MIPT-ի հետ «ABC of AI» համատեղ նախագծի շրջանակներում մենք արդեն գրել ենք այսպես կոչվածների մասին, որոնք թույլ են տալիս «աճեցնել» ծրագրերը՝ համաձայն դարվինյան էվոլյուցիայի սկզբունքների և օրենքների։ Այնուամենայնիվ, առայժմ արհեստական ինտելեկտի այս մոտեցումը, անշուշտ, «հյուր է ապագայից»: Բայց ինչպե՞ս են այսօր ստեղծվում արհեստական ինտելեկտի համակարգերը: Ինչպե՞ս են նրանք մարզվում: Վիկտոր Կանտորը՝ MIPT-ի Ալգորիթմների և ծրագրավորման տեխնոլոգիաների ամբիոնի ավագ դասախոս և Yandex Data Factory-ի օգտատերերի վարքագծի վերլուծության խմբի ղեկավարը, օգնեց մեզ պարզել դա:
Համաձայն Gartner հետազոտական ընկերության վերջին զեկույցի, որը պարբերաբար թարմացնում է իր «տեխնոլոգիական հասունության ցիկլը», մեքենայական ուսուցումը ներկայումս գտնվում է ողջ ՏՏ ոլորտում ակնկալիքների գագաթնակետին: Սա զարմանալի չէ. վերջին մի քանի տարիների ընթացքում մեքենայական ուսուցումը դուրս է եկել մաթեմատիկոսների և ալգորիթմների տեսության մասնագետների նեղ շրջանակի հետաքրքրությունների շրջանակից և ներթափանցել նախ ՏՏ գործարարների բառապաշար, այնուհետև աշխարհ: սովորական մարդկանց։ Այժմ յուրաքանչյուր ոք, ով օգտվել է Prisma հավելվածից, երգեր է որոնել Shazam-ի միջոցով կամ տեսել է DeepDream-ով անցած պատկերներ, գիտի, որ գոյություն ունի նեյրոնային ցանցեր՝ իրենց հատուկ «կախարդանքով»:
Այնուամենայնիվ, մի բան է օգտագործել տեխնոլոգիան, և մեկ այլ բան՝ հասկանալ, թե ինչպես է այն աշխատում: Ընդհանուր բառերը, ինչպիսիք են՝ «համակարգիչը կարող է սովորել, եթե հուշում ես», կամ «նյարդային ցանցը բաղկացած է թվային նեյրոններից և կառուցված է մարդու ուղեղի նման», կարող են օգնել ինչ-որ մեկին, բայց ավելի հաճախ դրանք միայն շփոթում են իրավիճակը: Նրանք, ովքեր պատրաստվում են լրջորեն սովորել մաթեմատիկա, հանրաճանաչ տեքստերի կարիք չունեն. նրանց համար կան դասագրքեր և հիանալի առցանց դասընթացներ։ Մենք կփորձենք գնալ միջին ճանապարհով. բացատրել, թե ինչպես է իրականում ուսումը տեղի ունենում շատ պարզ առաջադրանքի վրա, ապա ցույց տալ, թե ինչպես կարող է նույն մոտեցումը կիրառվել իրական հետաքրքիր խնդիրներ լուծելու համար:
Ինչպես են մեքենաները սովորում
Սկզբից, որպեսզի հստակ հասկանանք, թե ինչպես է տեղի ունենում մեքենայական ուսուցումը, եկեք սահմանենք հասկացությունները: Ինչպես սահմանել է այս ոլորտի ռահվիրաներից մեկը՝ Արթուր Սամուելը, մեքենայական ուսուցումը վերաբերում է մեթոդներին, որոնք «թույլ են տալիս համակարգիչներին սովորել՝ առանց դրանք ուղղակիորեն ծրագրավորելու»։ Գոյություն ունեն մեքենայական ուսուցման մեթոդների երկու լայն դաս՝ վերահսկվող ուսուցում և չվերահսկվող ուսուցում: Առաջինն օգտագործվում է, երբ, օրինակ, մենք պետք է համակարգչին սովորեցնենք կատուների պատկերներով լուսանկարներ փնտրել, երկրորդը, երբ մեզ անհրաժեշտ է, որ մեքենան, օրինակ, կարողանա նորությունները ինքնուրույն խմբավորել պատմությունների մեջ, ինչպես դա տեղի է ունենում ծառայություններում։ ինչպես Yandex.News-ը կամ Google News-ը: Այսինքն՝ առաջին դեպքում գործ ունենք մի առաջադրանքի հետ, որը ենթադրում է ճիշտ պատասխանի առկայություն (լուսանկարի կատուն կա՛մ կա, կա՛մ չկա), երկրորդ դեպքում չկա մեկ ճիշտ պատասխան, բայց կան տարբեր եղանակներ. խնդիրը լուծելու համար։ Մենք կկենտրոնանանք հատկապես առաջին դասի խնդիրների վրա՝ որպես ամենահետաքրքիրը:
Այսպիսով, մենք պետք է համակարգչին սովորեցնենք որոշ կանխատեսումներ անել: Ընդ որում, ցանկալի է լինել հնարավորինս ճշգրիտ։ Կանխատեսումները կարող են լինել երկու տեսակի. կամ դուք պետք է ընտրեք պատասխանի մի քանի տարբերակների միջև (անկախ նրանից, թե նկարում կա կատու, թե ոչ, դա երկու տարբերակից մեկի ընտրությունն է, պատկերներում տառերը ճանաչելու ունակությունը մեկ տարբերակի ընտրություն է: մի քանի տասնյակից և այլն), կամ կատարել թվային կանխատեսում: Օրինակ՝ գուշակեք մարդու քաշը՝ ելնելով նրա հասակից, տարիքից, կոշիկի չափից և այլն: Այս երկու տեսակի խնդիրները միայն տարբեր տեսք ունեն, բայց իրականում դրանք գրեթե նույնական են լուծվում: Փորձենք հասկանալ, թե կոնկրետ ինչպես:
Առաջին բանը, որ մենք պետք է կազմենք կանխատեսման համակարգ, այսպես կոչված վերապատրաստման նմուշ հավաքելն է, այսինքն՝ տվյալներ բնակչության զանգվածի վերաբերյալ: Երկրորդը՝ որոշել մի շարք նշաններ, որոնց հիման վրա կարող ենք եզրակացություններ անել քաշի վերաբերյալ։ Հասկանալի է, որ նման «ամենաուժեղ» նշաններից մեկը լինելու է մարդու հասակը, ուստի որպես առաջին մոտավորություն բավական է վերցնել միայն սա։ Եթե քաշը գծայինորեն կախված է հասակից, ապա մեր կանխատեսումը կլինի շատ պարզ՝ մարդու քաշը հավասար կլինի նրա հասակին բազմապատկած ինչ-որ գործակցով, գումարած որոշակի հաստատուն արժեք, որը գրված է ամենապարզ y=kx+b բանաձևով։ Այն ամենը, ինչ մենք պետք է անենք, որպեսզի մեքենա վարժեցնենք մարդու քաշը կանխատեսելու համար, դա է ինչ-որ կերպ գտնել k և b-ի ճիշտ արժեքները:
Մեքենայի ուսուցման գեղեցկությունն այն է, որ նույնիսկ եթե մեր ուսումնասիրած հարաբերությունները շատ բարդ են, ըստ էության ոչինչ չի փոխվի մեր մոտեցման մեջ: Մենք դեռ գործ կունենանք նույն հետընթացի հետ։
Ենթադրենք, որ մարդու քաշի վրա նրա հասակը ազդում է ոչ թե գծային, այլ երրորդ աստիճանի (ինչը սովորաբար սպասելի է, քանի որ քաշը կախված է մարմնի ծավալից): Այս կախվածությունը հաշվի առնելու համար մենք պարզապես մեր հավասարման մեջ ներմուծում ենք մեկ այլ տերմին, այն է՝ աճի երրորդ ուժն իր սեփական գործակցով, դրանով իսկ ստանալով y=k 1 x+k 2 x 3 +b։ Այժմ մեքենան վարժեցնելու համար մեզ անհրաժեշտ կլինի գտնել ոչ թե երկու, այլ երեք քանակություն (k 1, k 2 և b): Ենթադրենք, որ մեր կանխատեսման մեջ մենք նաև ցանկանում ենք հաշվի առնել մարդու կոշիկի չափը, նրա տարիքը, հեռուստացույց դիտելու ժամանակը և հեռավորությունը բնակարանից մինչև արագ սննդի մոտակա կետ: Խնդիր չկա. մենք պարզապես ավելացնում ենք այս հատկանիշները որպես առանձին տերմիններ նույն հավասարման մեջ:
Ամենակարևորը պահանջվող գործակիցները գտնելու ունիվերսալ միջոց ստեղծելն է (k 1, k 2, ... k n): Եթե այն գոյություն ունենա, մեզ համար գրեթե անտարբեր կլինի, թե որ հնարավորություններն օգտագործել կանխատեսման համար, քանի որ մեքենան ինքնին կսովորի մեծ կշիռ տալ կարևորներին, իսկ փոքր կշիռ տալ անկարևոր հատկանիշներին: Բարեբախտաբար, նման մեթոդն արդեն հորինված է, և գրեթե բոլոր մեքենայական ուսուցումը հաջողությամբ աշխատում է դրա վրա՝ ամենապարզ գծային մոդելներից մինչև դեմքի ճանաչման համակարգեր և խոսքի անալիզատորներ: Այս մեթոդը կոչվում է գրադիենտ ծագում: Բայց նախքան բացատրելը, թե ինչպես է այն աշխատում, մենք պետք է մի փոքր շեղում կատարենք և խոսենք նեյրոնային ցանցերի մասին:
Նյարդային ցանցեր
2016-ին նեյրոնային ցանցերն այնքան ամուր մտան տեղեկատվական օրակարգ, որ դրանք գրեթե նույնականացվեցին ցանկացած մեքենայական ուսուցման և ընդհանրապես առաջադեմ ՏՏ-ի հետ: Ֆորմալ առումով դա ճիշտ չէ. նեյրոնային ցանցերը միշտ չէ, որ օգտագործվում են մաթեմատիկական ուսուցման մեջ, կան այլ տեխնոլոգիաներ: Բայց ընդհանուր առմամբ, իհարկե, նման ասոցիացիան հասկանալի է, քանի որ դա նեյրոնային ցանցերի վրա հիմնված համակարգեր են, որոնք այժմ ապահովում են առավել «կախարդական» արդյունքները, ինչպիսիք են լուսանկարում մարդուն որոնելու ունակությունը, փոխանցվող հավելվածների առաջացումը: մեկ պատկերի ոճը մյուսին, կամ որոշակի անձի խոսքի ձևով տեքստեր ստեղծելու համակարգեր:
Ինչպես են կառուցված նեյրոնային ցանցերը, մենք արդեն... Այստեղ ես պարզապես ուզում եմ ընդգծել, որ նեյրոնային ցանցերի հզորությունը՝ համեմատած մեքենայական ուսուցման այլ համակարգերի հետ, կայանում է նրանց բազմաշերտ բնույթի մեջ, բայց դա նրանց աշխատանքի ձևով սկզբունքորեն տարբեր չի դարձնում: Բազմաշերտությունն իսկապես թույլ է տալիս գտնել շատ վերացական ընդհանուր հատկանիշներ և կախվածություններ բարդ շարք հատկանիշների մեջ, ինչպես պիքսելները նկարում: Բայց կարևոր է հասկանալ, որ ուսուցման սկզբունքների տեսանկյունից նեյրոնային ցանցը արմատապես չի տարբերվում սովորական գծային ռեգրեսիայի բանաձևերից, ուստի նույն գրադիենտ ծագման մեթոդն այստեղ նույնպես հիանալի է աշխատում:
Նյարդային ցանցի «ուժը» կայանում է նեյրոնների միջանկյալ շերտի առկայության մեջ, որոնք ամփոփ կերպով համատեղում են մուտքային շերտի արժեքները: Դրա պատճառով նեյրոնային ցանցերը կարող են շատ վերացական հատկանիշներ գտնել տվյալների մեջ, որոնք դժվար է վերածել պարզ բանաձևերի, ինչպիսիք են գծային կամ քառակուսի հարաբերությունները:
Բացատրենք օրինակով. Մենք կանգ առանք մի կանխատեսման վրա, երբ մարդու քաշը կախված է նրա հասակից և հասակից խորանարդաձևից, որն արտահայտվում է y=k 1 x+k 2 x 3 +b բանաձևով։ Որոշակի ձգումով, բայց իրականում նույնիսկ նման բանաձեւը կարելի է անվանել նեյրոնային ցանց։ Դրանում, ինչպես սովորական նեյրոնային ցանցում, կա «նեյրոնների» առաջին շերտը, որը նույնպես առանձնահատկությունների շերտ է. սրանք x և x 3 են (դե, «միավոր նեյրոնը», որը մենք նկատի ունենք և որի համար բ գործակիցը պատասխանատու է): Վերին, կամ ստացված շերտը ներկայացված է մեկ «նեյրոնով» y, այսինքն՝ մարդու կանխատեսված քաշը: Իսկ «նեյրոնների» առաջին և վերջին շերտերի միջև կան միացումներ, որոնց ուժը կամ քաշը որոշվում է k 1, k 2 և b գործակիցներով։ Այս «նյարդային ցանցի» մարզումը պարզապես նշանակում է գտնել այս նույն գործակիցները:
Այստեղ «իրական» նեյրոնային ցանցերից միակ տարբերությունն այն է, որ մենք չունենք նեյրոնների մեկ միջանկյալ (կամ թաքնված) շերտ, որի խնդիրն է միավորել մուտքային հատկանիշները: Նման շերտերի ներդրումը թույլ է տալիս «ձեր գլխից դուրս» հնարավոր կախվածություն հորինել գոյություն ունեցող հատկանիշների միջև, այլ ապավինել նեյրոնային ցանցում դրանց արդեն գոյություն ունեցող համակցություններին: Օրինակ՝ տարիքը և հեռուստացույցի դիմաց միջին ժամանակը կարող են սիներգետիկ ազդեցություն ունենալ մարդու քաշի վրա, սակայն, ունենալով նեյրոնային ցանց, մեզանից չի պահանջվում դա նախապես իմանալ և բանաձևի մեջ մտցնել նրանց արտադրանքը։ Նյարդային ցանցում անպայման կգտնվի նեյրոն, որը համատեղում է ցանկացած երկու հատկանիշի ազդեցությունը, և եթե այդ ազդեցությունն իսկապես նկատելի է նմուշում, ապա մարզվելուց հետո այս նեյրոնը ավտոմատ կերպով մեծ քաշ կստանա։
