Quatro especialistas experientes sobre como eles lidam com inteligência artificial, quais dificuldades eles encontraram e quais tarefas eles resolvem.
“No começo era sempre assustador, mas nunca me arrependi”
Grigory Sapunov, CTO, Intento
Co-fundador e diretor técnico da startup, é responsável pelo desenvolvimento tecnológico, arquitetura de soluções e avaliação de sua qualidade, aplicação de IA e outras questões técnicas, está envolvido na gestão, desenvolvimento e contratação de funcionários.O começo da jornada. É difícil dizer o que exatamente me levou à profissão: desde a infância, eu estava interessado em programar. Ao mesmo tempo, eu estava interessado em psicologia, biologia, matemática, rádio eletrônica, li as revistas "Young Technician" e "Young Naturalist".
Durante muito tempo, tudo relacionado à inteligência artificial foi para mim um hobby e não uma profissão. Em algum momento, percebi que esses tópicos também compõem uma parte significativa das minhas tarefas de trabalho. Você pode comparar isso com a minha chegada ao Yandex em 2007.
Primeiras dificuldades. No meu caso, a transição foi gradual: minha carreira profissional começou com vários projetos de TI, e o primeiro projeto "comercial" foi o mecanismo de pesquisa da Moscow Abstracts Collection, escrita em Perl. Nem sempre foi possível entender novos tópicos na primeira vez, eu tive que reler vários livros diferentes para entender alguma coisa e experimentar muito.
Eu me envolvi repetidamente em projetos completamente novos, onde no começo eu não tinha o conhecimento necessário - eu tinha que dominar ao longo do caminho. No começo, era sempre assustador, mas nunca me arrependi.
Para entender como tudo funciona, quase sempre comecei a programar a partir do nível mais baixo. O mesmo ocorreu com o algoritmo de desenho de linha de Brezenham, sombreamento Fong ou Gouro - quando estudei computação gráfica e com a criação de uma rede neural simples, a implementação do método do vetor de suporte ou do algoritmo genético - quando mergulhei mais fundo na IA. Então me refiz por um longo tempo: não queria usar bibliotecas prontas e tentei escrever as minhas do zero.
Tarefas profissionais. A inteligência artificial tornou-se uma tecnologia bastante versátil. Nos últimos anos, com a ajuda da ML ou da Engenharia de software, eu e meus colegas realizamos tarefas muito diferentes:
- reconhecimento de imagem: sinais de trânsito da câmera de vídeo de um smartphone ou mercadorias na prateleira da loja;
- estruturação do fluxo de notícias: agrupando notícias sobre tópicos comuns, anotando os agrupamentos resultantes e destacando fatos importantes, classificando o fluxo por importância, etc;
- previsão na educação: qual dos alunos abandonará um curso on-line em um futuro próximo;
- análise em tempo real de centrais de atendimento: definindo o tópico de uma conversa telefônica e as emoções das pessoas;
- análise de dados genômicos: para determinar a estrutura da cromatina;
- trabalhar com textos: encontrar sentenças correspondentes entre textos paralelos em dois idiomas diferentes;
- e muito mais :–)
Agora identifico os pontos fortes e fracos de modelos e serviços baseados em inteligência artificial. Isso ajuda a escolher quais são adequados para uma tarefa de negócios específica.
Planos futuros. O que pretendo fazer a seguir? Vou aplicar minhas habilidades adquiridas nas áreas de medicina e biologia, estudar a "psicologia" de sistemas complexos naturais e artificiais, tentar criar um cientista de IA, ou pelo menos um assistente, para aumentar minha eficiência. Também pretendo aprender várias novas linguagens de programação: Rust, Swift, Kotlin, Julia ou Elixir. Também tentarei realizar mais projetos de hardware com inteligência artificial baseada no Jetson Nano, no Google Edge TPU ou no FPGA.
Dmitry Korobchenko, Engenheiro e Gerente de P&D de Aprendizagem Profunda, NVIDIA
O chefe do grupo de pesquisa e desenvolvimento está envolvido no processamento de imagens: o uso de redes neurais para processamento de imagens, computação gráfica, animação e simulação física.O começo da jornada. Enquanto estudava na universidade, eu gostava de visão computacional e, portanto, decidi ingressar no Laboratório de Computação Gráfica e Multimídia da Faculdade de Matemática Computacional e Cibernética da Universidade Estadual de Moscou.
Trabalhando na Samsung após a universidade, voltei à visão computacional: um dos meus primeiros projetos foi a análise de imagens médicas usando redes neurais convolucionais. E quando, em 2012, as redes neurais se espalharam ativamente para outras áreas, a gama de meus projetos expandiu-se significativamente.
