Գնահատել նախագիծը
← Բոլոր հրապարակումները

Ինչպես ավելի լավ խոսել ML-ի մասին մարդկանց հետ. հատված հարցազրույցից մեր ML փորձագետներից մեկի հետ

Մի քանի ամիս առաջ մեր մեքենայական ուսուցման փորձագետներից մեկը հրավիրվել էր որպես հյուր մեքենայական ուսուցման պոդկաստում։

11 րոպե
Մեքենայական ուսուցումՊոդկաստներ

Մի քանի ամիս առաջ մեր մեքենայական ուսուցման փորձագետներից մեկը հրավիրվել էր որպես հյուր մեքենայական ուսուցման պոդկաստում։ Թողարկման ընթացքում նա խոսեց այն մասին, թե ինչպես քննարկել մեքենայական ուսուցումը ուրիշների հետ, և խորհուրդներ տվեց, թե ինչպես դրանում ավելի լավը դառնալ։

Մենք պատրաստել ենք զրույցի անգլերեն հատվածը, որը կարող եք կարդալ ստորև։ Բարի ընթերցանություն։

‍
Բարև։ Այսօրվա իմ հյուրը մեքենայական ուսուցման ինժեներ է։ Սկսեմ նրանից, թե ինչ դեր ունեք ձեր ընկերությունում, ինչ տեսլական ունեք դրա համար և ինչ հետաքրքիր աշխատանք եք այնտեղ անում։

Բարև, հաճելի է։ Ի դեպ, ես նաև ղեկավարում եմ մեքենայական ուսուցման ընկերություն, որը աճել է ավելի մեծ ծրագրային ընկերությունից։ Երկար պատմություն կա այն մասին, թե ինչպես է այս ընկերությունը ծագել և ինչ գաղափար էր դրա հետևում։ Այն սկսվեց որպես spin-off՝ հիմնված մի քանի ծրագրավորողների կողմից։ Այսօր մենք ընկերության փոքր մասն ենք՝ հետազոտական առաքելությամբ։ Հիմնական գաղափարն է հետաքրքիր հետազոտություններ իրականացնել և մասնակցել մեքենայական ուսուցում օգտագործող նախագծերի՝ միաժամանակ կապված լինելով տարբեր տեսակի հիմնարար գիտությունների հետ։ Բնականաբար, դրանից բացի, պետք է խառնել նաև մի քանի առևտրային նախագծեր՝ դա պատշաճ ֆինանսավորելու համար։ Ես սիրում եմ ասել, որ ուզում եմ փնտրել նախագծեր, որոնք իսկապես փոխում են ինձ շրջապատող աշխարհը։ Եվ ես որոնում եմ լավ նախագծեր, որոնք, ես հավատում եմ, իսկապես անհրաժեշտ են։

Այսինքն՝ նկատի ունենք GUI՝ փղեր փրկելու, գետեր շեղելու և նման բաների տիպի՞։

Բայց արդյո՞ք գետը շեղելը իսկապես լավ գաղափար կլիներ։ Ոչ, ամենայն հավանականությամբ՝ ոչ։ Ես անձնական հետաքրքրություններ ունեմ, որոնք կապված են հեռահար զոնդավորման հետ. Երկրի ուսումնասիրություն արբանյակային պատկերներով։ Սրանք բնության հետ կապված այն թեմաներն են, որոնց հետևում եմ իմ աշխատանքում։ Չեմ ասի, որ նման AI նախագծեր շատ կան, թեև բախտավոր ենք, որ որոշները ունենք և շարունակում ենք աշխատել դրանց վրա։ Սկսած սկզբնական գաղափարից, երբ մեկնարկեցինք բժշկական նախագիծը, մինչև հիմա, երբ անում ենք նաև պրոէկոլոգիական նախագիծ, դա հնարավոր է։ Բայց ազնիվ լինեմ՝ չափազանց դժվար է։

Քաղցկեղի հայտնաբերման նախագծերը հիանալի են հնչում։ Կարո՞ղ եք մի փոքր ավելին պատմել դրանց մասին։ Մինչ այժմ չեմ լսել մի բանի մասին, որ անցել է ամբողջ ճանապարհը՝ հետազոտությունից և մոդելի կառուցումից մինչև իրական համակարգիչ հիվանդանոցում, որն աշխատում է և անում է գործը։ Թվում է՝ այդ արգելքը հաղթահարելը իսկապես դժվար է։

