ये लोग कृत्रिम बुद्धिमत्ता - एआई और एमएल विशेषज्ञों की 4 कहानियां बनाते हैं

चार अनुभवी विशेषज्ञों ने बताया कि वे कृत्रिम बुद्धिमत्ता से कैसे निपटते हैं, उन्हें किन कठिनाइयों का सामना करना पड़ता है और वे कौन से कार्य हल करते हैं।

"पहले तो यह हमेशा डरावना था, लेकिन मुझे कभी पछतावा नहीं हुआ"

ग्रिगोरी सैपुनोव, सीटीओ, इंटेंटो

स्टार्टअप में सह-संस्थापक और तकनीकी निदेशक, तकनीकी विकास, समाधान की वास्तुकला और उनकी गुणवत्ता के मूल्यांकन, एआई और अन्य तकनीकी मुद्दों के आवेदन के लिए जिम्मेदार है, प्रबंधन, कर्मचारियों के विकास और काम पर रखने में शामिल है।

यात्रा की शुरुआत। यह कहना मुश्किल है कि वास्तव में मुझे इस पेशे में कैसे लाया गया: बचपन से मुझे प्रोग्रामिंग में दिलचस्पी थी। उसी समय, मुझे मनोविज्ञान, जीव विज्ञान, गणित, रेडियो इलेक्ट्रॉनिक्स में दिलचस्पी थी, "यंग टेक्नीशियन" और "यंग नेचुरलिस्ट" पत्रिकाएँ पढ़ीं।

लंबे समय से, कृत्रिम बुद्धि से जुड़ी हर चीज मेरे लिए एक पेशे के बजाय एक शौक थी। कुछ बिंदु पर, मैंने महसूस किया कि ये विषय मेरे कार्य कार्यों का एक महत्वपूर्ण हिस्सा हैं। 2007 में यैंडेक्स में मेरे आगमन के साथ आप इसकी तुलना कर सकते हैं।

पहली मुश्किलें। मेरे मामले में, संक्रमण धीरे-धीरे था: मेरा पेशेवर कैरियर विभिन्न आईटी परियोजनाओं के साथ शुरू हुआ, और पहला "वाणिज्यिक" प्रोजेक्ट मॉर्ल एब्सट्रैक्ट कलेक्शन पर्ल में लिखा गया था। पहली बार नए विषयों को समझना हमेशा संभव नहीं था, मुझे कुछ समझने के लिए, साथ ही साथ बहुत से प्रयोग करने के लिए कई अलग-अलग पुस्तकों को फिर से पढ़ना पड़ा।

मैं बार-बार पूरी तरह से नई परियोजनाओं में शामिल हो गया, जहां शुरुआत में मुझे आवश्यक ज्ञान की कमी थी - मुझे रास्ते में मास्टर करना पड़ा। पहले तो यह हमेशा डरावना था, लेकिन मुझे कभी इसका पछतावा नहीं हुआ।

यह समझने के लिए कि सब कुछ कैसे काम करता है, लगभग हमेशा मैंने सबसे निचले स्तर से प्रोग्रामिंग शुरू की। इसलिए यह ब्रेजेनहैम रेखा आरेखण एल्गोरिथ्म, फोंग या गौरो शेडिंग के साथ था - जब मैंने कंप्यूटर ग्राफिक्स का अध्ययन किया, और एक सरल तंत्रिका नेटवर्क के निर्माण के साथ, समर्थन वेक्टर विधि या आनुवंशिक एल्गोरिथ्म का कार्यान्वयन - जब मैंने एआई में गहरा गोता लगाया। फिर मैं लंबे समय तक अपने आप पर चला गया: मैं तैयार किए गए पुस्तकालयों का उपयोग नहीं करना चाहता था और खरोंच से अपना खुद का लिखने की कोशिश की।