Գրադիենտ ծագում
Այսպիսով, մենք ունենք օրինակների վերապատրաստման հավաքածու՝ հայտնի տվյալներով, այսինքն՝ ճշգրիտ չափված մարդու քաշով աղյուսակ, և հարաբերության որոշ վարկած, այս դեպքում՝ գծային ռեգրեսիա y=kx+b։ Մեր խնդիրն է գտնել k և b-ի ճիշտ արժեքները, ոչ թե ձեռքով, այլ ինքնաբերաբար: Եվ ցանկալի է, ունիվերսալ մեթոդ, որը կախված չէ բանաձևում ներառված պարամետրերի քանակից:
Ընդհանուր առմամբ, դա անելը դժվար չէ։ Հիմնական գաղափարն այն է, որ ստեղծվի մի ֆունկցիա, որը կչափի ընթացիկ ընդհանուր սխալի մակարդակը և «կսմթում» գործակիցները, որպեսզի ընդհանուր սխալի մակարդակը աստիճանաբար իջնի: Ինչպե՞ս կարող եմ սխալի մակարդակը իջեցնել: Մենք պետք է ճշգրտենք մեր պարամետրերը ճիշտ ուղղությամբ:
Պատկերացրեք մեր երկու պարամետրերը, որոնք մենք փնտրում ենք, նույն k-ն և b-ն, որպես երկու ուղղություններ հարթության վրա, ինչպես հյուսիս-հարավ և արևմուտք-արևելք առանցքները: Նման հարթության յուրաքանչյուր կետ կհամապատասխանի գործակիցների որոշակի արժեքի, հասակի և քաշի միջև որոշակի կոնկրետ հարաբերությունների: Եվ հարթության յուրաքանչյուր այդպիսի կետի համար մենք կարող ենք հաշվարկել սխալի ընդհանուր մակարդակը, որը տալիս է այս կանխատեսումը մեր նմուշի յուրաքանչյուր օրինակի համար:
Պարզվում է ինքնաթիռի վրա որոշակի բարձրության պես մի բան, և շրջակա տարածքը սկսում է լեռնային լանդշաֆտի նմանվել: Լեռները այն կետերն են, որտեղ սխալների մակարդակը շատ բարձր է, հովիտները այն վայրերն են, որտեղ ավելի քիչ սխալներ կան: Հասկանալի է, որ մեր համակարգի մարզումը նշանակում է գտնել ամենացածր կետը գետնին, այն կետը, որտեղ սխալների մակարդակը նվազագույն է:
Ինչպե՞ս կարող եք գտնել այս կետը: Ամենաճիշտ ճանապարհը անընդհատ իջնելն է այն կետից, որտեղ ի սկզբանե հայտնվել ենք: Այսպիսով, վաղ թե ուշ մենք կհասնենք տեղական նվազագույնի` մի կետի, որից ներքև ոչինչ չկա անմիջական մերձակայքում: Ավելին, խորհուրդ է տրվում կատարել տարբեր չափերի քայլեր. երբ թեքությունը զառիթափ է, կարող եք ավելի լայն քայլեր անել, երբ թեքությունը փոքր է, ավելի լավ է «ոտքի ծայրին» սողոսկել մինչև տեղական նվազագույնը, հակառակ դեպքում կարող եք գերազանցել:
Հենց այսպես է աշխատում գրադիենտ իջնելու մեթոդը՝ մենք փոխում ենք հատկանիշների կշիռները սխալի ֆունկցիայի ամենամեծ անկման ուղղությամբ։ Մենք դրանք փոխում ենք կրկնվող, այսինքն՝ որոշակի քայլով, որի արժեքը համաչափ է թեքության թեքությանը։ Հետաքրքիրն այն է, որ երբ ավելանում են հատկանիշները (մարդու հասակի, նրա տարիքի, կոշիկի չափսերի և այլնի խորանարդի ավելացում), ըստ էության ոչինչ չի փոխվում, պարզապես մեր լանդշաֆտը դառնում է ոչ թե երկչափ, այլ բազմաչափ:
Սխալի ֆունկցիան կարող է սահմանվել որպես բոլոր շեղումների քառակուսիների գումարը, որը թույլ է տալիս ներկայիս բանաձևը այն մարդկանց համար, որոնց քաշը մենք արդեն հստակ գիտենք: Վերցնենք մի քանի պատահական k և b փոփոխականներ, օրինակ՝ 0 և 50: Այնուհետև համակարգը մեզ կկանխատեսի, որ նմուշի յուրաքանչյուր մարդու քաշը միշտ հավասար է 50 կիլոգրամի y=0×x+50 Գրաֆիկի վրա այսպիսի կախվածությունը նման կլինի հորիզոնականին զուգահեռ ուղիղ գծի: Ակնհայտ է, որ սա այնքան էլ լավ կանխատեսում չէ։ Այժմ եկեք վերցնենք քաշի շեղումը այս կանխատեսված արժեքից, քառակուսի դարձնենք այն (այնպես, որ հաշվի առնվեն նաև բացասական արժեքները) և ամփոփենք այն. այս պահին սա կլինի սխալը: Եթե ծանոթ եք վերլուծության սկզբներին, ապա կարող եք նույնիսկ պարզաբանել, որ ամենամեծ անկման ուղղությունը տրված է սխալի ֆունկցիայի մասնակի ածանցյալով k և b-ի նկատմամբ, իսկ քայլը արժեք է, որն ընտրված է. Գործնական պատճառներ. փոքր քայլերը շատ ժամանակ են պահանջում հաշվարկելու համար, իսկ խոշորները կարող են հանգեցնել նրան, որ մենք կսայթաքենք նվազագույնը:
Լավ, իսկ եթե մենք ոչ միայն ունենանք բարդ ռեգրեսիա՝ բազմաթիվ առանձնահատկություններով, այլ իրական նեյրոնային ցանց: Ինչպե՞ս ենք այս դեպքում կիրառել գրադիենտ իջնելը: Պարզվում է, որ գրադիենտ իջնելը ճիշտ նույն կերպ է աշխատում նեյրոնային ցանցի դեպքում, միայն ուսուցումը տեղի է ունենում 1) քայլ առ քայլ, շերտից շերտ և 2) աստիճանաբար, նմուշի մի օրինակից մյուսը: Այստեղ օգտագործվող մեթոդը կոչվում է ետ տարածում, և ինքնուրույն նկարագրվել է 1974 թվականին խորհրդային մաթեմատիկոս Ալեքսանդր Գալուշկինի և Հարվարդի համալսարանի մաթեմատիկոս Փոլ Ջոն Վեբրոսի կողմից։