NDA պայմանագրերի պատճառով կարող եմ ասել միայն, որ նախագիծը հիմնված է ամուր գիտական հիմքի վրա, և նրա հիմնական նպատակն էր անցնել ԱՄՆ-ի FDA աուդիտը, ինչը և արվեց։ Սա նշանակում է, որ դա բժշկական սարք է, որն արդեն արտադրության մեջ է։ Ընկերությունը նախկինում աշխատել էր այսպիսի բանի վրա և ֆինանսավորել էր այն։ Նրանք ունեին գերազանց նախապատրաստական աշխատանք նման մոդելներ կառուցելու համար և զարմանալի ենթակառուցվածք։ Հետազոտական խնդիրը լավ սահմանված էր, և հավաքված էր կոնկրետ փորձագետների թիմ։ Մեր գործը պարզապես այդ խնդրի խելացի լուծում գտնելն էր։ Որն ուղիղ այն է, ինչ մենք մեր ընկերությունում լավագույնս ենք անում և ամենաշատն ենք սիրում։

‍Անշուշտ շատ հարմար է կառուցել միայն այն մասը, որը սիրում ու հասկանում ես, կամ ճանապարհին իրար ճանաչել՝ առանց 10,000 հանդիպում նստելու մարդկանց հետ, որոնք կա՛մ քեզ ինչ-որ բան են բացատրում, կա՛մ փորձում են հասկանալ, թե ինչ են քեզանից ուզում։

Այս փուլը՝ ասենք՝ ինկուբացիա, այն է, որ սիրում եմ։ Եվ չէի ասի, որ հանդիպումների մեծ երկրպագու եմ։ Այդուհանդերձ, կան նաև ինտենսիվ, ոգեշնչող հանդիպումներ՝ նախատեսված խնդիրը մշակելու և վարկածներ առաջ քաշելու համար։ Մեր ընկերությունում դա ընդհանուր գործընթացի մի մասն է։ Բայց ընդհանուր առմամբ, երբ սկսում ենք հաճախորդների հետ խոսել, առաջարկում ենք հանդիպել նրանց հետ մոտավորապես մեկ շաբաթ՝ նախքան որևէ խմբային հայեցակարգ անելը։ Սա մենք անվանում ենք աշխատաժողովներ։ Այդ շաբաթվա ընթացքում քննարկում ենք, անցնում ենք գրականության միջով և դիտարկում, թե ինչ է թեմայի վերաբերյալ գիտելիքի ներկա վիճակը։ Այս մոտեցումը մինչ այժմ ինձ չի հուսախաբել. այս ոլորտում եղած ողջ ժամանակ աշխատաժողովները իսկապես աշխատել են։ Երբ մարդիկ սկսում են խոսել միմյանց հետ, ամեն ինչ սկսում է իմաստ ստանալ, և այդտեղից ավելի հեշտ է դառնում։ Օրինակ՝ նման հանդիպման ընթացքում նրանք ձևավորում են ընդհանուր բառապաշար։ Բոլորը գիտեն, որ շաբաթը շատ ինտենսիվ է լինելու, և եկած են լինում պատրաստված։ Բավական հաճախ հաճախորդները աշխատաժողովներին գալիս են արդեն կարդացած գրականությունը։ Դա իդեալական սցենարն է։ Աշխատաժողովները չափազանց արդյունավետ են։

‍ Լավ, բայց կան նաև հանդիպումներ, որտեղ կազմակերպության տարբեր մակարդակներից շատ մարդիկ փորձում են որոշել, թե իրականում ինչ են ուզում պատվիրել այս Data Lab-ից, կամ ինչպես էլ ուզում ենք անվանել։ Հետաքրքիր է, թե ինչն է մղում հաճախորդին։ Արդյո՞ք դա բավական բարձր դրույքաչափն է, որ նրան ստիպում է կարդալ գրականությունը՝ իմանալով, որ այս շաբաթն արժե X, Y, Z, ուրեմն ավելի լավ է արագ շարժվել։ Թե՞ կա որևէ այլ պատճառ, և գործընթացն իսկապես սկսվում է, երբ դուք այնտեղ եք։