व्यावसायिक कार्य। कृत्रिम बुद्धिमत्ता एक काफी बहुमुखी तकनीक बन गई है। पिछले कुछ वर्षों में, एमएल या सॉफ्टवेयर इंजीनियरिंग की मदद से, मैंने और मेरे सहयोगियों ने बहुत अलग कार्य किए हैं:

• छवि पहचान: स्मार्टफोन के कैमकॉर्डर या स्टोर शेल्फ पर सामान से सड़क के संकेत;
• समाचार प्रवाह को संरचित करना: सामान्य विषयों पर क्लस्टरिंग समाचार, परिणामी समूहों की व्याख्या करना और महत्वपूर्ण तथ्यों को उजागर करना, महत्व द्वारा प्रवाह को रैंकिंग करना, आदि;
• शिक्षा में पूर्वानुमान: निकट भविष्य में कौन से छात्र ऑनलाइन पाठ्यक्रम छोड़ेंगे;
• realtime कॉल सेंटर एनालिटिक्स: एक टेलीफोन वार्तालाप और लोगों की भावनाओं के विषय को परिभाषित करना;
• जीनोमिक डेटा का विश्लेषण: क्रोमैटिन की संरचना का निर्धारण करने के लिए;
• ग्रंथों के साथ काम करना: दो अलग-अलग भाषाओं में समानांतर ग्रंथों के बीच एक दूसरे से मेल खाते हुए वाक्य खोजना;
• और भी बहुत कुछ:

अब मैं कृत्रिम बुद्धिमत्ता पर आधारित मॉडल और सेवाओं की ताकत और कमजोरियों की पहचान करता हूं। यह चुनने में मदद करता है कि कौन से व्यक्ति किसी विशेष व्यवसाय कार्य के लिए उपयुक्त हैं।

भविष्य की योजना। मैं आगे क्या करने की योजना बना रहा हूं? मैं चिकित्सा और जीव विज्ञान के क्षेत्र में अपने अधिग्रहीत कौशल को लागू करूंगा, प्राकृतिक और कृत्रिम जटिल प्रणालियों के "मनोविज्ञान" का अध्ययन करूंगा, अपनी दक्षता बढ़ाने के लिए एआई वैज्ञानिक, या कम से कम एक सहायक बनाने की कोशिश करूंगा। मैं कई नई प्रोग्रामिंग भाषाओं को सीखने की योजना भी बनाता हूं: रस्ट, स्विफ्ट, कोटलिन, जूलिया या एलिक्सिर। मैं जेटसन नैनो, गूगल एज टीपीयू या एफपीजीए के साथ कृत्रिम बुद्धिमत्ता के साथ अधिक हार्डवेयर प्रोजेक्ट करने की कोशिश करूंगा।

दिमित्री कोरोबचेंको, डीप लर्निंग आर एंड डी इंजीनियर और मैनेजर, एनवीआईडीआईए

आर एंड डी समूह के प्रमुख, छवि प्रसंस्करण में लगे हुए हैं: छवि प्रसंस्करण, कंप्यूटर ग्राफिक्स, एनीमेशन और भौतिक सिमुलेशन के लिए तंत्रिका नेटवर्क का उपयोग।

यात्रा की शुरुआत। विश्वविद्यालय में अध्ययन करते समय, मैं कंप्यूटर विज़न का शौकीन था और इसलिए मॉस्को स्टेट यूनिवर्सिटी के कम्प्यूटेशनल गणित और साइबरनेटिक्स के संकाय में कंप्यूटर ग्राफिक्स और मल्टीमीडिया की प्रयोगशाला में शामिल होने का फैसला किया।

विश्वविद्यालय के बाद सैमसंग में काम करते हुए, मैं कंप्यूटर विज़न में लौट आया: मेरी पहली परियोजनाओं में से एक था, चिकित्सीय छवियों का विश्लेषण, जो कि अवक्षेपणीय तंत्रिका नेटवर्क का उपयोग करती है। और जब 2012 में तंत्रिका नेटवर्क सक्रिय रूप से अन्य क्षेत्रों में फैल गया, तो मेरी परियोजनाओं की सीमा में काफी विस्तार हुआ।

