Sberbank AI प्रयोगशाला में शोधकर्ता - डेटा विज्ञान और RnD कार्यों के बारे में

तंत्रिका नेटवर्क केवल प्रिज्मा और फाइंडफेस का मनोरंजन नहीं कर रहे हैं। आज, मशीन लर्निंग और बिग डेटा वास्तविक व्यावसायिक समस्याओं को हल करने में सक्षम हैं। एमटीएस में डेटा साइंस डिवीजन के पूर्व प्रमुख दिमित्री बाबदेव, यैंडेक्स सर्च इंजन में प्रश्नों को पूरा करने के लिए एल्गोरिथ्म के डेवलपर, बी 2 बी सेक्टर में नई तकनीकों के बारे में जानते हैं।

अब वह Sberbank में कृत्रिम बुद्धिमत्ता प्रयोगशाला में एक शोधकर्ता के रूप में काम करता है। दुर्भाग्य से, बैंक के अधिकांश विकास एक वाणिज्यिक रहस्य हैं, लेकिन विशेषज्ञ ने उत्सुकता से हर उस चीज के बारे में बताया जो अनुमेय था।

साक्षात्कारकर्ता: डारिया कोज़लोवा
उत्तरदाता: दिमित्री बाबा

किन रूसी कंपनियों की अपनी AI लैब और बिग डेटा है?

रूस में, कुछ कंपनियों की प्रयोगशालाएँ समान हैं, क्योंकि यह काफी हद तक एक अकादमिक इतिहास है। यैंडेक्स में निश्चित रूप से एक अनुसंधान इकाई है। वे विदेशी कंपनियों में भी उपलब्ध हैं - उदाहरण के लिए, Google, Microsoft, Facebook। बड़ी और कुछ मध्यम आकार की कंपनियों में डेटा साइंस डिवीजन होते हैं, लेकिन वे आमतौर पर सैद्धांतिक अनुसंधान पर ज्यादा ध्यान नहीं देते हैं।

आपको क्या काम लगता है कि वे हल करने की कोशिश कर रहे हैं?

डेटा साइंस डिवीजनों को उन चुनौतियों का सामना करना पड़ता है जिनकी व्यवसायों को आवश्यकता होती है। किसी कार्य को करने से पहले, वे इसके कार्यान्वयन के आर्थिक प्रभाव का मूल्यांकन करते हैं, जिसके आधार पर वे तय करते हैं कि कुछ करना है या नहीं। लेकिन अनुसंधान विभागों में यह आसान है - अनुसंधान समस्याओं को हल करने के संभावित लाभ पहले से ही काफी अधिक माने जाते हैं।

क्या आप कुछ उदाहरण देंगे?

डेटा साइंस के सामान्य कार्य को टेलिकॉम के क्षेत्र से एक उदाहरण द्वारा दिखाया जा सकता है: उन लोगों को खोजने के लिए जो नए टैरिफ में रुचि रखते हैं। एक और उदाहरण: खुदरा श्रृंखलाओं में माल के वर्गीकरण का अनुकूलन। अक्सर, कंपनियां सही स्टोर पर सही वर्गीकरण लाकर बहुत बड़ी मात्रा में बचत करने का प्रबंधन करती हैं, उदाहरण के लिए, स्टोर में महंगा सामान भेजना जहां उन्हें खरीदा जाएगा, और न कि वे जहां अलमारियों पर धूल इकट्ठा करेंगे।

शोध कार्य अलग दिख सकते हैं। इस तरह के कार्य का एक उदाहरण यह समझना है कि एक तंत्रिका नेटवर्क एक या दूसरे पूर्वानुमान क्यों देता है - एक या दूसरे इनपुट डेटा के लिए। लेकिन सामान्य तौर पर, आरएनडी कार्य बहुत विविध हैं।

एआई और मशीन लर्निंग से जुड़े घटनाक्रम में कौन सी राशि का निवेश किया जाता है?

कंपनी पर निर्भर करता है। बड़े निगमों में, वे इस पर अधिक पैसा खर्च करने के लिए तैयार हैं, छोटे लोगों में - कम। टेलीकॉम में, मेरी टिप्पणियों के अनुसार, एक बड़ी परियोजना, जहां डेटा वॉल्यूम सैकड़ों टेराबाइट हैं, दसियों से सैकड़ों मिलियन रूबल की आवश्यकता है। दूसरी ओर, पूर्णता की कोई सीमा नहीं है (मुस्कान - लगभग। एड।) ।

यैंडेक्स में, आपने खोज क्वेरी के स्वत: पूर्ण होने के लिए एक तंत्र विकसित किया है। क्या इसे तंत्रिका नेटवर्क तकनीक माना जा सकता है? एल्गोरिदम कैसे काम करता है?