Tarefas profissionais. Como engenheiro de P&D de Deep Learning, estou envolvido em pesquisa e desenvolvimento: desde a criação de novos algoritmos e a realização de vários experimentos até a implementação de produtos finais, com subsequente otimização. Além disso, nos últimos anos, tenho ministrado aulas de mestrado e sendo professor de aprendizado de máquina e cursos de redes neurais em várias escolas de educação adicional.
Agora, a maioria das minhas tarefas está relacionada a tipos de dados complexos - imagens, sons, modelos poligonais, dados de tensores, etc. Inclusive continuo engajado em visão computacional: classificação de imagens, detecção de objetos, segmentação semântica; criar estruturas de redes neurais.
Planos futuros. Meus planos imediatos são fortalecer o grupo de pesquisa e desenvolvimento especializado em redes neurais no escritório da NVIDIA em Moscou e continuar a se desenvolver no campo educacional no campo da inteligência artificial: criar conteúdo para palestras, cursos e um canal pessoal do YouTube.
"No início dos anos 2000, o termo Data Scientist não existia, mas na verdade eu fiz exatamente isso."
Anna Kostikova, diretora de ciência de dados e bioinformática da Novartis
Ele lidera uma equipe cujas tarefas incluem a criação de medicamentos personalizados no desenvolvimento de novos medicamentos. A essência do trabalho do grupo é que os medicamentos são desenvolvidos e selecionados com base na análise de informações digitais sobre DNA, proteínas e dados clínicos de pacientes. Para fazer isso, Anna e sua equipe usam aprendizado de máquina, bioinformática e estatística.
O começo da jornada. No início dos anos 2000, o termo Data Scientist não existia, mas na verdade eu fiz exatamente isso. Por exemplo, na universidade, encontrei um trabalho paralelo em que tive que coletar dados para um banco de dados, criar uma estrutura e possibilitar o trabalho com o banco de dados. Tudo isso que fiz no MS Access em um computador com 512 MB de RAM e 1 GB de espaço no disco rígido :–)
No terceiro ano, consegui um estágio em uma empresa sem fins lucrativos, onde eles estavam envolvidos na análise de imagens espaciais. Foi então que tentei usar redes neurais, classificação sem treinamento e com ela, lógica fuzzy, etc. Em seguida, os computadores com 4 gigabytes de RAM eram comparáveis a um milagre, e não os desligávamos no fim de semana - para que "contassem" enquanto descansávamos.
Primeiras dificuldades. Pela primeira vez, trabalhei com o “título” oficial Data Scientist em 2014. Então, consegui um emprego na Booking.com e descobri como é trabalhar nesta área em escala industrial: com amostras de dados de bilhões de linhas.
Em qualquer campo, os dois primeiros anos são os mais difíceis: toda a terminologia é nova para você, não está claro o que é importante e o que não é.
Aprender coisas novas é sempre uma função sigmóide: você deve superar o primeiro platô quando parecer que nunca entenderá. Por exemplo, em uma escola de pós-graduação na Suíça, eu precisava aprender a analisar dados genômicos e escrever um script Perl para análises em larga escala. Naquele momento, eu não sabia disso, mas de alguma forma saí. O principal é não ter medo e tentar.
Tarefas profissionais. Na minha prática, havia muitas tarefas diferentes: desde analisar imagens de satélite do WWF até otimizar o processo de fabricação de cerveja na Heineken, prever o comportamento do usuário na Internet para Booking.com e prever a operação de medicamentos na Novartis.
Atualmente, trabalho como diretor de análise de dados e bioinformática na Novartis. Eu também tenho minha própria empresa de diagnóstico de câncer. Eu realmente gostaria de aproveitar ao máximo a Ciência de Dados e o aprendizado de máquina para cuidados de saúde e medicina - do desenvolvimento de medicamentos ao diagnóstico. Acredito que, nos próximos 20 a 50 anos, a maior parte dos esforços de analistas em todo o mundo visará solucionar problemas biomédicos, mudar a qualidade de vida da humanidade e não apenas otimizar na Internet e na produção.
"Então eu tinha certeza de que já sabia tudo, embora ainda não soubesse absolutamente nada"
Nikita Semenov, líder da equipe de PNL, centro de inteligência artificial MTS
Ele lidera as equipes de PNL e lida com tudo relacionado ao processamento e entendimento de uma linguagem natural.
O começo da jornada. Mesmo nos primeiros anos do instituto, comecei a estudar o aprendizado de máquina opcionalmente: estudei a especialidade "Segurança de computadores", mas gradualmente percebi que não gostaria de conectar minha vida a ela. Meu supervisor se formou na Politécnica de Milão com um programa de Ciência da Computação e, com ele, começamos a desenvolver um curso opcional de aprendizado de máquina. Um termo semelhante não existia na época e, em todo o mundo, eles falavam apenas dos elementos do aprendizado estático, que estudamos. Infelizmente, na Rússia ainda não existem programas em Ciência da Computação.