Չնայած ալգորիթմի խիստ ներկայացման համար անհրաժեշտ կլինի գրել մասնակի ածանցյալներ (ինչպես, օրինակ), ինտուիտիվ մակարդակում ամեն ինչ տեղի է ունենում բավականին պարզ. նեյրոնային ցանցի. Ունենալով ճիշտ պատասխան՝ մենք կարող ենք հանել ճիշտ պատասխանը կանխատեսումից և այդպիսով ստանալ սխալ (ավելի ճիշտ՝ ելքային շերտի յուրաքանչյուր նեյրոնի համար սխալների մի շարք)։ Այժմ մենք պետք է փոխանցենք այս սխալը նեյրոնների նախորդ շերտին, և որքան շատ այս շերտի այս նեյրոնը նպաստեց սխալի առաջացմանը, այնքան ավելի շատ պետք է նվազեցնել դրա քաշը (իրականում մենք կրկին խոսում ենք մասնակի ածանցյալը վերցնելու մասին. մեր երևակայական լանդշաֆտի առավելագույն զառիթափությամբ շարժվելու մասին): Երբ մենք դա արեցինք, նույն պրոցեդուրան պետք է կրկնել հաջորդ շերտի համար՝ շարժվելով հակառակ ուղղությամբ, այսինքն՝ նեյրոնային ցանցի ելքից դեպի մուտք:
Այս ձևով անցնելով նեյրոնային ցանցով ուսուցման նմուշի յուրաքանչյուր օրինակով և «ոլորելով» նեյրոնների կշիռները ցանկալի ուղղությամբ, մենք ի վերջո պետք է ստանանք վարժեցված նեյրոնային ցանց: Հետտարածման մեթոդը բազմաշերտ նեյրոնային ցանցերի գրադիենտ ծագման մեթոդի պարզ փոփոխությունն է և, հետևաբար, պետք է աշխատի ցանկացած բարդության նեյրոնային ցանցերի համար: Այստեղ մենք ասում ենք «պետք է», քանի որ իրականում կան դեպքեր, երբ գրադիենտ իջնելը ձախողվում է և թույլ չի տալիս լավ ռեգրեսիա անել կամ մարզել նեյրոնային ցանցը։ Կարող է օգտակար լինել իմանալ, թե ինչու են նման դժվարություններ առաջանում:
Գրադիենտ ծագման դժվարությունները
Բացարձակ նվազագույնի սխալ ընտրություն.Գրադիենտ վայրէջքի մեթոդը օգնում է տեղային էքստրեմի որոնմանը: Բայց մենք չենք կարող միշտ օգտագործել այն ֆունկցիայի բացարձակ գլոբալ նվազագույնին կամ առավելագույնին հասնելու համար: Դա տեղի է ունենում, քանի որ հակագրադիենտով շարժվելիս մենք կանգ ենք առնում այն պահին, երբ հասնում ենք մեր հանդիպած առաջին տեղական նվազագույնին, և ալգորիթմը դադարում է աշխատել:
Պատկերացրեք, որ դուք կանգնած եք լեռան գագաթին։ Եթե ցանկանում եք իջնել տարածքի ամենացածր մակերեսը, գրադիենտ իջնելու մեթոդը միշտ չէ, որ կօգնի ձեզ, քանի որ ձեր ճանապարհի առաջին ցածր կետը պարտադիր չէ, որ լինի ամենացածր կետը: Եվ եթե կյանքում դուք կարողանաք տեսնել, որ եթե մի փոքր բարձրանաք և կարողանաք էլ ավելի ցածր գնալ, ապա նման իրավիճակում ալգորիթմը պարզապես կկանգնի։ Հաճախ այս իրավիճակից կարելի է խուսափել, եթե ճիշտ քայլ ընտրեք:
Քայլերի սխալ ընտրություն:Գրադիենտ վայրէջքի մեթոդը կրկնվող մեթոդ է: Այսինքն՝ մենք ինքներս պետք է ընտրենք քայլի չափը՝ այն արագությունը, որով մենք իջնում ենք։ Ընտրելով չափազանց մեծ քայլ՝ մենք կարող ենք անցնել մեզ անհրաժեշտ ծայրահեղության կողքով և չգտնել նվազագույնը: Դա կարող է տեղի ունենալ, եթե դուք հայտնվեք շատ կտրուկ վայրէջքի առաջ: Եվ չափազանց փոքր քայլ ընտրելը վտանգում է ալգորիթմը չափազանց դանդաղեցնել, եթե մենք հայտնվենք համեմատաբար հարթ մակերեսի վրա: Եթե նորից պատկերացնենք, որ գտնվում ենք զառիթափ սարի գագաթին, ապա կարող է ստեղծվել մի իրավիճակ, երբ նվազագույնին մոտ շատ կտրուկ վայրէջքի պատճառով մենք պարզապես թռչում ենք դրա վրայով։
Ցանցի կաթված.Երբեմն պատահում է, որ գրադիենտ վայրէջքի մեթոդն ընդհանրապես չի կարողանում նվազագույնը գտնել: Դա կարող է տեղի ունենալ, եթե նվազագույնի երկու կողմերում էլ լինեն հարթ տարածքներ՝ ալգորիթմը, երբ այն հարվածում է հարթ տարածքին, նվազեցնում է քայլը և ի վերջո կանգ է առնում: Եթե դուք կանգնած եք լեռան գագաթին և որոշել եք շարժվել դեպի ձեր տունը ցածրադիր վայրերում, ճանապարհը կարող է չափազանց երկար լինել, եթե պատահաբար թափառեք շատ հարթ տարածք: Կամ, եթե հարթ տարածքների եզրերի երկայնքով կան գրեթե ուղղահայաց «լանջեր», ապա ալգորիթմը, ընտրելով շատ մեծ քայլ, ցատկելու է մի լանջից մյուսը, գործնականում չշարժվելով դեպի նվազագույնը:
Այս բոլոր բարդ խնդիրները պետք է հաշվի առնվեն մեքենայական ուսուցման համակարգ նախագծելիս: Օրինակ, միշտ օգտակար է հետևել, թե ինչպես է սխալի ֆունկցիան փոխվում ժամանակի ընթացքում. արդյոք այն ընկնում է յուրաքանչյուր նոր ցիկլի կամ նշման ժամանակի հետ, ինչպես է փոխվում այս անկման բնույթը՝ կախված քայլի չափի փոփոխությունից: Վատ տեղական նվազագույնի մեջ ընկնելուց խուսափելու համար կարող է օգտակար լինել սկսել լանդշաֆտի պատահականորեն ընտրված տարբեր կետերից, այդ դեպքում խրվելու հավանականությունը շատ ավելի ցածր է: Գոյություն ունեն գրադիենտ վայրէջք օգտագործելու շատ ավելի մեծ և փոքր գաղտնիքներ, և կան նաև ուսուցման ավելի էկզոտիկ եղանակներ, որոնք թույլ նման են գրադիենտ ծագմանը: Սա, սակայն, այլ զրույցի և առանձին հոդվածի թեմա է ABC of AI նախագծի շրջանակներում։
Պատրաստեց Ալեքսանդր Էրշովը
- Կարո՞ղ եք օգտագործել միանգամայն պարզունակ օրինակ՝ մեզ պատմելու համար, թե ինչպես է աշխատում մեքենայական ուսուցումը:
Կարող է. Կա մեքենայական ուսուցման տեխնիկայի օրինակ, որը կոչվում է Որոշումների ծառ, որը ամենահին բաներից է: Եկեք դա անենք հիմա: Ենթադրենք, վերացական մարդը ձեզ ժամադրության է խնդրում: Ի՞նչն է ձեզ համար կարևոր:
-Նախ՝ ճանաչեմ նրան, թե ոչ...
