Ces personnes créent l'intelligence artificielle - 4 histoires de spécialistes de l'IA et du ML

Quatre spécialistes expérimentés sur la façon dont ils gèrent l'intelligence artificielle, les difficultés rencontrées et les tâches qu'ils résolvent.

"Au début c'était toujours effrayant, mais je n'ai jamais regretté"

Grigory Sapunov, directeur technique, Intento

Co-fondateur et directeur technique de la startup, est responsable du développement technologique, de l'architecture des solutions et de l'évaluation de leur qualité, de l'application de l'IA et d'autres questions techniques, est impliqué dans la gestion, le développement et l'embauche d'employés.

Le début du voyage. Il est difficile de dire ce qui m'a conduit exactement à la profession: dès l'enfance, je me suis intéressé à la programmation. En même temps, je m'intéressais à la psychologie, la biologie, les mathématiques, la radio électronique, lisais les magazines "Young Technician" et "Young Naturalist".

Pendant longtemps, tout ce qui concerne l'intelligence artificielle a été pour moi un hobby plutôt qu'un métier. À un moment donné, j'ai réalisé que ces sujets constituaient également une partie importante de mes tâches professionnelles. Vous pouvez comparer cela avec mon arrivée chez Yandex en 2007.

Premières difficultés. Dans mon cas, la transition a été progressive: ma carrière professionnelle a débuté avec divers projets informatiques, et le premier projet «commercial» a été le moteur de recherche de la collection de résumés de Moscou rédigée en Perl. Il n'était pas toujours possible de comprendre de nouveaux sujets la première fois, j'ai dû relire plusieurs livres différents afin de comprendre quelque chose, mais aussi d'expérimenter beaucoup.

Je me suis impliqué à plusieurs reprises dans des projets complètement nouveaux, où au début je manquais complètement des connaissances nécessaires - j'ai dû maîtriser en cours de route. Au début, c'était toujours effrayant, mais je ne l'ai jamais regretté.

Pour comprendre comment tout fonctionne, j'ai presque toujours commencé à programmer à partir du niveau le plus bas. C'est donc avec l'algorithme de dessin au trait de Brezenham, l'ombrage Fong ou Gouro - lorsque j'ai étudié l'infographie, et avec la création d'un réseau neuronal simple, la mise en œuvre de la méthode du vecteur de support ou de l'algorithme génétique - quand j'ai plongé plus profondément dans l'IA. Puis je me suis longuement repensé: je ne voulais pas utiliser de bibliothèques prêtes à l'emploi et j'ai essayé d'écrire les miennes à partir de zéro.

Tâches professionnelles. L'intelligence artificielle est devenue une technologie assez polyvalente. Au cours des dernières années, avec l'aide du ML ou du génie logiciel, mes collègues et moi avons effectué des tâches très différentes:

• reconnaissance d'image: panneaux de signalisation provenant du caméscope d'un smartphone ou de marchandises sur une étagère de magasin;
• structurer le flux d'actualités: regrouper les actualités sur des sujets communs, annoter les clusters résultants et mettre en évidence des faits importants, classer le flux par importance, etc.;
• prévisions en éducation: quels étudiants abandonneront un cours en ligne dans un avenir proche;
• analyse du centre d'appels en temps réel: définir le sujet d'une conversation téléphonique et les émotions des gens;
• analyse des données génomiques: pour déterminer la structure de la chromatine;
• travailler avec des textes: trouver des phrases qui correspondent entre des textes parallèles dans deux langues différentes;
• et bien plus :–)

J'identifie maintenant les forces et les faiblesses des modèles et des services basés sur l'intelligence artificielle. Cela permet de choisir ceux qui conviennent à une tâche commerciale particulière.

Plans futurs. Que dois-je faire ensuite? J'appliquerai mes compétences acquises dans les domaines de la médecine et de la biologie, étudierai la «psychologie» des systèmes complexes naturels et artificiels, essaierai de créer un scientifique en IA, ou au moins un assistant, pour augmenter mon efficacité. J'ai également l'intention d'apprendre plusieurs nouveaux langages de programmation: Rust, Swift, Kotlin, Julia ou Elixir. J'essaierai également de faire plus de projets matériels avec l'intelligence artificielle basée sur Jetson Nano, Google Edge TPU ou avec FPGA.

Dmitry Korobchenko, Ingénieur R&D Deep Learning et Manager, NVIDIA

Le chef du groupe R&D est engagé dans le traitement d'images: l'utilisation des réseaux de neurones pour le traitement d'images, l'infographie, l'animation et la simulation physique.

Le début du voyage. Pendant mes études à l'université, j'aimais la vision par ordinateur et j'ai donc décidé de rejoindre le Laboratoire d'infographie et multimédia de la Faculté de mathématiques computationnelles et de cybernétique de l'Université d'État de Moscou.

Travaillant chez Samsung après l'université, je suis retourné à la vision par ordinateur: l'un de mes premiers projets a été l'analyse d'images médicales à l'aide de réseaux de neurones convolutifs. Et quand en 2012 les réseaux de neurones se sont activement propagés à d'autres domaines, la gamme de mes projets s'est considérablement élargie.