व्यावसायिक कार्य। डीप लर्निंग आरएंडडी इंजीनियर के रूप में, मैं नए एल्गोरिदम बनाने और बाद के अनुकूलन के साथ अंतिम उत्पादों के कार्यान्वयन के लिए विभिन्न प्रयोगों के संचालन से अनुसंधान और विकास दोनों में लगा हुआ हूं। इसके अलावा, पिछले कुछ वर्षों से मैं मास्टर कक्षाएं दे रहा हूं और विभिन्न अतिरिक्त शिक्षा स्कूलों में मशीन लर्निंग और न्यूरल नेटवर्क पाठ्यक्रमों में एक शिक्षक होने के नाते।

अब मेरे अधिकांश कार्य जटिल डेटा प्रकारों से संबंधित हैं - चित्र, ध्वनि, बहुभुज मॉडल, टेंसर डेटा, आदि। सहित मैं कंप्यूटर दृष्टि में संलग्न होना जारी रखता हूं: छवि वर्गीकरण, वस्तु का पता लगाना, सिमेंटिक विभाजन; तंत्रिका नेटवर्क ढांचे बनाएं।

भविष्य की योजना। मेरी तत्काल योजनाएं एनवीआईडीआईए मॉस्को कार्यालय में तंत्रिका नेटवर्क में विशेषज्ञता वाले आरएंडडी समूह को मजबूत करने के साथ-साथ कृत्रिम बुद्धि के क्षेत्र में शैक्षिक क्षेत्र में विकसित करना जारी रखती हैं: व्याख्यान, पाठ्यक्रम और एक व्यक्तिगत यूट्यूब चैनल के लिए सामग्री बनाने के लिए।

"2000 के दशक की सुबह, डेटा साइंटिस्ट शब्द मौजूद नहीं था, लेकिन वास्तव में मैंने ऐसा ही किया।"

अन्ना कोस्तिकोवा, निदेशक डेटा विज्ञान और नोवार्टिस में जैव सूचना विज्ञान

वह एक टीम का नेतृत्व करता है जिसके कार्यों में नई दवाओं के विकास में व्यक्तिगत दवा बनाना शामिल है। समूह के काम का सार यह है कि डीएनए, प्रोटीन और रोगियों के नैदानिक ​​डेटा के बारे में डिजिटल जानकारी के विश्लेषण के आधार पर दवाओं का विकास और चयन किया जाता है। ऐसा करने के लिए, अन्ना और उनकी टीम मशीन सीखने, जैव सूचना विज्ञान और सांख्यिकी का उपयोग करती है।



यात्रा की शुरुआत। 2000 के दशक की सुबह, डेटा साइंटिस्ट शब्द मौजूद नहीं था, लेकिन वास्तव में मैंने ऐसा ही किया। उदाहरण के लिए, विश्वविद्यालय में मैंने एक साइड जॉब पाया, जहां मुझे एक डेटाबेस के लिए डेटा एकत्र करना था, एक संरचना के साथ आया और डेटाबेस के साथ काम करना संभव बना दिया। यह सब मैंने 512 एमबी रैम और 1 जीबी हार्ड डिस्क स्थान वाले कंप्यूटर पर एमएस एक्सेस में किया:

तीसरे वर्ष में, मुझे एक गैर-लाभकारी कंपनी में इंटर्नशिप मिली, जहां वे अंतरिक्ष छवियों के विश्लेषण में लगे हुए थे। यह तब था जब मैंने पहली बार तंत्रिका नेटवर्क का उपयोग करने की कोशिश की, प्रशिक्षण के बिना वर्गीकरण और इसके साथ, फजी लॉजिक, आदि। तब 4 गीगाबाइट रैम वाले कंप्यूटर एक चमत्कार के बराबर थे, और हमने उन्हें सप्ताहांत के लिए बंद नहीं किया - ताकि हम आराम करते समय "गिनती" करें।