Փողը ակնհայտորեն կարևոր է այստեղ։ Բայց հենց սկզբում, ում հետ էլ ինկուբացնենք նախագիծը, նախ պետք է վարակենք նրան այն հմայքով, որ ինքներս զգում ենք, որպեսզի նրանք նույն մոտիվացիան ունենան։ Վերցրեք ինձ. ես շատ եմ սիրում գիտական հետազոտությունները։ Երբ գիտեմ, որ ինչ-որ մեկի հետ աշխատաժողով եմ վարելու, և մենք լուծելու ենք չափազանց դժվար խնդիրներ, հաճախ ոլորտում, որի մասին նախապես ոչինչ չգիտեի, և որ շատ բան պետք է սովորեմ, ես արդեն հսկայական մոտիվացիա ունեմ։ Իմ զգացողությունն այն է, որ մարդիկ բռնում են այս մոտիվացիան, և դա է ամենակարևորը. մարդիկ գալիս են մտածելով՝ լավ, այս մարդը ճանապարհին է, և հիմա դժվար է լինելու։ Նա չի հանգստանա. թեև մենք նրա հաճախորդներն ենք, նա շատ բան կպահանջի մեզնից։ Դրան գումարած՝ գիտենք, որ դա համապատասխան դրույքաչափով շաբաթ է։ Այն չափազանցված չէ, բայց մարդիկ զգում են, որ դա շաբաթ է, որի մեջ ներդրում են անում։ Եվ ես ուրախ եմ, որ բոլորը շատ լավ են պատրաստվում, որովհետև այդ դեպքում զգում եմ, որ ես պետք է ավելի լավ պատրաստվեմ։ Դա պատրաստվելու պարույր է։ Եվ հետո քննարկումը լավն է լինում։ Մի անգամ գերազանց աշխատաժողով վարեցի իր ոլորտի մի փորձագետի հետ, նույնպես բժշկական ախտորոշման ոլորտում։ Նա իր կիրքը փոխանցում էր խոսելու ձևով և այնքան լավ էր պատրաստված, որ քննարկումը իսկապես ուժեղ էր։ Մեզ ստիպված էին սենյակից դուրս հրել։ Բայց դրանից ինչ-որ լավ բան ծնվեց։

‍Կարո՞ղ եք այդ մասին ավելին պատմել։ Հետաքրքիր է՝ որտեղից եք սկսում և որ պահին եք ասում՝ լավ, հասկացանք։ Մարդկանց սովորեցնու՞մ եք, թե ինչ է մեքենայական ուսուցումը։ Ինչպե՞ս է ընթանում։

Հենց սկզբում հաճախորդի հետ անում ենք սովորական բիզնես աշխատանքը և քննարկում հիմնական տերմինները։ Հետո, երբ գալիս եմ աշխատաժողովներին, դրանք բաժանում եմ հարմար բաժինների՝ կախված նրանից, թե ինչ տեսակի հաճախորդ է։ Եթե իրավիճակն այնպիսին է, որ ոչ ոք չգիտի՝ ML-ը ճիշտ ընտրություն է, թե ոչ, աշխատաժողովը սկսվում է այն քննարկումով, թե ինչ է մեքենայական ուսուցումը, ինչով է տարբերվում այլ մոտեցումներից և արդյոք հաճախորդին այն իսկապես պետք է։ Երբեմն պետք չէ, և մեր պարտականությունն է դա պարզ ասել, որովհետև ամեն խնդիր չէ, որ պետք է լուծել մեքենայական ուսուցման ալգորիթմներով։ Սա սովորաբար առաջին օրն է։ Երկրորդ օրը հարցեր տալու համար է։ Ես այդ զրույցը սցենարավորում եմ, որպեսզի պոտենցիալ հաճախորդից հնարավորինս շատ տեղեկատվություն քաղեմ և հասկանամ նրա ոլորտը։ Նաև նախապես պատրաստվում եմ. անցնում եմ գրականության միջով և նայում, թե ինչ լուծումներ կան հիմա։ Այդ զրույցից հետո բավարար տեղեկատվություն ունեմ՝ որոշելու, արդյոք Proof of Concept-ը անհրաժեշտ է։ Հաջորդը՝ հաճախորդին ցույց եմ տալիս առաջին հնարավոր լուծումը՝ ամենապարզը։ Այդ առաջին մասից հետո կարող եմ ասել՝ լավ, սա լավ ուսումնասիրված տարածք է, Proof of Concept-ի կարիք չկա։ Դա հարմար դիրք է։ Եթե ցանկանում եք նախագիծ իրականացնել, կարող ենք անմիջապես սկսել և թիմ հավաքել։ Բայց երբեմն Proof of Concept-ը անհրաժեշտ է, որովհետև գիտելիքը գիտության մեջ լայնորեն չի ընդգրկված, և պարզ չէ՝ ընդհանրապես հնարավոր է արդյոք իրականացնել այդ բանը, և ես դա պարզ ասում եմ հաճախորդին։

‍Այս կախարդական Proof of Concept-ը. հարցրեք մեր ոլորտի 30 մարդու, և կստանաք 30 միանգամայն տարբեր սահմանումներ։ Սա է, որ կուզեի խորությամբ հասկանալ։ Իսկ այդ հարցերը, որ նշեցիք, ի՞նչ են ընդգրկում։

Իմ մոտեցումն է ուսումնասիրել այն ոլորտները, որոնցում ակտիվ է այն ընկերությունը, որի համար աշխատելու եմ, բայց նաև թե ինչ թիմի հետ եմ աշխատելու, ով կարող է օգնել ինձ խնդրի մեջ, ով է ներգրավված, ով արդեն փորձագետ է, ինչ գիտելիք գոյություն ունի, ինչ է նախագծի նախապատմությունը և որտեղից է ծագել գաղափարը։ Լավ համագործակցելու համար պետք է լիովին հասկանալ այն մարդուն, ում համար աշխատում ես, և ինչ նա մտադիր է. ինչու է ուզում կառուցել հենց սա, այլ ոչ թե ինչ-որ այլ բան։ Դա անշուշտ հեշտացնում է հետագա զրույցները, և կարելի է արագ տերմինների բառարան կազմել։ Ինչպես ասում եք, մեզնից յուրաքանչյուրը Proof of Concept-ը տարբեր կերպ է հասկանում, ուստի պետք է համաձայնենք տերմինաբանության շուրջ։ Ինչ վերաբերում է նրան, թե ինչ է PoC-ը ինձ համար, ես այն դիտարկում եմ որպես գիտական գործընթաց. այն սահմանում է հետազոտական խնդիր և ստուգում է վարկածները։ Այսպիսով, հաճախորդին տալիս եմ հետազոտական խնդիրը, դրա հետևի վարկածները, որոնք հաստատվեցին և որոնք մերժվեցին, և հետո ինչ ենք անելու դրա հետ։

‍Եվ հենց այդ պատճառով էր, որ ուզում էի սա հստակեցնել։ Մարդիկ հաճախ շփոթում են PoC-ն ու MVP-ն, և շատ շփոթ կա դրա շուրջ։ Ոմանք երկու հապավումները դիտարկում են որպես փոխարինելի, բայց եթե մտածես, նրանք այդպես չեն։

Ճիշտ այդպես, և կարծում եմ՝ նաև կարևոր է սահմանել, թե ինչ ենք անելու և անցնել ամբողջ գործընթացի միջով։ Դա այն գաղափարներից մեկն է, որ բերում ենք աշխատաժողովներ։ Առաջին օրը մենք իսկապես խոսում ենք այն մասին, թե ինչպես ենք աշխատում և ինչ ենք անելու հետո։ Ի՞նչ է նշանակում PoC։ Ի՞նչ է նշանակում MVP։ Ի՞նչ է նշանակում հեռավար աշխատել։ Դա նույնպես շատ, շատ հետաքրքիր գաղափար է մեր օրերում։ Հիմնականն այն է, որ բոլորը գիտեն այս բառարանը, որպեսզի համագործակցությունն ավելի սահուն ընթանա։