Tâches professionnelles. En tant qu'ingénieur R&D Deep Learning, je suis engagé à la fois dans la recherche et le développement: de la création de nouveaux algorithmes et la réalisation de diverses expériences à la mise en œuvre de produits finaux avec optimisation ultérieure. En outre, au cours des dernières années, j'ai donné des cours de maître et enseigné les cours d'apprentissage automatique et de réseau de neurones dans diverses écoles d'enseignement supplémentaire.

Maintenant, la plupart de mes tâches sont liées à des types de données complexes - images, sons, modèles polygonaux, données tensorielles, etc. Y compris je continue à être engagé dans la vision par ordinateur: classification d'images, détection d'objets, segmentation sémantique; créer des cadres de réseaux de neurones.

Plans futurs. Mes projets immédiats sont de renforcer le groupe R&D spécialisé dans les réseaux de neurones au bureau NVIDIA de Moscou, ainsi que de continuer à développer dans le domaine éducatif dans le domaine de l'intelligence artificielle: créer du contenu pour des conférences, des cours et une chaîne YouTube personnelle.

«À l'aube des années 2000, le terme Data Scientist n'existait pas, mais en fait, je l'ai fait.»

Anna Kostikova, directrice de la science des données et de la bioinformatique chez Novartis

Il dirige une équipe dont les tâches comprennent la création d'une médecine personnalisée dans le développement de nouveaux médicaments. L’essence du travail du groupe est que les médicaments sont développés et sélectionnés sur la base de l’analyse des informations numériques sur l’ADN, les protéines et les données cliniques des patients. Pour ce faire, Anna et son équipe utilisent l'apprentissage automatique, la bioinformatique et les statistiques.



Le début du voyage. À l'aube des années 2000, le terme Data Scientist n'existait pas, mais en fait je l'ai fait. Par exemple, à l'université, j'ai trouvé un travail secondaire où je devais collecter des données pour une base de données, élaborer une structure et permettre de travailler avec la base de données. J'ai fait tout cela dans MS Access sur un ordinateur avec 512 Mo de RAM et 1 Go d'espace disque dur :–)

En troisième année, j'ai obtenu un stage dans une entreprise à but non lucratif, où ils ont été engagés dans l'analyse d'images spatiales. C'est alors que j'ai d'abord essayé d'utiliser les réseaux de neurones, la classification sans entraînement et avec elle, la logique floue, etc. Ensuite, les ordinateurs avec 4 gigaoctets de RAM étaient comparables à un miracle, et nous ne les avons pas éteints pour le week-end - afin qu'ils «comptent» pendant que nous nous reposons.

Premières difficultés. Pour la première fois, travailler avec le «titre» officiel Data Scientist m'est venu en 2014. Ensuite, j'ai obtenu un emploi chez Booking.com et j'ai découvert ce que c'est que de travailler dans ce domaine à l'échelle industrielle: avec des échantillons de données de milliards de lignes.

Dans tous les domaines, les deux premières années sont les plus difficiles: toute la terminologie est nouvelle pour vous, on ne sait pas ce qui est important et ce qui ne l'est pas.

Apprendre de nouvelles choses est toujours une fonction sigmoïde: vous devez surmonter le premier plateau quand il semble que vous ne comprendrez jamais. Par exemple, dans une école doctorale en Suisse, j'avais besoin d'apprendre à analyser les données génomiques et à écrire un script Perl pour une analyse à grande échelle. À ce moment-là, je ne savais rien de tout cela, mais je suis sorti. L'essentiel est de ne pas avoir peur et d'essayer.

Tâches professionnelles. Dans ma pratique, il y avait beaucoup de tâches différentes: de l'analyse des images satellite pour le WWF à l'optimisation du processus de brassage à Heineken, de la prédiction du comportement des utilisateurs sur Internet pour Booking.com à la prédiction du fonctionnement des médicaments à Novartis.

Je travaille actuellement en tant que directeur de l'analyse des données et de la bioinformatique chez Novartis. J'ai également ma propre entreprise de diagnostic du cancer. J'aimerais vraiment tirer le meilleur parti de la science des données et de l'apprentissage automatique pour les soins de santé et la médecine - du développement de médicaments au diagnostic. Je pense qu'au cours des 20 à 50 prochaines années, la part du lion des efforts des analystes du monde entier visera à résoudre précisément les problèmes biomédicaux, à changer la qualité de vie de l'humanité et pas seulement à optimiser sur Internet et en production.

"Alors j'étais sûr que je savais déjà tout, même si je ne savais rien du tout"

Nikita Semenov, chef d'équipe PNL, centre d'intelligence artificielle MTS

Il dirige les équipes PNL et s'occupe de tout ce qui concerne le traitement et la compréhension d'un langage naturel.



Le début du voyage. Même dans les premières années de l'institut, j'ai commencé à étudier éventuellement l'apprentissage automatique: j'ai étudié la spécialité "Sécurité informatique", mais progressivement j'ai réalisé que je ne voudrais pas y connecter ma vie. Mon superviseur est diplômé de l'École polytechnique de Milan avec un programme d'informatique et avec lui, nous avons commencé à développer un cours d'apprentissage automatique en option. Un terme similaire n'existait pas alors, et partout dans le monde, ils ne parlaient que des éléments de l'apprentissage statique, que nous avons étudiés. Malheureusement, en Russie, il n'existe toujours pas de tels programmes en informatique.

Il était extrêmement difficile de trouver un emploi après le lycée, précisément par le profil de l'apprentissage automatique - la sphère venait juste d'émerger. Je suis donc allé dans une petite start-up engagée dans l'automatisation des enchères sur des sites de publicité contextuelle comme Google AdWords. Ma première tâche a été de développer un mécanisme basé sur des statistiques et la capacité prédictive de l'objectif afin que nous ne prenions pas toujours la première offre, mais la deuxième ou la troisième - ces lignes apparaissent également en haut de la liste, mais elles sont beaucoup moins chères. Ensuite, j'étais sûr que je savais déjà tout, même si je ne savais toujours rien.

Premières difficultés. Les compétences générales constituaient une grande difficulté pour moi: il fallait expliquer ce que je faisais, ce que tout cela signifiait, comment et quoi interpréter, et quel en serait l'effet, à des gens qui ne comprenaient rien dans mon domaine. À cette époque, les processus d'apprentissage par les pairs n'étaient pas encore courants, il était donc très difficile d'interagir avec l'équipe. J'ai constamment pratiqué: j'ai essayé de transmettre mes pensées et d'expliquer à l'équipe même les mesures les plus simples. Je pense que si je commençais juste ma carrière maintenant, je ne serais pas en mesure de pomper autant dans la communication - presque personne ne pose de telles questions.

Il n'y avait aucun problème avec les compétences techniques: alors mes tâches étaient basées sur la formation statistique et les mathématiques, que je connaissais bien. Malgré cela, je lis quand même des livres: dans Data Sience, il faut constamment évoluer pour comprendre les outils et les tendances. En général, toute mon expérience de travail est un grand défi. Chaque endroit nécessitait de nouveaux outils et connaissances, il était donc toujours nécessaire de se développer de manière indépendante.

Après avoir travaillé dans une startup, il y avait une entreprise où je suis devenu le premier Data Scientist et R&D: j'ai aidé à mettre en place les premiers outils d'analyse, je me suis engagé dans la vision par ordinateur et la construction de modèles prédictifs basés sur les données des satellites spatiaux.

Tâches professionnelles. Chez MTS, j'ai accédé au poste d'ingénieur senior en vision par ordinateur, puis j'ai grandi pour devenir le chef d'équipe de deux équipes. Il est particulièrement important pour moi de pomper les compétences générales, car le chef d'équipe est un entraîneur de jeu. Si nous parlons de tâches, je fais ici tout ce qui concerne le traitement et la compréhension d'un langage naturel. Maintenant, c'est une sorte de tendance qui définit de nouvelles tendances visant à simplifier la vie d'une personne à l'avenir.

Au fil du temps, j'ai réalisé que le sujet n'affecte pas tellement le domaine de vos connaissances. Dans mon cas, le sujet affecte toujours la façon de traiter et d'appliquer les données à n'importe quelle solution. Et les approches restent toujours les mêmes. Et quand dans le domaine, les experts trouvent une solution innovante, par exemple, dans la connaissance informatique, au fil du temps, elle coule dans d'autres domaines. À cet égard, la frontière entre les régions est progressivement effacée et les approches et les bases deviennent similaires.

Le principal problème de notre sphère est qu'elle évolue de manière très inégale. Permettez-moi de vous donner un exemple: dans la science des données, tout peut être calme pendant longtemps, puis quelqu'un propose une solution, et après un court laps de temps, ces percées deviennent la norme pour tout le monde. En termes de travail, c'est à la fois bon et mauvais en même temps: d'une part, vous pompez constamment des compétences et «courez» 10 fois plus vite que les autres, d'autre part, votre profil de travail est en constante évolution.

Plans futurs. Jusqu'à présent, je ne comprends pas dans quels domaines je souhaite développer davantage. Je veux plonger encore plus profondément dans ce que je fais maintenant.

Des éditeurs de Netology

La plupart des professionnels de l'IA expérimentés sont entrés dans la profession de deux manières:

• déménagé d'un autre domaine d'activité, profession;
• a travaillé sur d'autres spécialités en informatique et, à un moment donné, s'est plongé dans des tâches liées à l'intelligence artificielle et à l'analyse des données.

Dans tous les cas, même des spécialistes expérimentés apprennent constamment de nouvelles choses, étudient des ressources et des articles utiles et suivent des cours de formation avancée.

Malgré le fait que les universités russes n'aient pas encore mis en œuvre les programmes éducatifs appropriés, il est désormais plus facile de devenir Data Scientist que pendant les héros de notre article.

Si vous êtes intéressé par le domaine de l'intelligence artificielle, de l'apprentissage automatique et de l'analyse - nous vous invitons à étudier les programmes de nos cours " Deep Learning " et " Machine Learning ".