पहली मुश्किलें। पहली बार आधिकारिक "शीर्षक" डेटा वैज्ञानिक के साथ काम करते हुए 2014 में मेरे पास आया। तब मुझे Booking.com पर नौकरी मिली और पता चला कि इस क्षेत्र में औद्योगिक पैमाने पर काम करना कैसा है: अरबों पंक्तियों के डेटा नमूनों के साथ।

किसी भी क्षेत्र में, पहले दो साल सबसे कठिन हैं: सभी शब्दावली आपके लिए नई है, यह स्पष्ट नहीं है कि क्या महत्वपूर्ण है और क्या नहीं है।

नई चीजें सीखना हमेशा एक कठिन कार्य है: आपको पहले पठार को पार करना होगा जब ऐसा लगता है कि आप कभी समझ नहीं पाएंगे। उदाहरण के लिए, स्विट्जरलैंड के एक स्नातक स्कूल में, मुझे यह जानने की जरूरत है कि जीनोमिक डेटा का विश्लेषण कैसे करें और बड़े पैमाने पर विश्लेषण के लिए पर्ल स्क्रिप्ट लिखें। उस पल में मुझे इसका कोई पता नहीं था, लेकिन किसी तरह मैं बाहर निकला। मुख्य बात डरने और कोशिश करने की नहीं है।

व्यावसायिक कार्य। मेरे अभ्यास में, कई अलग-अलग कार्य थे: डब्ल्यूडब्ल्यूएफ के लिए उपग्रह चित्रों का विश्लेषण करने से लेकर हेनेकेन में पक प्रक्रिया को अनुकूलित करने के लिए, इंटरनेट पर बुकिंग करने वाले डॉट कॉम के लिए इंटरनेट व्यवहार की भविष्यवाणी करने से लेकर नोवार्टिस में दवाओं के संचालन की भविष्यवाणी करने तक।

मैं वर्तमान में नोवार्टिस में डेटा विश्लेषण और जैव सूचना विज्ञान के निदेशक के रूप में काम करता हूं। मेरी अपनी कैंसर डायग्नोस्टिक्स कंपनी भी है। मैं वास्तव में हेल्थकेयर और मेडिसिन के लिए डेटा डेवलपमेंट से लेकर डायग्नोसिस तक का अधिकांश डेटा साइंस और मशीन लर्निंग बनाना चाहूंगा। मेरा मानना ​​है कि अगले 20-50 वर्षों के लिए, दुनिया भर के विश्लेषकों के प्रयासों के शेर का उद्देश्य जैव चिकित्सा समस्याओं को हल करना, मानव जाति के जीवन की गुणवत्ता को बदलना और न केवल इंटरनेट और उत्पादन में अनुकूलन करना होगा।

"तब मुझे यकीन था कि मैं पहले से ही सब कुछ जानता था, हालांकि मुझे अभी भी कुछ भी नहीं पता था"

निकिता सेमेनोव, एनएलपी टीम लीड, एमटीएस कृत्रिम बुद्धि केंद्र

वह एनएलपी टीमों का नेतृत्व करता है और एक प्राकृतिक भाषा के प्रसंस्करण और समझ से संबंधित सभी चीजों से संबंधित है।