Era extremamente difícil encontrar um emprego após o ensino médio justamente pelo perfil do aprendizado de máquina - a esfera estava apenas emergindo. Então, fui a uma pequena startup que estava envolvida na automação de lances em sites de publicidade contextual como o Google AdWords. Minha primeira tarefa foi desenvolver um mecanismo baseado em estatísticas e na capacidade preditiva do objetivo, para que nem sempre fizéssemos o primeiro lance, mas o segundo ou o terceiro - essas linhas também aparecem no topo da SERP, mas são muito mais baratas. Então tive certeza de que já sabia tudo, embora ainda não soubesse de nada.
Primeiras dificuldades. As habilidades sociais criaram uma grande dificuldade para mim: era necessário explicar o que eu estava fazendo, o que tudo isso significava, como e o que interpretar e qual seria o efeito para as pessoas que não entendiam nada no meu campo. Naquela época, os processos de aprendizagem entre pares ainda não eram comuns, por isso era muito difícil interagir com a equipe. Pratiquei constantemente: tentei transmitir meus pensamentos e explicar à equipe até as métricas mais simples. Eu acho que se eu estivesse apenas começando minha carreira agora, não seria capaz de divulgar tanto a comunicação - quase ninguém faz essas perguntas.
Não havia problemas com habilidades duras: então minhas tarefas eram baseadas em treinamento estatístico e matemática, nas quais eu conhecia bem. Apesar disso, li livros de qualquer maneira: no Data Sience, você precisa se desenvolver constantemente para entender ferramentas e tendências. Em geral, toda a minha experiência de trabalho é um grande desafio. Cada local exigia novas ferramentas e conhecimentos; portanto, sempre foi necessário se desenvolver de forma independente.
Depois de trabalhar em uma startup, havia uma empresa na qual me tornei o primeiro cientista de dados e pesquisa e desenvolvimento: ajudei a configurar as primeiras ferramentas de análise, participei da visão computacional e da construção de modelos preditivos baseados em dados de satélites espaciais.
Tarefas profissionais. No MTS, cheguei ao cargo de engenheiro sênior de visão computacional e, em seguida, cresci como líder de duas equipes. É especialmente importante para mim desenvolver habilidades pessoais, porque o líder da equipe é um treinador. Se falamos de tarefas, aqui faço tudo relacionado ao processamento e compreensão de uma linguagem natural. Agora, esse é um tipo de tendência que define novas tendências destinadas a simplificar a vida de uma pessoa no futuro.
Com o tempo, percebi que a área de assunto não afeta muito a área de seu conhecimento. No meu caso, a área de assunto sempre afeta como processar e aplicar dados a qualquer solução. E as abordagens sempre permanecem as mesmas. E, na área de assunto, os especialistas apresentam uma solução inovadora, por exemplo, no conhecimento de computadores, com o tempo, flui para outras áreas. Nesse sentido, a linha entre as regiões é gradualmente apagada, e abordagens e bases estão se tornando semelhantes.
O principal problema da nossa esfera é que ela se desenvolve de maneira muito desigual. Deixe-me dar um exemplo: na Ciência de Dados, tudo pode ficar calmo por um longo tempo, e então alguém surge com uma solução brusca e, após um curto período de tempo, essas coisas inovadoras se tornam o padrão para todos. Em termos de trabalho, isso é bom e ruim ao mesmo tempo: por um lado, você constantemente bombeia habilidades e “corre” 10 vezes mais rápido que os outros, por outro lado, seu perfil de trabalho está constantemente mudando.
Planos futuros. Até agora, não compreendo em quais áreas quero desenvolver mais. Quero aprofundar ainda mais o que estou fazendo agora.
Dos editores da Netology
Os profissionais de IA mais experientes entraram na profissão de uma de duas maneiras:
- mudou de outro campo de atividade, profissão;
- trabalhou em outras especialidades em TI e, em algum momento, mergulhou em tarefas relacionadas à inteligência artificial e análise de dados.
De qualquer forma, mesmo especialistas experientes estão constantemente aprendendo coisas novas, estudando recursos e artigos úteis e fazendo cursos de treinamento avançado.
Apesar de as universidades russas ainda não terem implementado os programas educacionais apropriados, agora é mais fácil se tornar um cientista de dados do que durante os heróis de nosso artigo.
Se você está interessado no campo da inteligência artificial, aprendizado de máquina e análise - convidamos você a estudar os programas dos nossos cursos "
Aprendizado Profundo " e "
Aprendizado de Máquina ".