(Վիկտորը սա գրում է գրատախտակին):
...Եթե չգիտեմ, ուրեմն պետք է պատասխանեմ այն հարցին, թե նա գրավիչ է, թե ոչ։
Եվ եթե գիտեք, ապա դա նշանակություն չունի: Կարծում եմ, հասկացա, սա ընկերական գոտու թեմա է: Ընդհանրապես գրում եմ, եթե չգիտես և անհրապույր է, ապա պատասխանը «ոչ, հավանաբար»: Եթե գիտեք, պատասխանը «այո» է:
- Եթե ես գիտեմ, դա նույնպես կարևոր է:
Ոչ, սա ընկերային գոտու մասնաճյուղ է լինելու:
Լավ, ուրեմն այստեղ նշենք՝ հետաքրքիր է, թե ոչ։ Այնուամենայնիվ, երբ մարդուն չես ճանաչում, առաջին արձագանքը արտաքին տեսքին է, ծանոթի հետ մենք արդեն նայում ենք, թե նա ինչ է մտածում և ինչպես:
Եկեք դա անենք այլ կերպ: Անկախ նրանից, թե նա հավակնոտ է, թե ոչ: Եթե նա հավակնոտ է, ապա դժվար կլինի նրան ընկերական գոտի ստեղծել, քանի որ նա ավելին կցանկանա։ Բայց ոչ հավակնոտները կդիմանան։
(Վիկտորն ավարտում է որոշիչ ծառը նկարելը):
Պատրաստ. Այժմ դուք կարող եք կանխատեսել, թե որ տղայի հետ եք, ամենայն հավանականությամբ, ժամադրության գնալու: Ի դեպ, որոշ ծանոթությունների ծառայություններ նման բաներ են կանխատեսում։ Ըստ անալոգիայի, դուք կարող եք կանխատեսել, թե հաճախորդները քանի ապրանք կգնեն, և որտեղ կլինեն մարդիկ օրվա այդ ժամին:
Պատասխանները կարող են լինել ոչ միայն «այո» և «ոչ», այլ նաև թվերի տեսքով։ Եթե ավելի ճշգրիտ կանխատեսում եք ուզում, կարող եք մի քանի նման ծառեր պատրաստել և միջինացնել դրանք: Եվ նման պարզ բանի օգնությամբ դուք կարող եք իրականում կանխատեսել ապագան:
Հիմա պատկերացրեք, դժվա՞ր էր մարդկանց համար երկու հարյուր տարի առաջ նման սխեմա կազմել։ Բացարձակապես ոչ։ Այս սխեման չի կրում որևէ հրթիռային գիտություն: Որպես երեւույթ՝ մեքենայական ուսուցումը գոյություն ունի մոտ կես դար։ Ռոնալդ Ֆիշերը 20-րդ դարի սկզբից սկսեց կանխատեսումներ անել տվյալների հիման վրա։ Նա վերցրեց հիրիկները և բաժանեց դրանք ըստ թաղանթների և ծաղկաթերթիկների երկարության և լայնության, օգտագործելով այս պարամետրերը նա որոշեց բույսի տեսակը։
Արդյունաբերության մեջ մեքենայական ուսուցումը ակտիվորեն օգտագործվում է վերջին տասնամյակների ընթացքում. հզոր և համեմատաբար էժան մեքենաներ, որոնք անհրաժեշտ են մեծ քանակությամբ տվյալների մշակման համար, օրինակ՝ նման որոշումների ծառերի համար, հայտնվել են ոչ այնքան վաղուց: Բայց դա դեռ հուզիչ է. մենք նկարում ենք այս բաները յուրաքանչյուր առաջադրանքի համար և օգտագործում դրանք ապագան կանխատեսելու համար:
-Դե, հաստատ ֆուտբոլային հանդիպումների ոչ մի ութոտնուկ գուշակողից լավը չէ...
Չէ, ի՞նչ ենք մտածում ութոտնուկների մասին։ Չնայած մենք ավելի շատ փոփոխականություն ունենք։ Այժմ մեքենայական ուսուցման օգնությամբ դուք կարող եք խնայել ժամանակ, գումար և բարելավել կյանքի հարմարավետությունը: Մեքենայի ուսուցումը մի քանի տարի առաջ հաղթեց մարդկանց, երբ խոսքը վերաբերում էր պատկերների դասակարգմանը: Օրինակ՝ համակարգիչը կարող է ճանաչել տերիերի 20 ցեղատեսակ, իսկ սովորական մարդը՝ ոչ։
-Իսկ երբ վերլուծում եք օգտատերերին, յուրաքանչյուր մարդ Ձեզ համար թվերի հավաքածու՞ է:
Կոպիտ ասած՝ այո։ Երբ մենք աշխատում ենք տվյալների հետ, բոլոր օբյեկտները, ներառյալ օգտագործողի վարքագիծը, նկարագրվում են որոշակի թվերով: Եվ այս թվերն արտացոլում են մարդկանց վարքագծի առանձնահատկությունները՝ որքան հաճախ են նրանք տաքսի նստում, ինչ դասի տաքսի են օգտագործում, որ վայրեր են սովորաբար գնում:
Այժմ մենք ակտիվորեն կառուցում ենք նմանվող մոդելներ՝ դրանք օգտագործելու համար նմանատիպ վարքագիծ ունեցող մարդկանց խմբերը բացահայտելու համար: Երբ մենք ներկայացնում ենք նոր ծառայություն կամ ցանկանում ենք գովազդել հինը, մենք այն առաջարկում ենք նրանց, ովքեր կհետաքրքրվեն:
Օրինակ, մենք հիմա ունենք ծառայություն՝ երկու մանկական նստատեղ տաքսիում։ Մենք կարող ենք բոլորին սպամ ուղարկել այս լուրերով, կամ կարող ենք այդ մասին հատուկ տեղեկացնել միայն մարդկանց որոշակի շրջանակի։ Տարվա ընթացքում մենք մի շարք օգտատերեր ենք կուտակել, ովքեր մեկնաբանություններում գրել են, որ իրենց անհրաժեշտ է երկու մանկական նստատեղ։ Մենք գտանք նրանց և նրանց նման մարդկանց։ Պայմանականորեն դրանք 30 տարեկանից բարձր մարդիկ են, ովքեր պարբերաբար ճանապարհորդում են և սիրում են միջերկրածովյան խոհանոցը։ Թեև, իհարկե, շատ ավելի շատ նշաններ կան, սա ընդամենը օրինակ է։
-Նմանա՞կ նրբություններ։
Սա պարզ հարց է։ Ամեն ինչ հաշվարկվում է որոնման հարցումների միջոցով:
Կարո՞ղ է սա ինչ-որ կերպ աշխատել հավելվածում: Օրինակ, գիտե՞ք, որ ես մուրացկան եմ և բաժանորդագրվում եմ այնպիսի խմբերի, ինչպիսիք են «Ինչպես գոյատևել ամսական 500 ռուբլով», նրանք ինձ առաջարկում են միայն էժանագին մեքենաներ, բաժանորդագրվել SpaceX նորություններին, և ժամանակ առ ժամանակ վաճառում են ինձ: Տեսլա?
Դա կարող է գործել այսպես, բայց Yandex-ում նման բաները չեն հաստատվում, քանի որ դա խտրականություն է։ Երբ դուք անհատականացնում եք ծառայությունը, ավելի լավ է առաջարկել ոչ թե ամենաընդունելին, այլ ամենալավը հասանելին ու այն, ինչ դուր է գալիս մարդուն: Իսկ «սրան ավելի լավ մեքենա է պետք, սրան էլ քիչ լավ» տրամաբանությամբ բաշխումը չարիք է։
Բոլորն էլ այլասերված ցանկություններ ունեն, և երբեմն պետք է գտնել ոչ թե միջերկրածովյան ուտեստի բաղադրատոմս, այլ, օրինակ, նկարներ կոպրոֆիլիայի մասին։ Անհատականացումը դեռ կաշխատի այս դեպքում:
Միշտ կա մասնավոր ռեժիմ:
Եթե ես չեմ ուզում, որ որևէ մեկը իմանա իմ հետաքրքրությունների մասին կամ, ասենք, ընկերները գալիս են ինձ մոտ և ուզում են ինչ-որ աղբ դիտել, ապա ավելի լավ է օգտագործել ինկոգնիտո ռեժիմը:
Կարող եք նաև որոշել, թե որ ընկերության ծառայությունն օգտագործել, օրինակ՝ Yandex-ը կամ Google-ը:
- Տարբերություն կա՞:
Բարդ խնդիր. Ես չգիտեմ ուրիշների մասին, բայց Yandex-ը խիստ է անձնական տվյալների պաշտպանության հարցում։ Հատկապես վերահսկվում են աշխատակիցները։
- Այսինքն, եթե ես բաժանվեմ մի տղայի հետ, ես չեմ կարողանա պարզել՝ նա գնացե՞լ է այս տնակ, թե՞ ոչ:
Նույնիսկ եթե դուք աշխատում եք Yandex-ում: Սա, իհարկե, տխուր է, բայց այո, պարզելու տարբերակ չկա։ Աշխատակիցներից շատերը նույնիսկ մուտք չունեն այս տվյալներին: Ամեն ինչ կոդավորված է: Դա պարզ է. դուք չեք կարող լրտեսել մարդկանց, սա անձնական տեղեկատվություն է:
Ի դեպ, հետաքրքիր դեպք ունեցանք տղաներից բաժանվելու թեմայով. Երբ մենք կանխատեսում էինք անում «B» կետի համար՝ տաքսու նպատակակետը, մենք հուշումներ արեցինք: Ահա նայեք.