यात्रा की शुरुआत। यहां तक ​​कि संस्थान के पहले वर्षों में, मैंने वैकल्पिक रूप से मशीन सीखने का अध्ययन करना शुरू किया: मैंने "कंप्यूटर सुरक्षा" विशेषता का अध्ययन किया, लेकिन धीरे-धीरे मुझे एहसास हुआ कि मैं इसके साथ अपने जीवन को जोड़ना नहीं चाहूंगा। मेरे पर्यवेक्षक ने मिलन पॉलिटेक्निक से कंप्यूटर साइंस प्रोग्राम से स्नातक किया, और उसके साथ हमने एक वैकल्पिक मशीन लर्निंग कोर्स विकसित करना शुरू किया। एक समान शब्द तब मौजूद नहीं था, और दुनिया भर में उन्होंने केवल स्थैतिक सीखने के तत्वों के बारे में बात की, जिसका हमने अध्ययन किया। दुर्भाग्य से, रूस में अभी भी कंप्यूटर विज्ञान पर इस तरह के कार्यक्रम नहीं हैं।

मशीन लर्निंग के प्रोफाइल से हाई स्कूल के बाद नौकरी पाना बेहद मुश्किल था - गोला अभी उभर रहा था। इसलिए मैं एक छोटे से स्टार्टअप पर गया जो Google ऐडवर्ड्स जैसी प्रासंगिक विज्ञापन साइटों पर बोलियों को स्वचालित करने में लगा हुआ था। मेरा पहला काम आँकड़ों के आधार पर एक तंत्र विकसित करना और लक्ष्य की भविष्य कहनेवाला क्षमता थी ताकि हम हमेशा पहली बोली न लें, लेकिन दूसरी या तीसरी - ये पंक्तियाँ SERP के शीर्ष में भी दिखाई देती हैं, लेकिन वे बहुत सस्ती होती हैं। तब मुझे यकीन था कि मैं पहले से ही सब कुछ जानता था, हालांकि मुझे अभी भी कुछ नहीं पता था।

पहली मुश्किलें। सॉफ्ट स्किल्स ने मेरे लिए एक बड़ी मुश्किल खड़ी कर दी: यह समझाने की जरूरत थी कि मैं क्या कर रहा था, इसका क्या मतलब था, कैसे और क्या व्याख्या करना है, और इसका क्या असर होगा, उन लोगों को जो मेरे क्षेत्र में कुछ भी नहीं समझते थे। उस समय, सहकर्मी सीखने की प्रक्रियाएं अभी तक मुख्यधारा में नहीं थीं, इसलिए टीम के साथ बातचीत करना बहुत मुश्किल था। मैंने लगातार अभ्यास किया: मैंने अपने विचारों को व्यक्त करने की कोशिश की और टीम को सबसे सरल मैट्रिक्स भी समझाया। मुझे लगता है कि अगर मैं अभी अपना करियर शुरू कर रहा था, तो मैं संचार में इतना अधिक पंप नहीं कर पाऊंगा - लगभग कोई भी इस तरह के सवाल नहीं करता है।

कठिन कौशल के साथ कोई समस्या नहीं थी: तब मेरे कार्य सांख्यिकीय प्रशिक्षण और गणित पर आधारित थे, जिन्हें मैं अच्छी तरह से जानता था। इसके बावजूद, मैं वैसे भी किताबें पढ़ता हूं: डेटा सेवर में, आपको टूल और ट्रेंड को समझने के लिए लगातार विकसित होने की आवश्यकता है। सामान्य तौर पर, मेरे सभी कार्य अनुभव एक बड़ी चुनौती है। प्रत्येक स्थान को नए उपकरण और ज्ञान की आवश्यकता थी, इसलिए स्वतंत्र रूप से विकसित करना हमेशा आवश्यक था।

एक स्टार्टअप में काम करने के बाद, एक कंपनी थी, जहां मैं पहला डेटा साइंटिस्ट और आर एंड डी बन गया: मैंने पहले एनालिटिक्स टूल सेट करने में मदद की, कंप्यूटर विज़न में लगे हुए थे और अंतरिक्ष उपग्रहों के डेटा के आधार पर प्रेडिक्टिव मॉडल का निर्माण किया था।

