten zu schaffen, um meine Effizienz zu steigern. Ich plane auch, mehrere neue Programmiersprachen zu lernen: Rust, Swift, Kotlin, Julia oder Elixir. Ich werde auch versuchen, weitere Hardwareprojekte mit künstlicher Intelligenz auf der Basis von Jetson Nano, Google Edge TPU oder FPGA durchzuführen.
Dmitry Korobchenko, Deep Learning R & D Engineer und Manager, NVIDIA
Der Leiter der Forschungs- und Entwicklungsgruppe befasst sich mit Bildverarbeitung: Nutzung neuronaler Netze für Bildverarbeitung, Computergrafik, Animation und physikalische Simulation.Der Beginn der Reise. Während meines Studiums an der Universität mochte ich Computer Vision und entschloss mich daher, am Labor für Computergrafik und Multimedia der Fakultät für Computermathematik und Kybernetik der Moskauer Staatlichen Universität teilzunehmen.
Nachdem ich an der Universität bei Samsung gearbeitet hatte, kehrte ich zu Computer Vision zurück. Eines meiner ersten Projekte war die Analyse von medizinischen Bildern mithilfe von neuronalen Faltungsnetzen. Und als sich 2012 neuronale Netze aktiv in andere Bereiche ausbreiteten, erweiterte sich das Spektrum meiner Projekte erheblich.
Professionelle Aufgaben. Als Deep Learning R & D Engineer bin ich sowohl in der Forschung als auch in der Entwicklung tätig: von der Erstellung neuer Algorithmen über die Durchführung verschiedener Experimente bis hin zur Implementierung von Endprodukten mit anschließender Optimierung. Außerdem gebe ich seit einigen Jahren Meisterkurse und bin Lehrer für maschinelles Lernen und Neuronale Netze an verschiedenen weiterführenden Schulen.
Jetzt beziehen sich die meisten meiner Aufgaben auf komplexe Datentypen - Bilder, Töne, polygonale Modelle, Tensordaten usw. Ich beschäftige mich auch weiterhin mit Computer Vision: Bildklassifizierung, Objekterkennung, semantische Segmentierung; Erstellen Sie neuronale Netzwerk-Frameworks.
Zukunftspläne. Meine unmittelbaren Pläne sind es, die auf neuronale Netze spezialisierte Forschungs- und Entwicklungsgruppe im Büro von NVIDIA Moskau zu stärken und mich im Bereich der künstlichen Intelligenz im Bildungsbereich weiterzuentwickeln: Inhalte für Vorlesungen, Kurse und einen persönlichen YouTube-Kanal zu erstellen.
"Zu Beginn der 2000er Jahre gab es den Begriff Data Scientist nicht, aber genau das habe ich getan."
Anna Kostikova, Director Data Science und Bioinformatik bei Novartis
Er leitet ein Team, dessen Aufgabe es ist, personalisierte Medizin für die Entwicklung neuer Medikamente zu entwickeln. Das Wesentliche der Arbeit der Gruppe ist, dass Medikamente auf der Grundlage der Analyse digitaler Informationen über DNA, Proteine und klinische Daten von Patienten entwickelt und ausgewählt werden. Dazu setzen Anna und ihr Team maschinelles Lernen, Bioinformatik und Statistik ein.
Der Beginn der Reise. Zu Beginn der 2000er Jahre gab es den Begriff Data Scientist nicht, aber genau das habe ich getan. Zum Beispiel fand ich an der Universität eine Nebenbeschäftigung, bei der ich Daten für eine Datenbank sammeln, eine Struktur ausarbeiten und die Arbeit mit der Datenbank ermöglichen musste. Das alles habe ich in MS Access auf einem Computer mit 512 MB RAM und 1 GB Festplattenspeicher gemacht :–)
Im dritten Jahr bekam ich ein Praktikum bei einer gemeinnützigen Firma, wo sie sich mit der Analyse von Weltraumbildern beschäftigte. Damals habe ich zuerst versucht, neuronale Netze, Klassifikation ohne Training und damit Fuzzy-Logik usw. zu verwenden. Dann waren Computer mit 4 Gigabyte RAM vergleichbar mit einem Wunder, und wir haben sie für das Wochenende nicht ausgeschaltet - damit sie „zählen“, während wir uns ausruhen.