नहीं, यह खोज क्वेरी आंकड़ों के आधार पर एक क्लासिक मशीन लर्निंग (एमएल) दृष्टिकोण था। क्वेरी और विशिष्ट उपयोगकर्ता प्रश्नों की दर्ज की गई शुरुआत के आधार पर, सबसे लगातार खोज प्रश्नों के डेटाबेस से स्वचालित जोड़ के लिए सबसे उपयुक्त विकल्प चुने गए थे। यह तंत्रिका नेटवर्क से पहले था, जब हर कोई उन्हें एक मृत अंत तकनीक मानता था। तब वे अभी भी शास्त्रीय एमएल के एल्गोरिदम से नीच थे।

हमें AI के क्षेत्र में सबसे महत्वपूर्ण रूसी उपलब्धियों के बारे में बताएं।

सबसे प्रसिद्ध उदाहरण प्रिज्मा है। कंपनी रूस में पंजीकृत नहीं है, लेकिन, फिर भी, राज्य की रीढ़ घरेलू विशेषज्ञ हैं। वैसे, जिन वैज्ञानिकों ने प्रिज़्म में उपयोग की जाने वाली छवि प्रसंस्करण विधि विकसित की है, वे भी रूस (विक्टर लेम्पिट्स्की के समूह) से हैं।

यांडेक्स में, एआई एल्गोरिदम खोज परिणामों की रैंकिंग के केंद्र में हैं। क्वेरी पाठ की निकटता और तंत्रिका नेटवर्क का उपयोग करने वाली साइट के लिए रैंकिंग एल्गोरिथ्म को पैलेख कहा जाता है।

एक और प्रसिद्ध उदाहरण NTechLab's FindFace है। ये उसके चेहरे की पहचान एल्गोरिथ्म के संचालन के प्रदर्शन हैं, जिसे वह एक वाणिज्यिक उत्पाद के रूप में बेचती है।

रूसी कंपनियाँ जो वॉइस टेक्नोलॉजी में लगी हुई हैं, उदाहरण के लिए, सेंटर फ़ॉर स्पीच टेक्नोलॉजीज, को विश्व बाजार में भी जाना जाता है।

Sberbank में, वैसे, रूसी कंपनियों में से एक के चेहरे के बायोमेट्रिक्स की तकनीक का उपयोग कई वर्षों से किया गया है। इसका उपयोग खुदरा उधार में पहचान की चोरी से निपटने के लिए किया जाता है। प्रयोगशाला इस परियोजना में भाग लेने वाले लोगों को नियुक्त करती है।

नई प्रौद्योगिकियों के लिए संक्रमण के लिए हार्डवेयर और सॉफ्टवेयर के प्रतिस्थापन की आवश्यकता होती है, जो अंत उपयोगकर्ता नेटवर्क विफलताओं और त्रुटियों के रूप में खुद पर महसूस करता है। कैसे ग्राहक के लिए संभव के रूप में असंगत रूप से संक्रमण चरण बाहर ले जाने के लिए?

वास्तव में, यह विकास का एक क्लासिक कार्य है, वे लंबे समय से इसे हल करने में सक्षम हैं। एक विधि परीक्षण है। नए संस्करण को पेश करने से पहले, यह लंबे समय तक परीक्षण किया जाता है: वे सीमा मामलों की जांच करते हैं, साथ ही यह भी कहते हैं कि क्या सॉफ्टवेयर आवश्यक भार का सामना कर सकता है, और फिर उपयोगकर्ताओं के एक छोटे समूह के लिए नया संस्करण खोल सकता है। इस मामले में, अगर कुछ गलत होता है, तो सबसे कम प्रतिशत उपयोगकर्ताओं को नुकसान होगा।

क्या AI सिस्टम में स्वतंत्र रूप से त्रुटियों और दुर्घटनाओं को ठीक करने में सक्षम है?

ऐसे एल्गोरिदम हैं जो सिर्फ ऐसी स्थितियों के लिए डिज़ाइन किए गए हैं। लेकिन उनका कार्य विफलता का पता लगाना या ठीक करना नहीं है, बल्कि यह भविष्यवाणी करना है कि यह जल्द ही होगा - सिस्टम में असामान्य पैटर्न देखने के लिए। आमतौर पर एक जटिल प्रणाली में बहुत सारे संकेतक होते हैं कि यह किस अवस्था में है। असामान्य पैटर्न की खोज करने के बाद, कृत्रिम बुद्धिमत्ता प्रशासकों को संदेश भेज सकती है: कुछ गलत हो रहा है - देखो क्या - कुछ करने की जरूरत है। उदाहरण के लिए, भार बढ़ गया है, सिस्टम को झेलने के लिए निष्क्रिय क्षमता को जोड़ना आवश्यक है।

आज, AI में एक अवलोकन चरित्र और "पहले से" (उदाहरण के लिए, दो घंटे) का पता लगाने का कार्य है। लेकिन समस्या को ठीक करने के लिए, अभी भी एक व्यक्ति की आवश्यकता है।

वे अब एआई सर्बैंक की प्रयोगशाला में क्या काम कर रहे हैं?

संगठन में AI क्षमता विकसित करने के लिए Sberbank AI प्रयोगशाला का निर्माण किया गया था। अब, गहरे तंत्रिका नेटवर्क के लिए प्रभावी शिक्षण विधियों के आगमन के साथ, इस क्षेत्र ने शानदार प्रगति की है। बड़ी कंपनियों को ऐसे लोगों की जरूरत होती है जो नई AI तकनीकों में पारंगत हों। यह समझना भी महत्वपूर्ण है कि AI किन क्षेत्रों में प्रयास और धन का निवेश करने के लिए समझ में आता है। प्रयोगशाला यह पता लगाने में मदद करेगी।

प्रयोगशाला का एक अन्य महत्वपूर्ण मिशन इस क्षेत्र में अपना शोध है, साथ ही साथ नई तकनीकों का निर्माण है जो बैंक को लाभान्वित करेगा। बेशक, हम अनुसंधान में लगे हुए हैं जो बैंक में लागू किया जा सकता है, लेकिन यह भी सुनिश्चित करने की कोशिश करें कि हमारे परिणाम न केवल वित्तीय क्षेत्र में उपयोगी हैं। उदाहरण के लिए, हम समय श्रृंखला विश्लेषण की दिशा में रुचि रखते हैं; बैंकिंग में इस तरह की संरचना (लेनदेन और अन्य) के साथ बहुत सारे डेटा हैं। एक बड़े वैज्ञानिक घटक के साथ काम करता है, एक तंत्रिका नेटवर्क के काम के परिणामों की व्याख्या के लिए नए तरीकों के निर्माण पर अनुसंधान को याद कर सकता है।

Sberbank किसके साथ काम करती है?

बैंक कई विश्वविद्यालयों के साथ सहयोग करता है: मास्को इंस्टीट्यूट ऑफ फिजिक्स एंड टेक्नोलॉजी, एचएसई, मॉस्को स्टेट यूनिवर्सिटी। अब MIPT के साथ एक संयुक्त परियोजना, iPavlov को सुनने पर। यह एक प्राकृतिक भाषा में कंप्यूटर के साथ संवाद करने के लिए संवाद प्रणाली विकसित करने के लिए एक परियोजना है। अन्य विश्वविद्यालयों के साथ भी बहुत दिलचस्प गतिविधियाँ हैं, जिनमें जटिल अनुकूलन समस्याओं को हल करने से लेकर मौलिक विकास से लेकर गहन शिक्षण एल्गोरिदम तक सुधार करना शामिल है। ज्ञान को सीखने और बढ़ावा देने के लिए अभी भी कई गतिविधियाँ हैं - उदाहरण के लिए, छात्रों के लिए AI व्याख्यान।

Sberbank AI एल्गोरिदम की विशिष्टता क्या है?

एक क्लासिक बैंकिंग अनुभाग है। उदाहरण के लिए, स्कोरिंग एक ग्राहक की साख का मूल्यांकन है। सभी देशों में, यह केंद्रीय बैंकों द्वारा विनियमित है और इसलिए बड़े पैमाने पर अच्छी तरह से व्याख्या किए गए तरीकों पर आधारित है - लॉजिस्टिक प्रतिगमन और निर्णय पेड़। ये क्लासिक तरीके विश्वसनीय और स्थिर हैं। भविष्य में, हमें उम्मीद है कि नियामक अधिक जटिल तरीकों के उपयोग की अनुमति देगा। ऐसा करने के लिए, यह साबित करना आवश्यक है कि नए तरीके पर्याप्त विश्वसनीय हैं।

Sberbank के AI की प्रयोगशाला में, हम अधिक जटिल तरीकों से निपटते हैं, मुख्य रूप से बैंकों के डेटा विशिष्ट के लिए गहरे तंत्रिका नेटवर्क और AI एल्गोरिदम। बैंकों के लिए एक विशिष्ट प्रकार का डेटा एक समय श्रृंखला है: उदाहरण के लिए, किसी उत्पाद की कीमत (कल का मूल्य, पहले दिन, आदि)।

19 अप्रैल को, आप AI सम्मेलन में एक वक्ता के रूप में बोलेंगे। आप आगंतुकों को क्या बताते हैं?

पिछले कुछ वर्षों में, गहन शिक्षण विधियों ने जबरदस्त सफलता दिखाई है। वे पहले से ही उन समस्याओं को हल कर रहे हैं जिनसे वे पहले संपर्क करने से डरते थे। उदाहरण के लिए, उन्होंने छवि पहचान में भाषण-से-पाठ और पाठ-से-भाषण में मानव गुणवत्ता का स्तर हासिल किया है। लेकिन उनकी अपनी सीमाएं हैं जो उन्हें आगे बढ़ने से रोकती हैं। मैं इस बारे में बात करना चाहता हूं, साथ ही साथ दृष्टिकोणों के बारे में भी जिनके कारण संभवतः उन्हें दरकिनार किया जा सकता है। कई मामलों में, यह अभी भी अनुसंधान का क्षेत्र है, और रोजमर्रा के काम में उपयोग के लिए तैयार समाधान नहीं है। हालांकि, अधिक प्रभावी एआई प्रौद्योगिकियों के साथ भविष्य के लिए उचित उम्मीदें हैं।