‍Նկատի ունեք մարդկանց սովորեցնել մեքենայական ուսուցման մասին՞։ Ի՞նչ փորձ ունեք այդ հարցում։ Որովհետև դժվար է մի քանի ժամում ինչ-որ մեկին բացատրել, թե ինչպես է աշխատում այս ոլորտը. նրան տեղափոխել այն տեսակետից, որ ամեն ինչ կարելի է պլանավորել հայտնի տևողությամբ, այն տեսակետին, որ որոշ ժամանակ անց կասեմ՝ հնարավո՞ր է անել, թե ոչ, և միայն դրանից հետո կկառուցենք։ Շատերի համար դա ակնհայտ չէ, կամ գոնե ինձ այդպես է թվում։

Կարծում եմ՝ շատ լավ կետ եք նշել։ Առաջին քայլը անմիջապես հստակ սահման քաշելն է դասական մշակման և մեքենայական ուսուցման մշակման միջև։ Առաջինում կարող ենք մոտավորապես կանխատեսել, թե երբ նախագիծը կավարտվի։ Տվյալ լուծման բոլոր շինանյութերը բավական լավ հասկացված են։ Սակայն ML-ում, թեև բլոկները հայտնի են, «մեքենան» հայտնի չէ. ոչ ոք չգիտի, թե որն է լինելու արդյունքը։ Սա այն փուլն է, երբ պետք է պատմությունը պատմել նորից ու նորից, և ամենապարզ ճանապարհը կառուցվելիք օրինակի միջոցով է։ Ահա թե ինչի համար են ինձ համար այս աշխատաժողովները. դրանից հետո մոտավորապես գիտեմ, թե ինչ պետք է անենք, և ասում եմ նրանց, թե ինչ տվյալներ կպահանջվեն։ Ճիշտ է, գուցե մի փոքր թերագնահատում եմ մոդելավորումը կամ մեքենայական ուսուցման մոդելը գրելը, որովհետև պարզապես ասում եմ՝ ահա տվյալները, որ ունենք, այս տվյալները որոշ աղմուկ են պարունակում. դուք նաև պետք է հասկանաք այդ աղմուկը, որովհետև այն կանցնի հետագա լուծումներին։ Եվ այն դեռ կարող է չաշխատել, որովհետև չեմ կարող ձեզ հակառակը խոստանալ։ Եվ իհարկե առաջին հարցը միշտ այն է՝ որքա՞ն տվյալ է ինձ պետք։ Սա մեքենայական ուսուցում է. սա հետազոտություն է։ Ես կարող եմ հետազոտական նախագիծ նախագծել այնպես, որ ինչ-որ պահի կարողանամ ասել, թե որքան տվյալ է պետք։ Բայց ոչ հենց սկզբում. հաճախ այդպես է լինում։ Որքան բաց եք այն մասին, թե ինչպես են աշխատում բաները, այնքան լավ. այդպես հետագայում անակնկալներ չեն լինում։ Մենք բոլոր PoC-ներն ու MVP-ները իրականացնում ենք ֆիքսված գնով, որովհետև դա հեշտացնում է պլանավորումը, և հավատում եմ՝ դա նույնպես չափազանց կարևոր է։ Մենք չենք ասում, որ այս ML-ը կավարտենք չնշված ինչ-որ պահի. փոխարենը սահմանում ենք ճշգրիտ ժամանակահատված, ասենք՝ կես տարի, որի ընթացքում աշխատելու ենք։ Հետո, այդ վեց ամսից հետո, ցույց եմ տալիս հաճախորդին արդյունքը, բայց այն կարող է տարբերվել նրանից, ինչի հույսն ունեին։ Դա դեռ հետազոտություն է, և պետք է համոզվենք, որ նրանք դա հասկանում են։ Մյուս կողմից, հետևելով fail-fast սկզբունքին, եկեք արագ շարժվենք և շատ շփվենք, որպեսզի իմանանք՝ ամեն ինչ ուր է գնում։ Այո, կարծում եմ՝ ազնիվ լինելը մարդկանց մեքենայական ուսուցման մասին սովորեցնելու հիմնական մասն է։