Erste Schwierigkeiten. Zum ersten Mal kam 2014 die Arbeit mit dem offiziellen „Titel“ Data Scientist zu mir. Dann bekam ich eine Stelle bei Booking.com und fand heraus, wie es ist, in diesem Bereich im industriellen Maßstab zu arbeiten: mit Datenproben von Milliarden von Zeilen.
In jedem Bereich sind die ersten beiden Jahre am schwierigsten: Die gesamte Terminologie ist für Sie neu, es ist nicht klar, was wichtig ist und was nicht.
Neues zu lernen ist immer eine Sigmoid-Funktion: Sie müssen das erste Plateau überwinden, wenn Sie den Anschein haben, dass Sie es niemals verstehen werden. Zum Beispiel musste ich in einer Graduiertenschule in der Schweiz lernen, wie man Genomdaten analysiert und ein Perl-Skript für eine groß angelegte Analyse schreibt. In diesem Moment wusste ich nichts davon, aber irgendwie stieg ich aus. Die Hauptsache ist, keine Angst zu haben und es zu versuchen.
Professionelle Aufgaben. In meiner Praxis gab es viele verschiedene Aufgaben: von der Analyse von Satellitenbildern für den WWF über die Optimierung des Brauprozesses in Heineken bis hin zur Vorhersage des Verhaltens von Nutzern im Internet für Booking.com und der Vorhersage des Drogenkonsums in Novartis.
Ich arbeite derzeit als Direktor für Datenanalyse und Bioinformatik bei Novartis. Ich habe auch meine eigene Krebsdiagnostikfirma. Ich möchte Data Science und maschinelles Lernen für das Gesundheitswesen und die Medizin optimal nutzen - von der Arzneimittelentwicklung bis zur Diagnose. Ich glaube, dass in den nächsten 20 bis 50 Jahren der Löwenanteil der Bemühungen von Analysten auf der ganzen Welt darauf abzielen wird, genau biomedizinische Probleme zu lösen, die Lebensqualität der Menschheit zu verändern und nicht nur im Internet und in der Produktion zu optimieren.
"Dann war ich mir sicher, dass ich schon alles wusste, obwohl ich noch gar nichts wusste."
Nikita Semenov, NLP-Teamleiter, MTS-Zentrum für künstliche Intelligenz
Er leitet die NLP-Teams und kümmert sich um alles, was mit der Verarbeitung und dem Verständnis einer natürlichen Sprache zu tun hat.
Der Beginn der Reise. Schon in den ersten Jahren des Instituts habe ich optional begonnen, maschinelles Lernen zu studieren: Ich habe das Fach "Computer Security" studiert, aber nach und nach wurde mir klar, dass ich mein Leben nicht damit verbinden möchte. Mein Vorgesetzter absolvierte ein Informatikprogramm am Mailänder Polytechnikum, und mit ihm begannen wir, einen optionalen Kurs für maschinelles Lernen zu entwickeln. Ein ähnlicher Begriff gab es damals nicht, und überall auf der Welt sprachen sie nur über die Elemente des statischen Lernens, die wir studierten. Leider gibt es in Russland immer noch keine derartigen Programme in der Informatik.
Gerade durch das Profil des maschinellen Lernens war es äußerst schwierig, nach dem Abitur einen Arbeitsplatz zu finden - die Sphäre tauchte gerade auf. Also bin ich zu einem kleinen Startup gegangen, das sich mit der Automatisierung von Geboten für kontextbezogene Werbeseiten wie Google AdWords befasst. Meine erste Aufgabe war es, einen Mechanismus zu entwickeln, der auf Statistiken und der Vorhersagefähigkeit des Ziels basiert, sodass wir immer nicht das erste Gebot, sondern das zweite oder dritte Gebot annehmen - diese Zeilen stehen ebenfalls ganz oben auf der Liste, sind aber viel billiger. Dann war ich mir sicher, dass ich schon alles wusste, obwohl ich noch nichts wusste.