(Վիկտորը մուտք է գործում Yandex.Taxi հավելված):
Օրինակ՝ տաքսին կարծում է, որ ես տանն եմ։ Նա առաջարկում է, որ գնամ կամ աշխատանքի, կամ RUDN համալսարան (այդտեղ դասախոսություններ եմ կարդում որպես մեքենայական ուսուցման դասընթաց Data Mining in Action): Եվ ինչ-որ պահի, այս խորհուրդները մշակելիս, մենք հասկացանք, որ պետք է խուսափել օգտատիրոջը վարկաբեկելուց: Յուրաքանչյուրը կարող է տեսնել Բ կետը: Այս պատճառներով մենք հրաժարվեցինք նմանության հիման վրա տեղեր առաջարկել։ Թե չէ կարգին մարդկանց հետ նստում ես, տաքսի պատվիրում, քեզ գրում են. «Տես, դու դեռ չես եղել այս բարում»։
- Որո՞նք են այդ կապույտ կետերը, որոնք թարթում են ձեր քարտեզի վրա:
Սրանք պիկապ կետեր են: Այս կետերը ցույց են տալիս, թե որտեղ է առավել հարմար տաքսի կանչելը։ Ի վերջո, դուք կարող եք զանգահարել մի տեղ, որտեղ գնալը լիովին անհարմար կլինի: Բայց ընդհանուր առմամբ, դուք կարող եք զանգահարել ցանկացած վայրում:
-Այո, ցանկացած պահի: Սրանով ես ինչ-որ կերպ թռավ երկու բլոկ:
Վերջերս GPS-ի հետ կապված տարբեր դժվարություններ կային, ինչը հանգեցրեց տարբեր զվարճալի իրավիճակների։ Մարդկանց, օրինակ, Տվերսկայայում նավարկության միջոցով տեղափոխում էին Խաղաղ օվկիանոսով: Ինչպես տեսնում եք, երբեմն լինում են բացթողումներ և ավելի քան երկու բլոկ:
- Իսկ եթե վերագործարկեք հավելվածը և նորից սեղմեք, գինը փոխվում է մի քանի ռուբլով: Ինչո՞ւ։
Եթե պահանջարկը գերազանցում է առաջարկը, ապա ալգորիթմը ավտոմատ կերպով առաջացնում է աճող գործակից. սա օգնում է նրանց, ովքեր պետք է հնարավորինս արագ հեռանան, օգտվել տաքսիից, նույնիսկ մեծ պահանջարկի ժամանակաշրջաններում: Ի դեպ, մեքենայական ուսուցման միջոցով կարելի է կանխատեսել, թե որտեղ կլինի ավելի մեծ պահանջարկ, օրինակ, մեկ ժամվա ընթացքում։ Սա օգնում է մեզ վարորդներին ասել, թե որտեղ կլինեն ավելի շատ պատվերներ, որպեսզի առաջարկը համապատասխանի պահանջարկին:
- Չե՞ք կարծում, որ Yandex.Taxi-ն շուտով կսպանի տաքսիների ամբողջ շուկան:
Կարծում եմ ոչ. Մենք առողջ մրցակցության կողմնակից ենք և չենք վախենում դրանից։
Օրինակ՝ ես ինքս օգտվում եմ տարբեր տաքսի ծառայություններից։ Սպասման ժամանակը ինձ համար կարևոր է, ուստի ես նայում եմ մի քանի հավելվածների՝ տեսնելու, թե որ տաքսին ավելի արագ կժամանի:
- Դուք միավորվել եք Uber-ի հետ: Ինչի համար?
Իմ տեղը չէ մեկնաբանելու։ Կարծում եմ՝ միավորվելը խորապես խելամիտ որոշում է։
Գերմանիայում մի տղա դրոնների վրա լոգարան տեղադրեց և թռավ բուրգեր գնելու։ Մտածե՞լ եք, որ եկել է օդային տարածքը տիրապետելու ժամանակը։
Ես չգիտեմ օդային տարածքի մասին: Մենք հետևում ենք այնպիսի նորությունների, ինչպիսին է «Uber-ը տաքսիներ է գործարկել նավակներում», բայց օդի մասին ոչինչ ասել չեմ կարող։
-Իսկ ինքնակառավարվող տաքսիների մասին ի՞նչ կասեք:
Այստեղ մի հետաքրքիր կետ կա. Մենք դրանք մշակում ենք, բայց պետք է մտածել, թե կոնկրետ ինչպես պետք է դրանք օգտագործվեն։ Դեռ վաղ է կանխատեսել, թե ինչ տեսքով և երբ նրանք կհայտնվեն փողոցներում, բայց մենք անում ենք ամեն ինչ, որպեսզի զարգացնենք տեխնոլոգիան լիովին ինքնավար մեքենայի համար, որտեղ մարդ վարորդ ընդհանրապես պետք չի լինի։
- Մտավախություն կա՞, որ անօդաչու թռչող սարքի ծրագրային ապահովումը կկոտրվի՝ մեքենան հեռակա կարգով կառավարելու համար։
Ռիսկեր կան միշտ և ամենուր, որտեղ կան տեխնոլոգիաներ և գաջեթներ։ Բայց տեխնոլոգիաների զարգացմանը զուգահեռ զարգանում է նաև մեկ այլ ուղղություն՝ դրանց պաշտպանությունն ու անվտանգությունը։ Յուրաքանչյուր ոք, ով այս կամ այն կերպ ներգրավված է տեխնոլոգիաների զարգացման մեջ, աշխատում է անվտանգության համակարգերի վրա:
- Օգտատիրոջ ի՞նչ տվյալներ եք հավաքում և ինչպե՞ս եք դրանք պաշտպանում:
Մենք հավաքում ենք օգտագործման անանուն տվյալներ, օրինակ՝ որտեղ, երբ և որտեղ է կատարվել ուղևորությունը: Ամեն կարևոր բան հաշված է:
- Ի՞նչ եք կարծում, անօդաչու սարքերի պատճառով աշխատատեղերը կպակասեն։
Կարծում եմ, որ այն միայն ավելի մեծ կլինի: Այնուամենայնիվ, այս անօդաչու սարքերը նույնպես պետք է ինչ-որ կերպ պահպանվեն: Սա, իհարկե, մի քիչ սթրեսային իրավիճակ է՝ փոխելով մասնագիտությունը, բայց ի՞նչ կարող ես անել։
- Գրեֆն իր յուրաքանչյուր դասախոսության ժամանակ ասում է, որ մարդ առնվազն երեք անգամ արմատապես կփոխի իր մասնագիտությունը։
Ես չեմ կարող նշել որևէ մասնագիտություն, որը հավերժ կմնա: Ծրագրավորողն իր ողջ կյանքում չի աշխատում նույն լեզվով և նույն տեխնոլոգիաներով։ Ամենուր, որտեղ մենք պետք է վերակառուցենք: Մեքենայի ուսուցմամբ ես հստակ կարող եմ զգալ, թե ինչպես են ինձնից վեց տարով փոքր տղաները կարող ինձնից շատ ավելի արագ մտածել: Միևնույն ժամանակ, 40 կամ 45 տարեկան մարդիկ դա ավելի ուժեղ են զգում։
- Փորձն այլեւս դեր չի՞ խաղում:
Խաղում. Բայց մեթոդները փոխվում են, կարող ես գալ մի տարածք, որտեղ, օրինակ, խորը ուսուցումը չի կիրառվել, որոշ ժամանակ աշխատում ես այնտեղ, հետո ամենուր ներդրվում են խորը ուսուցման մեթոդներ, և դու դրանից ոչինչ չես հասկանում։ Այսքանը: Ձեր փորձը կարող է օգտակար լինել միայն թիմի աշխատանքը պլանավորելիս, և նույնիսկ այդ դեպքում ոչ միշտ:
-Իսկ Ձեր մասնագիտությունը տվյալների գիտնականն է, պահանջվա՞ծ է:
Տվյալների գիտության մասնագետների պահանջարկը պարզապես դուրս է գծապատկերներից: Ակնհայտ է, որ սա խելահեղ աղմուկի շրջան է։ Փառք Աստծո, բլոկչեյնը օգնեց, որ այս հիպը մի փոքր թուլանա: Բլոկչեյնի մասնագետներն էլ ավելի արագ են հավաքվում:
Բայց հիմա շատ ընկերություններ կարծում են, որ եթե գումար ներդնեն մեքենայական ուսուցման մեջ, իրենց այգիները անմիջապես կծաղկեն: Սա սխալ է. Մեքենայական ուսուցումը պետք է լուծի կոնկրետ խնդիրներ, այլ ոչ միայն գոյություն ունենա:
Լինում են դեպքեր, երբ բանկը ցանկանում է օգտատերերի համար ծառայությունների առաջարկությունների համակարգ ստեղծել: Հարցնում ենք. «Ի՞նչ եք կարծում, սա տնտեսապես հիմնավորված կլինի՞»: Նրանք պատասխանում են. «Մեզ չի հետաքրքրում. Արա. Բոլորն էլ ունեն առաջարկությունների համակարգեր, մենք լինելու ենք թրենդում»։
Ցավն այն է, որ բիզնեսի համար իսկապես օգտակար բան չի կարելի մեկ օրում անել։ Պետք է հետևել, թե ինչպես կսովորի համակարգը։ Բայց սկզբում միշտ սխալներ է թույլ տալիս, մարզումների ժամանակ կարող է որոշակի տվյալների պակաս լինել: Դուք ուղղում եք սխալները, հետո նորից ուղղում դրանք և նույնիսկ ամեն ինչ նորից անում: Դրանից հետո դուք պետք է կարգավորեք համակարգը այնպես, որ այն աշխատի արտադրության մեջ, որպեսզի այն կայուն և մասշտաբային լինի, դեռ ժամանակն է: Արդյունքում, մեկ նախագիծը տեւում է վեց ամիս, մեկ տարի կամ ավելի:
Եթե դուք նայեք մեքենայական ուսուցման մեթոդներին որպես սև արկղի, դուք հեշտությամբ կարող եք բաց թողնել, երբ ինչ-որ խենթ բաներ սկսեն տեղի ունենալ: Մի մորուքավոր պատմություն կա. Զինվորականները խնդրել են մշակել ալգորիթմ, որի միջոցով կարելի է վերլուծել՝ նկարում կա տանկ, թե ոչ։ Հետազոտողները պատրաստել են, փորձարկել են, որակը գերազանց է, ամեն ինչ հիանալի է, տվել են զինվորականներին։ Զինվորականները գալիս են ու ասում, որ ոչինչ չի ստացվում։ Գիտնականները սկսում են նյարդայնացած հասկանալ. Պարզվում է, որ զինվորականների բերած տանկով բոլոր լուսանկարներում գրիչով անկյունում տիզ է դրված։ Ալգորիթմը անթերի սովորեց գտնել ստուգիչ նշանը, նա ոչինչ չգիտեր տանկի մասին: Նոր նկարների վրա, բնականաբար, վանդակներ չկային։
Ես հանդիպել եմ երեխաների, ովքեր զարգացնում են իրենց սեփական երկխոսության համակարգերը: Երբևէ մտածե՞լ եք, որ պետք է համագործակցել երեխաների հետ:
Արդեն բավական ժամանակ է, ինչ գնում եմ դպրոցականների համար նախատեսված ամենատարբեր միջոցառումների, դասախոսություններ կարդում մեքենայական ուսուցման մասին։ Եվ, ի դեպ, թեմաներից մեկն ինձ սովորեցրել է տասներորդ դասարանցին։ Ես լիովին վստահ էի, որ իմ պատմությունը լավն ու հետաքրքիր կլինի, հպարտանում էի ինքս ինձնով, սկսեցի հեռարձակվել, իսկ աղջիկը ասում էր. «Օ, մենք ուզում ենք նվազագույնի հասցնել այս բանը»: Ես նայում և մտածում եմ, իսկապես, ինչու, և ճշմարտությունը կարելի է նվազագույնի հասցնել, և այստեղ ապացուցելու հատուկ բան չկա: Արդեն մի քանի տարի է անցել, հիմա նա լսում է մեր դասախոսությունները որպես Ֆիզիկայի և տեխնիկայի ինստիտուտի ուսանողուհի։ Yandex-ն, ի դեպ, ունի Yandex.Lyceum, որտեղ դպրոցականները կարող են անվճար ստանալ ծրագրավորման տարրական գիտելիքներ։
- Առաջարկեք այն համալսարաններին և ֆակուլտետներին, որտեղ ներկայումս դասավանդվում է մեքենայական ուսուցում:
Կան MIPT, FIVT և FUPM ֆակուլտետներ։ HSE-ն ունի նաև համակարգչային գիտության հրաշալի բաժին, իսկ Մոսկվայի պետական համալսարանում մեքենայական ուսուցում կա համակարգչային գիտության համալիրում։ Դե, հիմա կարող եք լսել մեր դասընթացը RUDN համալսարանում:
Ինչպես արդեն ասացի, այս մասնագիտությունը պահանջված է։ Շատ երկար ժամանակ տեխնիկական կրթություն ստացած մարդիկ բոլորովին այլ բաներ էին անում։ Մեքենայական ուսուցումը հիանալի օրինակ է, երբ այն բոլոր բաները, որոնք սովորեցնում են տեխնիկական կրթություն ունեցող մարդիկ, այժմ ուղղակիորեն անհրաժեշտ են, օգտակար և լավ վարձատրվող:
-Ինչ լավ:
Անվանեք գումարը:
- ամսական 500 հազ.
Դուք կարող եք, պարզապես առանց սովորական տվյալների գիտնական լինելու: Բայց որոշ ընկերություններում պրակտիկանտը կարող է 50 հազար վաստակել պարզ աշխատանքի համար, շատ լայն տեսականի կա։ Ընդհանրապես, թույն տվյալների գիտնականի աշխատավարձը կարելի է համեմատել ինչ-որ միջին ընկերության գործադիր տնօրենի աշխատավարձի հետ։ Շատ ընկերություններում, բացի աշխատավարձից, աշխատողը շատ այլ առավելություններ ունի, և եթե պարզ է, որ մարդը չի եկել իր ռեզյումեն լավ բրենդ ավելացնելու, այլ իրականում աշխատելու, ապա նրա մոտ ամեն ինչ լավ կլինի։
Գրեթե մեկ տարի է անցել այն պահից, երբ FIVT-ում մեկնարկեց անսովոր թեմա՝ նորարարական սեմինար: Դրա էությունը ուսանողական թիմերի կողմից ՏՏ ստարտափների ստեղծումն է՝ փորձառու մենթորների ղեկավարությամբ։ Դասընթացի շնորհիվ ինչ-որ մեկը ամառվա մի մասն անցկացրեց Cream Valley-ում, ինչ-որ մեկը 800,000 ռուբլի դրամաշնորհ ստացավ նախագծի զարգացման համար, և ABBYY-ն պատրաստ է ամբողջությամբ գնել նախագիծը որևէ մեկից: Եվ սա սեմինարի բոլոր արդյունքները չեն:
2011-ի սկզբին FIVT-ի երրորդ կուրսի ուսանողները հավաքվեցին Համագումարի դահլիճում և ասացին. հաջորդ տարվա ընթացքում դուք պետք է ստեղծեք ձեր սեփական ստարտափը: Ուսանողները երկիմաստ չընդունեցին այս միտքը. ընդհանրապես պարզ չէր, թե ինչպես դա անել, և պատասխանատվությունն անսովոր էր. ի վերջո, անհրաժեշտ էր ստեղծել տեխնոլոգիական բիզնես, այլ ոչ թե հերթական կրթական նախագիծը։ Ահա թե ինչ է մտածում այդ մասին MIPT ուսանողական օլիմպիադայի ֆիզիկայի հաղթող, Յանդեսկա բաժնի ուսանող Վիկտոր Կանտորը.
