С използването на сайта вие приемате, че използваме „бисквитки" за подобряване на преживяването, персонализиране на съдържанието и рекламите, и анализиране на трафика. Вижте нашата политика за бисквитките и декларацията за поверителност. ОK
Регистрация

Tехнологиите са неутрални, зависи как ги използваме

Ивайло Странджев, ML инженер в технологичната компания HyperScience, пред "Кариери"
Share Tweet Share
Снимка

Всяка задача, която може да се реши от човек, може да бъде автоматизирана с помощта на машинното самообучение, казва Ивайло Странджев от HyperScience.

 Фотограф: Надежда Чипева

Ивайло Странджев е инженер "Машинно самообучение" в американската високотехнологична компания HyperScience. Преди това е работил във "VMware България" и Everbread, като два пъти е бил стажант и в Google Zurich. От 2007 г. води лекции по различни теми в областта на машинното самообучение (ML) и изкуствения интелект (AI) в Софийския университет "Св. Климент Охридски" (СУ). Придобива магистърска степен в специалност "Изкуствен интелект" от СУ през 2012 г.

Странджев е и лектор в образователната инициатива на HyperScience – HS Learn. Тя има за цел да представи по-задълбочено машинното обучение като дисциплина и професия в България. Лекциите се провеждат на всеки две седмици в продължение на няколко месеца, като входът е свободен, но със задължителна предварителна регистрация. Следващият курс в програмата на инициативата ще се проведе на 7 март, от 19:00 ч., в Софарма Бизнес Тауърс. За регистрация и повече информация посетете този адрес.

Срещнахме се с Ивайло Странджев, за да поговорим за перспективите пред професионалистите в областта на машинното самообучение, митовете, свързани с изкуствения интелект и роботизацията, както и за последиците от тяхното внедряване върху пазара на труда и начина, по който ще работим през следващите години.

Г-н Странджев, какво представлява машинното самообучение? Обяснете го на разбираем език.
- Трудно е да се обясни и синтезира в 1-2 изречения. Но като цяло очакването на хората какво е ML много не съответства на действителността. Може би първо трябва да започнем с другия термин – изкуствен интелект (AI), понеже, като чуят AI, хората добиват много грешни впечатления. Реално всяка програма, която се пише днес, според дефиницията е AI. И не само в днешно време – по принцип всяка компютърна програма е изкуствен интелект. А ML е по-скоро подразделение на АI, в което машините могат да взимат решение, без изрично да са програмирани да го правят. Например, показвайки множество примери на един компютърен алгоритъм или на една програма, той се научава да взима някакви решения и да ги обобщава по някакъв начин.

Тоест вкарваме някакъв елемент на самообучение.
- Да, оттам идва и терминът Machine Learning. Затова този подраздел от AI в момента е много популярен. Едно от основните изисквания да можем да прилагаме ML е да разполагаме със страшно много данни и примери. Покрай интернет и мобилните приложения в последно време има много данни. Всяка задача, която може да се реши от човек, може да бъде автоматизирана с помощта на ML, стига да съществуват достатъчно примери и достатъчно време. Това пести много пари на компаниите, затова е и толкова популярно.

Какви са възможните приложения на ML?
- ML може да бъде приложено във всеки един бранш. Нещо, което хората обикновено не осъзнават е, че не даваме на компютъра пълния контекст, който има човек. Тоест ние с вас имаме голям контекст, помним в последните 30 години какво се е случило и сме натрупали някакъв житейски опит, който ни дава някакъв контекст. Компютърът не може да чуе, да помирише, да си спомни и т.н.

Вие самият как се насочихте към тази сфера?
- Като ученик се интересувах от математика, бях състезател и т.н. След това в университета се преквалифицирах като програмист и започнах да се занимавам със стандартно програмиране. Тогава в края на 90-те и началото на 2000-те години имаше лек спад на ML и в този период бях просто програмист, така да се каже. Стандартното програмиране не включва толкова решаване на предизвикателни задачи, свързани с математика, по-скоро има стандартни алгоритми и похвати, които човек следва. Докато в областта на ML това не е така, в момента има страшен бум и неща, които преди 2-3 години са били на гребена на вълната, сега вече са остарели. Много бързо се измислят нови похвати и алгоритми и точно това ми е интересно. Говорим за изцяло неутъпкана територия.

В такава динамична среда как един професионалист може да поддържа нивото си високо?
- Човек не може да знае всичко, но част от нашата дейност тук включва четенето на научни разработки, които в момента се публикуват. Много от тях са плява, няма какво да се лъжем – някой е написал нещо и твърди, че е направил супер откритие. Всъщност в повечето случаи това не е така, но понякога има доста ценни находки. Хубавото е, че много от похватите и алгоритмите са приложими в много области – например някой е използвал даден похват, за да оптимизира разпознаването на котки и кучета, но ние можем да приложим подобен модифициран похват за решаването на друг вид проблем. Невъзможно е човек да приложи всичко навсякъде и затова в момента е толкова интересно. Голяма част от работата ни е изследователска и научна дейност. Четем научни разработки, имплементираме ги, експериментираме върху нашата конкретна задача и установяваме дали помага или не.

Какви конкретни източници ползвате, за да се информирате за случващото се във вашата сфера на работа?
- В момента в световен мащаб има доста онлайн курсове, които са доста добра начална платформа за ML. В Станфърд правят курс, който се води от едно от светилата в ML. Съществуват и доста конференции, които предоставят видим материал от лекциите си. В Университета на Торонто правят летен лагер и там събират светила в ML, които лекции после качват онлайн. Не всички лекции са полезни, но често има и такива. Нашата образователна инициатива HS Learn е доста подобна, но не в такъв мащаб, разбира се.

Какво представлява тази инициатива? Какво целите с нея?
- Сигурно знаете, че в момента има огромен глад за програмисти, а за специалисти в областта на ML той е още по-голям. Много малка част от програмистите са квалифицирани да се занимават с това. За жалост един от основните фактори за хората е по-доброто заплащане. Мои приятели архитекти ме питат дали могат да станат програмисти, за да получават повече. А пък мои приятели програмисти ме питат дали могат да станат ML инженери, за да взимат повече. Това според мен е грешната мотивация. За да се занимаваш с ML, трябва да разбираш от повече математика, малко трудно е човек да запълни тази празнина. Не оставайте с грешно впечатление обаче – работата ни е изключително практически насочена, но в първия момент човек може да бъде доста фрустриран, ако не разбира математика. Самите анотации и начинът, по който изразяваш формулите, са чисто математически и, ако нямаш подходяща подготовка, по-скоро ще изпаднеш в паника. Като цяло нашият курс HS Learn също е повече практически ориентиран, целим да показваме повече практически примери.

Освен математическите познания какви други качества е необходимо да имаш, за да упражняваш успешно тази професия?
- Има някои качества, които са необходими, за да си експерт, в която и да е област. Според мен най-важно е да приемеш, че ще се проваляш често. Когато работиш с експериментаторска дейност, трябва да приемеш, че експериментът или ще успее, или няма да успее. Даже по-често няма да успее. Трябва да си готов да работиш под напрежение. Важно е да можеш да работиш в екип – колкото и добър експерт да си, рано или късно забиваш и е добре да можеш да комуникираш, за да получиш друга гледна точка. Що се отнася до конкретни технологии – някои биха ти помогнали, други не толкова, но това лесно се наваксва. В момента в ML се е наложил като език Python, но това лесно се запълва като знания.

Между комуникационни и технически умения кои са по-важни за кариерното развитие?
- Мисля, че и двете са еднакво важни. Със сигурност комуникационните умения са важни, първо, за да можеш да разбираш предложенията на другите, после за да можеш да комуникираш проблемите, които срещаш, и другите хора в екипа ти да ти помагат да ги решиш. Техническите също са важни, понеже понякога кодът, който пишем, проявява най-различни проблеми. Човек трябва да има опит как да дебъгне, как да оправи нещата. И не на последно място, трябва да работиш с огромно количество данни. Алгоритмите са толкова по-добри, колкото по-добри са данните ни. Ако напишеш нещо наивно, то ще работи, но ще отнеме 50 години да обучиш машината да реши задачата.

Т.е. машината е толкова умна, колкото умен е алгоритъмът, който й зададеш?
- Машината не може да е умна, тя прави това, което си й казал. Не това, което си мислиш, че си й казал, а това, което наистина си й казал. И това е основният проблем. Човек трябва да може да преценява тези неща, свързано е с алгоритми.

Какво е заплащането за България за тази професия? Можете ли да дадете някакви рамки, в които се движи?
- Не мога да кажа конкретни цифри, но със сигурно мога да кажа, че е една от по-добре заплатените професии, да не кажа една от най-добре платените професии. В България не са много компаниите, които се занимават конкретно с МL. Някои фирми имат такъв отдел или екип, който се занимава с ML, понеже е много модерно. Но в такива компании по правило заплащането е като при другите специалисти. Така или иначе по-важно според мен е да можеш да учиш нови неща и да ти носи удовлетворение. От тази гледна точка, да работиш ML ти се отплаща повече. А иначе професията предоставя сравнително добра сигурност, понеже тези хора са по-малко от програмистите и са все по-търсени.

От кои други области или професии може да се направи кариерна промяна към ML?
- Според мен естественият преход би бил от каквато и да е професия към програмист и след това към ML, понеже човек трябва да има някакви базови познания, за да може да надгражда над тях. От всяка друга професия човек може да стане програмист, но трябва да се примири, че няма да се случи веднага, както обещават много хора в момента. В началото на кариерния си път правиш стажове, за които не ти се плаща, трупаш познания. Например, ако на 30 години направиш тази промяна, не можеш да си позволиш 2 години да не взимаш заплата, малко е късно. Колкото по-късно започнеш, толкова по-назад си в старта. Основна грешка на повечето хора, които се опитват да се преквалифицират, е, че очакват резултати твърде бързо. Причината е, че подобни академии дават твърде нереалистични очаквания.

А какво време е реалистично за прехода от програмист към ML инженер?
- Зависи доколко е отдаден човек на това нещо. Естественият начин да се случи този преход е човек да експериментира, да започне да търси такива курсове, да прави практически упражнения и така постепенно да напредва. Индивидуално е, няма стандартни срокове. Зависи доколко човек бързо възприема и учи, доколко е любопитна натура и пр.

Кои учебни заведения в страната и чужбина бихте препоръчали на младежите, които искат да се реализират в областта на ML?
- Аз съм учил в Софийския университет, където съм завършил изкуствен интелект. Бях много доволен от магистратурата, доста научих. В момента в България е най-добрият университет в тази област. В последно време Нов български университет започва да настига Софийския и то специално при бакалавърската степен, докато при магистърските има какво още да се иска, особено в областта на AI. Предимството на Софийския е, че много специалисти от БАН помагат и се включват да водят различни курсове. Примерно в СУ в момента се води курс по дълбоко машинно самообучение. Академии като нашата също биха били полезни.

А в световен мащаб има няколко университета, които са доста силни, но са фокусирани в различни области. За обработката на естествен език определено препоръчвам Станфорд. Университетът в Торонто също е много силен. По-хубавото е, че много от курсовете, които се водят в тези университети, са достъпни онлайн и не е необходимо да ходиш чак дотам, за да учиш.

Основателни ли са страховете на някои анализатори, че машините ще изместят хората?
- Ще ви дам и двете гледни точки – и да, и не. Първо, появиха се разни статии, че изкуственият интелект на Google става агресивен, когато не са му налични достатъчно ресурси и т.н. Тези статии са 100% измамни и разчитат, че хората и представа си нямат за какво пише. Ще дам пример. Представете си компютърна игра, в която имаш змия, която яде ябълки. И тази змия може да прави две неща – да преследва ябълките и да ги яде или да стреля по друга змия и да я зашемети. Когато има много ябълки, логично правилната ти стратегия е да ядеш ябълките. Когато няма много ябълки, по-добре е да зашеметиш другата змия и да ядеш след това ябълките. На тази база написаха, че AI ставал агресивен. Но като се замислиш, всеки човек би направил така. Много от статиите представят фактите манипулативно, като разчитат, че никой няма да се задълбочи. Много хора искат да повярват на апокалиптичния сценарий и да изпадат в паника излишно, не мога да разбера защо.

От друга страна, има нещо, което се нарича технологическа сингуларност. Това е моментът, в който ML ще може да пише по-добър ML от самия себе си. Тоест ще е в състояние да се самоподобри. А ако може да се самоподобри, това означава, че ще напише още по-добър ML, който може да напише още по-добър ML и т.н. Един от най-интелигентните хора, които познавам, преди 4 или 5 години ми каза, че очаква това да стане след 50 години. Така че има опасности, свързани с ML, но не са точно такива, каквито очакват хората. Най-опасно е използването на технологията за военни разработки и пр. Има една програма, която се казва Skynet, като в "Терминатор" - целта й е да идентифицира потенциални терористи и да ги убива автоматично, без намесата на човек, което е плашещо. За такива неща е по-добре да не ползваме ML, но в други случаи може много да подобри ежедневието на човечеството.

Технологията е неутрална, зависи как я използваме. Компютърът сам по себе си не може да мисли автономно, той прави това, което човек му е казал. Ако си му поставил за цел да завземе света, мисля, че проблемът не е в машината, а в този, който й е поставил задачата.


Share Tweet Share
още от тази рубрика:

Реклама

Реклама

© 2003-2018 Икономедиа АД съгласно Общи условия за ползване ново. Политика за бисквитките ново. Декларация за поверителност ново.
Поставянето на връзки към материали в сайтовете на Икономедиа е свободно. Уеб разработка и дизайн на Икономедиа. Сайтът използва графични елементи от famfamfam + DryIcons. Някои снимки © 2018 Associated Press и Reuters. Всички права запазени.
Действителни собственици на настоящото издание са Иво Георгиев Прокопиев и Теодор Иванов Захов.
mobile Към мобилната версия на сайта

Бизнес: КапиталКариериБизнесРегалГрадът.bgОдитFoton.bg

Новини: ДневникЕвропа

IT: IDG.BGComputerworldPC WorldCIONetworkworld

Развлечение: БакхусLIGHT

На английски: KQuarterly