Erste Schwierigkeiten. Softskills stellten für mich eine große Schwierigkeit dar: Ich musste erklären, was ich tat, was alles bedeutete, wie und was zu interpretieren war und welche Auswirkungen dies auf Menschen haben würde, die auf meinem Gebiet nichts verstanden hatten. Zu dieser Zeit waren Peer-Learning-Prozesse noch kein Mainstream, so dass es sehr schwierig war, mit dem Team zu interagieren. Ich habe ständig geübt: Ich habe versucht, meine Gedanken zu vermitteln und dem Team auch die einfachsten Metriken zu erklären. Ich denke, wenn ich gerade erst meine Karriere anfangen würde, könnte ich in der Kommunikation nicht so viel rauspumpen - fast niemand stellt solche Fragen.
Es gab keine Probleme mit den Fertigkeiten: Damals beruhten meine Aufgaben auf statistischem Training und Mathematik, mit denen ich gut vertraut war. Trotzdem lese ich sowieso Bücher: In Data Sience muss man sich ständig weiterentwickeln, um Tools und Trends zu verstehen. Im Allgemeinen ist meine gesamte Berufserfahrung eine große Herausforderung. Jeder Ort erforderte neue Werkzeuge und Kenntnisse, daher war es immer notwendig, sich unabhängig zu entwickeln.
Nachdem ich in einem Startup gearbeitet hatte, gab es eine Firma, in der ich der erste Data Scientist und R & D war: Ich half beim Aufbau der ersten Analysetools, beschäftigte mich mit Computer Vision und der Konstruktion von Vorhersagemodellen auf der Basis von Daten von Weltraumsatelliten.
Professionelle Aufgaben. Bei MTS bin ich zum Senior Computer Vision Engineer gewechselt und bin dann zum Teamleiter von zwei Teams gewachsen. Für mich ist es besonders wichtig, Soft Skills zu fördern, da der Teamleiter ein spielender Trainer ist. Wenn wir über Aufgaben sprechen, dann mache ich hier alles rund um das Verarbeiten und Verstehen einer natürlichen Sprache. Dies ist eine Art Trend, der neue Trends setzt, um das Leben eines Menschen in Zukunft zu vereinfachen.
Im Laufe der Zeit wurde mir klar, dass der Themenbereich nicht so sehr den Bereich Ihres Wissens beeinflusst. In meinem Fall hat der Themenbereich immer Einfluss darauf, wie Daten verarbeitet und auf eine beliebige Lösung angewendet werden. Und die Ansätze bleiben immer gleich. Und wenn Experten im Fachgebiet eine innovative Lösung finden, zum Beispiel in Bezug auf Computerwissen, fließt sie im Laufe der Zeit in andere Bereiche ein. In dieser Hinsicht wird die Grenze zwischen den Regionen allmählich gelöscht, und Ansätze und Grundlagen werden ähnlich.
Das Hauptproblem unserer Sphäre ist, dass sie sich sehr ungleichmäßig entwickelt. Lassen Sie mich ein Beispiel geben: In Data Science kann es lange ruhig sein, und dann hat jemand eine Lösung parat, und nach kurzer Zeit werden diese bahnbrechenden Dinge zum Standard für alle. In Bezug auf die Arbeit ist dies sowohl gut als auch schlecht: Einerseits pumpt man konstant Fähigkeiten und „rennt“ zehnmal schneller als die anderen, andererseits ändert sich das Arbeitsprofil ständig.
Zukunftspläne. Bisher habe ich kein Verständnis, in welchen Bereichen ich mich weiterentwickeln möchte. Ich möchte noch tiefer in das eintauchen, was ich gerade mache.
Von den Herausgebern von Netology
Die meisten erfahrenen KI-Profis kamen auf zwei Arten in den Beruf:
- bewegt von einem anderen Tätigkeitsbereich, Beruf;
- arbeitete an anderen IT-Fachgebieten und stürzte sich irgendwann in Aufgaben im Zusammenhang mit künstlicher Intelligenz und Datenanalyse.
In jedem Fall lernen selbst erfahrene Spezialisten ständig Neues, studieren nützliche Ressourcen und Artikel und nehmen an Fortbildungskursen teil.
Trotz der Tatsache, dass die russischen Universitäten noch nicht die entsprechenden Bildungsprogramme implementiert haben, ist es jetzt einfacher, Data Scientist zu werden als während der Helden unseres Artikels.
Wenn Sie sich für künstliche Intelligenz, maschinelles Lernen und Analytik interessieren, laden wir Sie ein, die Programme unserer Kurse "
Deep Learning " und "
Machine Learning " zu studieren.