व्यावसायिक कार्य। एमटीएस में, मैं वरिष्ठ कंप्यूटर विज़न इंजीनियर के पद पर आया, और फिर दो टीमों के टीम लीड की तरफ बढ़ा। मेरे लिए सॉफ्ट स्किल्स को पंप करना विशेष रूप से महत्वपूर्ण है, क्योंकि टीम लीडर एक प्लेइंग कोच है। यदि हम कार्यों के बारे में बात करते हैं, तो यहां मैं एक प्राकृतिक भाषा के प्रसंस्करण और समझ से संबंधित सब कुछ करता हूं। अब यह एक प्रकार का चलन है जो भविष्य में किसी व्यक्ति के जीवन को सरल बनाने के उद्देश्य से नए रुझानों को निर्धारित करता है।

समय के साथ, मैंने महसूस किया कि विषय क्षेत्र आपके ज्ञान के क्षेत्र को इतना प्रभावित नहीं करता है। मेरे मामले में, विषय क्षेत्र हमेशा किसी भी समाधान के लिए डेटा को संसाधित करने और लागू करने के तरीके को प्रभावित करता है। और दृष्टिकोण हमेशा एक ही रहता है। और जब विषय क्षेत्र में, विशेषज्ञ एक अभिनव समाधान के साथ आते हैं, उदाहरण के लिए, कंप्यूटर ज्ञान में, समय के साथ यह अन्य क्षेत्रों में बहता है। इस संबंध में, क्षेत्रों के बीच की रेखा धीरे-धीरे मिट जाती है, और दृष्टिकोण और आधार समान हो रहे हैं।

हमारे क्षेत्र की मुख्य समस्या यह है कि यह बहुत असमान रूप से विकसित होता है। मैं आपको एक उदाहरण देता हूं: डेटा साइंस में सब कुछ लंबे समय तक शांत हो सकता है, और फिर कोई व्यक्ति तेजी से समाधान के साथ आता है, और थोड़े समय के बाद ये सफलता की चीजें सभी के लिए मानक बन जाती हैं। काम के संदर्भ में, यह एक ही समय में अच्छा और बुरा दोनों है: एक तरफ, आप लगातार कौशल पंप करते हैं और दूसरों की तुलना में 10 गुना तेजी से "रन" करते हैं, दूसरी तरफ, आपकी कार्य प्रोफ़ाइल लगातार बदल रही है।

भविष्य की योजना। अब तक मुझे इस बात की कोई समझ नहीं है कि मैं किन क्षेत्रों में और विकास करना चाहता हूं। मैं अब जो कर रहा हूं, उसमें और भी गहरा गोता लगाना चाहता हूं।

नेटोलॉजी के संपादकों से

अधिकांश अनुभवी AI पेशेवर दो तरह से पेशे में आते हैं:

• गतिविधि, पेशे के दूसरे क्षेत्र से स्थानांतरित;
• आईटी में अन्य विशिष्टताओं पर काम किया, और कुछ बिंदु पर कृत्रिम बुद्धिमत्ता और डेटा विश्लेषण से संबंधित कार्य किए।

किसी भी मामले में, यहां तक ​​कि अनुभवी विशेषज्ञ लगातार नई चीजें सीख रहे हैं, उपयोगी संसाधनों और लेखों का अध्ययन कर रहे हैं, और उन्नत प्रशिक्षण पाठ्यक्रम ले रहे हैं।

इस तथ्य के बावजूद कि रूसी विश्वविद्यालयों ने अभी तक उचित शैक्षिक कार्यक्रमों को लागू नहीं किया है, अब हमारे लेख के नायकों की तुलना में डेटा वैज्ञानिक बनना आसान है।

यदि आप आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और एनालिटिक्स के क्षेत्र में रुचि रखते हैं - हम आपको हमारे पाठ्यक्रमों " डीप लर्निंग " और " मशीन लर्निंग " के कार्यक्रमों का अध्ययन करने के लिए आमंत्रित करते हैं।