Երբ ես ընտրեցի FIVT-ն ընդունելության ժամանակ, ես հույս ունեի, որ նման բան կունենանք: Այնպես որ, ես ուրախ եմ, որ իմ հույսերն իզուր չէին։ Տարվա ընթացքում զգացվում էր, որ դասընթացը դեռ ձևավորվում է, շատ նորություն կա դրանում, շատ հարցեր վիճելի էին ոչ միայն ուսանողների, այլ նաև կազմակերպիչների համար, բայց ընդհանուր առմամբ, կարծում եմ, միտումները դրական են։ Ինձ դուր եկավ այս դասընթացը:
Ուսանողների աշխատանքը հեշտացնելու համար տարբեր համադրողներ հրավիրվել էին առաջարկելու իրենց գաղափարները նորարարական բիզնես կառուցելու համար: Նրանց թվում կային բոլորովին այլ մարդիկ՝ MIPT-ի բակալավրիատի և մագիստրատուրայի ուսանողներից մինչև Ernst&Young ինովացիոն խորհրդատու Յուրի Պավլովիչ Ամմոսովը (նա ամբողջ դասընթացի ղեկավարն էր) և Միխայիլ Բատին, ով զբաղվում է վերականգնողական բժշկությամբ և կյանքի երկարացման հարցերով։ Արդյունքում ֆիզիկայի և տեխնիկայի ուսանողներն ընտրեցին իրենց համար ամենահետաքրքիր գաղափարները, թիմերին միացան կուրատորները, և սկսվեց ծանր, բայց հուզիչ աշխատանքը։
Դրանից հետո անցած գրեթե մեկ տարվա ընթացքում տղաները բախվել են բազմաթիվ խնդիրների, որոնց մի մասը լուծվել է։ Այժմ մենք կարող ենք գնահատել նրանց արդյունքները. չնայած դժվարություններին, տղաները գլուխ հանեցին: MIPT-ի ուսանողները (փիլիսոփայական ֆակուլտետից բացի, գործընթացին միացան նաև բանասիրական և այլ ֆակուլտետների որոշ ուսանողներ) հասցրեցին պատրաստել մի քանի բավականին հետաքրքիր և կենսունակ նախագծեր.
Askeroid (նախկինում Ask Droid) – որոնել սմարթֆոններ ( Անաստասիա Ուրյաշևա)
Android հավելված, որը թույլ է տալիս հարմարավետ որոնել մեծ թվով որոնման համակարգերում: Որոշ փորձագետներ հետաքրքրություն ցուցաբերեցին մշակման նկատմամբ, և արդյունքում Անաստասիան անցկացրեց ամբողջ անցած ամառը Սիլիկոնային հովտի ամենահայտնի ինկուբատորներից մեկում՝ Plug&Play-ում: սովորել տեխնոլոգիական ձեռներեցության հիմունքները և խոսել միջազգային վենչուրային փորձագետների հետ:
1minute.ru – մեկ րոպե լավ (Լև Գրունին)
Այս նախագիծը բոլորին հնարավորություն է տալիս բարեգործական աշխատանք կատարել պարզապես, արագ և ամբողջովին անվճար։ Մոդելը պարզ է՝ գովազդատուները կայքում առաջարկում են գործունեության որոշակի փաթեթ, օգտատերերը կամավոր մասնակցում են դրանց, իսկ գովազդից ստացված ողջ գումարը փոխանցվում է բարեգործական հիմնադրամին։ Գործարկումից մեկ շաբաթվա ընթացքում նախագիծը հավաքել է ավելի քան 6500 օգտատերերի և չի պատրաստվում դրանով կանգ առնել։ Արդյունքում Լևի և նրա թիմի շնորհիվ մանկատների 600 երեխա Ամանորի համար Ձմեռ պապից կստանան նվիրական նվերներ։ Դուք արդեն մեկ րոպե ծախսե՞լ եք բարի գործի վրա։
Ներկառուցված աշխատասեղան - համակարգիչ ձեր հեռախոսում (Ալեքսեյ Վուկոլով)
Հավելված, որը թույլ է տալիս միավորել համակարգչի հնարավորություններն ու հեռախոսի շարժունակությունը մեկ փաթեթում՝ չափազանց օգտակար արտադրանք զբաղված մարդկանց համար, ովքեր հաճախ են գործուղումներով: Բավական է տեղադրել այն սմարթֆոնի վրա, և օգտատերը կկարողանա «ձեռք բերել» իր սեփական համակարգիչը ցանկացած հյուրանոցում, գրասենյակում և, իսկապես, ցանկացած վայրում, որտեղ կարող է գտնել մոնիտոր (հարմար է նաև հեռուստացույց), ստեղնաշար և մուկ. Գաղափարի զարգացման համար նախագիծը դրամաշնորհ է ստացել և ներկայացվել է Technovation Cup ցուցահանդեսին, իսկ ստացված գումարով թիմն արդեն ակտիվ սարքավորումներ է ձեռք բերում։ Ամերիկյան պրոցեսոր արտադրող MIPS-ը չափազանց հետաքրքրված է մշակմամբ։
Smart Tagger – իմաստային որոնում փաստաթղթերի միջոցով (Վիկտոր Կանտոր)
Ի՞նչ պետք է անեք, եթե հիշում եք, որ ինչ-որ տեղ ձեր փոստարկղում կար մի շատ կարևոր նամակ, որը խոսում էր Big Bang Theory-ի վերջին դրվագի մասին, բայց դուք տեքստից որևէ բանալի բառ չեք հիշում: Yandex-ը և Google որոնումն անզոր են։ Smart Tagger-ի մշակումը կգա փրկության. «խելացի» ծրագիրը, որն օգտագործում է իմաստային որոնումը, ձեզ կտա բոլոր տեքստերը, որոնց իմաստը միահյուսված է հայտնի հեռուստասերիալի հետ: Ծրագիրը արժանացել է դրամաշնորհի U.M.N.I.K. մրցույթում: ընդհանուր 400,000 ռուբլի:
MathOcr – բանաձևի ճանաչում (Վիկտոր Պրուն)
ABBYY-ն իրագործման համար առաջարկեց հետաքրքիր առաջադրանք՝ ստեղծել ծրագիր, որը կճանաչի ցանկացած բարդության մաթեմատիկական բանաձևեր: FIVT ուսանողները, համագործակցելով հետաքրքրված ուսանողների հետ, կատարեցին առաջադրանքը. մոդուլն իրականում ճանաչում է մաթեմատիկայի կամ ֆիզիկայի դասագրքերից սկանավորված բանաձևերը: Արդյունք. ABBYY-ն պատրաստ է գնել այս ապրանքը մեծ գումարով:
