🧝🏻 🐇 🎭 पॉडकास्ट: रक्षा के क्षेत्र में शुरुआती वैज्ञानिकों का क्या इंतजार है 🥐 ℹ️ 🙇🏿

जैसा कि वादा किया गया था , हम अपने पॉडकास्ट की पहली रिलीज की एक पूरी प्रतिलिपि प्रदान करते हैं ( आप इसे ऐप्पल पॉडकास्ट में सुन सकते हैं )। आंद्रेई फिलचेनकोव , पीएचडी (भौतिकी और गणित), सूचना प्रौद्योगिकी और प्रोग्रामिंग के संकाय के एसोसिएट प्रोफेसर और अंतरराष्ट्रीय कंप्यूटर विज्ञान कंप्यूटर प्रयोगशाला में मशीन सीखने वाले समूह के प्रमुख ने हमारे साथ बात की ।

^{फोटो द्वारा शमूएल Bourke (Unsplash.com)}

दिमित्री:पिछले साल आपप्राप्तइल्या सेगालोविच पुरस्कार, और कहा कि आप किसी भी आम मशीन सीखने के अलावा अन्य वेक्टर के बिना, विभिन्न क्षेत्रों में लगे हुए थे। कृपया इस दृष्टिकोण पर टिप्पणी करें। क्या ऐसी स्वतंत्रता आपके लिए निर्णायक है?

एंड्री फिलचेनकोव:जब मैं आईटीएमओ यूनिवर्सिटी में काम करने आया था, तो कंप्यूटर टेक्नोलॉजी की हमारी प्रयोगशाला में, जो पहले से ही एक वैज्ञानिक केंद्र बन गया है, मशीन सीखने से सीधे संबंधित कुछ भी नहीं था। और हम प्रयोग करने लगे। साल 2014 था।

दिमित्री:क्या आपने अपने लिए कार्य तैयार किया है?

एंड्रयू:उन्होंने तय किया, तय किया। मशीन लर्निंग को इस तरह से डिज़ाइन किया गया है कि विचार एक क्षेत्र से दूसरे क्षेत्र में प्रवाहित होते हैं, और मॉडल एक कार्य से दूसरे कार्य में प्रवाहित होते हैं। किसी चीज तक सीमित होना काफी मुश्किल है। और इसलिए यह केवल हम ही नहीं हैं जो काम करते हैं। लगभग हमेशा, मशीन लर्निंग के क्षेत्र में शोधकर्ता एक आला में कड़ाई से नहीं बैठते हैं, हमेशा चारों ओर बहुत शोध होता है।

एक और बात यह है कि शुरू में हमारे पास एक वेक्टर नहीं था जिसके चारों ओर हम अपने काम का निर्माण करेंगे। लेकिन अब हम विशिष्ट विषयों में तल्लीन हो जाते हैं और आम तौर पर हमारे द्वारा काम करने वाले निशानों की संख्या को सीमित कर देते हैं। सबसे पहले, यह स्वचालित मशीन लर्निंग, छवि प्रसंस्करण और पीढ़ी से संबंधित सब कुछ है, जिसमें वीडियो, सामाजिक नेटवर्क का विश्लेषण शामिल है।

पिछले साल दो अपेक्षाकृत नए विषय सामने आए: कोड विश्लेषण के लिए मशीन लर्निंग और रूटिंग के लिए मशीन लर्निंग। हम 2016 से रूटिंग कर रहे हैं, लेकिन इस विषय में देरी हुई है। हमने कई तरह के कार्य करने की कोशिश की, लेकिन यह दृष्टिकोण परिणामों को प्रभावित करता है। अब हम विविधता की तुलना में गुणवत्ता पर अधिक ध्यान केंद्रित करने की कोशिश कर रहे हैं।

दिमित्री: और इसलिए, आप पहले से ही प्रयोगशाला में काम करने वालों के लिए बिंदु समस्याएँ तैयार कर रहे हैं, और बड़ी संख्या में विशेषज्ञों के लिए एक सैद्धांतिक संरक्षक के रूप में कार्य कर रहे हैं?

एंड्रयू: हाँ।

दिमित्री: यह आम आदमी को लग सकता है कि यह गतिविधि बहुत बुनियादी चीजों, सूत्रों और वैज्ञानिक लेखों से जुड़ी है। लेकिन लैब के लोग, जैसा कि आप देख सकते हैं, सामाजिक नेटवर्क, सिफारिश इंजन, ट्रम्प के ट्विटर विश्लेषण के विश्लेषण के साथ काम करते हैं। कृपया हमें ऐसी परियोजनाओं के बारे में बताएं जो व्यावहारिक स्तर पर समझ में आती हैं?

एंड्री: हमारी गतिविधि को दो श्रेणियों में विभाजित किया जा सकता है। पहला एल्गोरिदम है जो बहुत सारी चीजों पर लागू होता है। उदाहरण के लिए, चयन एल्गोरिदम की सुविधा। उन्हें कई कार्यों के लिए आवश्यक है - डीएनए अनुक्रमों का विश्लेषण करने, चिकित्सा डेटा को संसाधित करने, और इसी तरह। दूसरी श्रेणी उस विषय क्षेत्र से कार्य है जिसमें हम पहले से ही विभिन्न एल्गोरिदम का उपयोग करने की कोशिश कर रहे हैं। इस श्रेणी में अधिक कार्य हैं, वे समझने योग्य और विविध हैं, और हमेशा पूरी तरह से वैज्ञानिक नहीं हैं।

^{फोटो में: एंड्री फिलचेनकोव}

प्रयोगशाला के अलावा, हमारे पास एक सामान्य वातावरण है जिसमें स्टार्टअप और कंपनियां घूमती हैं। वे औद्योगिक आदेशों के साथ आते हैं, कार्य काफी व्यावहारिक हैं। हाल ही में, हमने टीवीसी चैनल के साथ काम किया। उनके पास विभिन्न दस्तावेजों और लेखों की एक बड़ी संख्या है। और वे यह निगरानी करने में बहुत रुचि रखते हैं कि यह या उस घटना को प्रेस में कैसे प्रस्तुत किया जाता है और समय के साथ यह कैसे बदल जाता है - प्रेस में कितने पारंपरिक इलोन मास्क हैं, किस संदर्भ में उनका सामना किया गया है। हमने उनके लिए एक खोज इंजन लिखा था ताकि वे काफी बड़े डेटाबेस पर जटिल प्रश्नों का त्वरित निष्पादन कर सकें।

दिमित्री: यह आपके लिए आपसे संपर्क करने और कस्टम विकास शुरू करने के लिए अधिक प्रभावी था, एक समाप्त "बॉक्सिंग" उत्पाद के लिए बाजार में जाने के लिए?

एंड्रयू: हाँ। उनके पास एक विशिष्ट कार्य है। बाजार पर ऐसे कोई समाधान नहीं हैं।

हम Vk के साथ काफी दिलचस्प चीजें भी करते हैं, जहां हमारे स्नातक छात्रों में से एक काम करता है। विज्ञापन इन साइटों में से अधिकांश की तरह, साइट के राजस्व का एक मुख्य स्रोत है। और आपको यह समझने की आवश्यकता है कि यह विज्ञापन किसको दिखाना है, ताकि सब कुछ प्रभावी हो। कार्य जैसा दिखता है। बड़ी संख्या में विज्ञापनदाता हैं। हमें यह सुनिश्चित करने की आवश्यकता है कि उनके पास शो हैं, और लोग प्रासंगिक हैं।

चिकित्सा से संबंधित कई अध्ययन हैं। उदाहरण के लिए, महत्वपूर्ण मेडिकल मार्करों की पहचान करने के लिए एक तस्वीर से त्वचा का विश्लेषण। दो विषय हैं। एक की पहचान करने से संबंधित है कि क्या एक तिल एक तिल है या यह एक संकेत है कि कुछ गंभीर हो सकता है। दूसरा इस बात की समझ है कि इन या उन धब्बों, चकत्ते के कारण क्या होते हैं (ये बड़ी संख्या में त्वचा और यौन संचारित रोगों के लक्षण हो सकते हैं)।

दिमित्री:और यहां आप बुनियादी निदान की उपलब्धता बढ़ा सकते हैं?

एंड्रयू: हाँ। लेकिन भले ही वे लक्षण दिखाई दे रहे हैं क्योंकि वे त्वचा पर हैं, उनका वर्गीकरण इतना सरल नहीं है। हम इस कार्य को स्वचालित करते हैं ताकि आप अपने फोन पर एप्लिकेशन डाल सकें, एक तस्वीर ले सकें और समझ सकें, लेकिन कुछ संदिग्ध है। हम यहां निर्णय नहीं लेते हैं, लेकिन यदि आवेदन व्यक्ति को बताता है कि ऐसा लगता है कि उसके पास कुछ गलत है, तो डॉक्टर के पास जाना और परामर्श लेना बेहतर है।

विभिन्न समाधानों का स्थानांतरण और मास्को के क्षेत्र का विकास

टाइमबॉस ( ऑडियो संस्करण ) - 09:07

दिमित्री: क्या आपके पास ऐसे हालात थे जब आपने निर्णय लिए थे जो कि एक क्षेत्र में परीक्षण किए गए थे और उन्हें दूसरे क्षेत्र में प्रयोग के रूप में लागू किया गया था या जब आपको किसी कार्य में कठिनाई हो रही थी?

एंड्रयू:आमतौर पर हम स्वचालित मशीन लर्निंग का उपयोग करने की कोशिश करते हैं। मोटे तौर पर, हमारे पास कुछ ब्लैक बॉक्स हैं जिसमें हम कार्यों को छोड़ देते हैं और बुनियादी समाधान प्राप्त करते हैं। वे, बेशक, आमतौर पर इससे भी बदतर होते हैं कि आप उसके बाद अपने हाथों से क्या कर सकते हैं, लेकिन यह एक आधार रेखा है जिस पर आप ध्यान केंद्रित कर सकते हैं। यदि हम विशिष्ट समाधानों के बारे में बात करते हैं, उदाहरण के लिए, छवि प्रसंस्करण से संबंधित, स्थानांतरण यहां काम करता है। मूल बात पूर्व-प्रशिक्षित वीजीजी और डेटा पर इसके आगे का प्रशिक्षण है। प्रशिक्षित और रखी गई पहुंच नेटवर्क पर आधारित बुनियादी समाधान का गठन एक मानक कदम है। और यह अक्सर पता चलता है कि वर्तमान कॉन्फ़िगरेशन में कुछ भी नहीं करना बेहतर है।

दिमित्री: इस मामले में, क्या यह पता चलता है कि आप लोहे की दृष्टि से कुछ वास्तुशिल्प चीजें बदल रहे हैं, या यह सिर्फ सॉफ्टवेयर समाधान, एल्गोरिदम के बारे में है?

एंड्रयू:आमतौर पर हम केवल एल्गोरिदम के बारे में बात करते हैं। कुछ समस्याएं थीं जिनके लिए हमें लोहे के अनुकूल होना पड़ेगा। तस्वीरों में पात्रों को पहचानने के लिए हमने सबसे ज्यादा यही काम हुआवेई के साथ किया। इस तथ्य से जुड़े सख्त प्रतिबंध थे कि इस मॉडल को फोन पर लागू किया जाना था। जहां बहुत अधिक मेमोरी नहीं है, वहां उन ऑपरेशनों पर प्रतिबंध है जिनका उपयोग किया जा सकता है, क्योंकि शुद्ध रूप में लागू करना असंभव है जो हमने टेंसरफ्लो पर किया था। और यहाँ हमें चकमा देना था, क्योंकि अच्छे निर्णय थे, लेकिन स्थानांतरण की संभावना के बिना, और हमें कड़ी मेहनत करनी थी। लेकिन अधिक बार हम एक निर्णय लेते हैं जो जल्दी से सर्वर पर कहीं काम करता है, लेकिन बाकी सब चीजों पर प्रतिबंध के बिना।

दिमित्री:मैं पूछता हूं, क्योंकि सवाल अक्सर उठता है कि इस तरह की प्रणाली की दक्षता क्या निर्भर कर सकती है। हमें बताएं कि इस क्षेत्र में एल्गोरिदम और सैद्धांतिक दृष्टिकोण के विकास के संदर्भ में आप वर्तमान में किन समस्याओं का सामना कर रहे हैं? क्या इस क्षेत्र में कोई सीमा है, या यह अब तेजी से विकसित हो रहा है?

एंड्रयू:सवाल बल्कि जटिल है, लेकिन दिलचस्प है। लंबे समय तक, सब कुछ वास्तव में लोहे तक सीमित था। काफी जटिल एल्गोरिदम थे, लेकिन वे हमेशा अच्छी तरह से काम नहीं करते थे। अब बहुत कुछ तंत्रिका नेटवर्क के साथ जुड़ा हुआ है, क्योंकि कंप्यूटिंग शक्ति प्रकट हुई है जो उन्हें ड्राइव करने की अनुमति देती है। यद्यपि कुछ बिंदु से कंप्यूटिंग शक्ति कम महत्वपूर्ण हो गई है, हम हमेशा मतलब है कि हम कुछ लागत होगा। अगर हम शास्त्रीय एल्गोरिदम के बारे में बात करते हैं, तो क्षमता के साथ कोई विशेष समस्याएं नहीं हैं। सवाल यह है कि सबसे अच्छा समाधान जल्दी और कुशलता से कैसे किया जाए।

प्रारंभ में, चूंकि क्षमताएं सीमित थीं, इसलिए यह महत्वपूर्ण था कि समस्या को हल करने वाला व्यक्ति समझे कि एल्गोरिदम कैसे काम करता है, उनकी संसाधन आवश्यकताएं, इस कार्य के लिए प्रयोज्यता। एक समय था जब यह काफी नहीं था, क्योंकि क्षमता काफी सस्ती हो गई थी।

दिमित्री: अर्थात्, कंप्यूटिंग शक्ति और क्षमताओं के विकास में एक महत्वपूर्ण पर्याप्त छलांग है। हमने एक नाड़ी से थोड़ा हाथ उठाया। अब आप इसे लौटा रहे हैं।

आंद्रेई: हां, पिछले कुछ वर्षों में स्वचालित मशीन सीखने में वृद्धि हुई है। और एक संस्करण है कि मशीन सीखने में अब सभी विशेषज्ञता कंप्यूटिंग शक्ति में एक सौ गुना वृद्धि से प्रतिस्थापित किया जा सकता है। स्वचालित मशीन सीखना वास्तव में आपकी समस्या का समाधान खोजने की कोशिश कर रहा है। और यह क्षमताओं का मामला है, क्योंकि यह एक खोज है, एक संपूर्ण खोज नहीं है, लेकिन फिर भी बहुत जटिल, लंबी, बड़े पैमाने पर, कंप्यूटिंग संसाधनों की एक बड़ी मात्रा की आवश्यकता है। नतीजतन, हम फिर से इस तथ्य पर आराम करते हैं कि विशेषज्ञता को संसाधनों और उनकी उपलब्धता द्वारा प्रतिस्थापित किया जा रहा है। ^{फ्रेंकी चमाकी}

^{द्वारा फोटो (Unsplash.com)}

मुझे विश्वास नहीं है कि हम कभी भी ऐसी स्थिति में खुद को पाएंगे जहां एक विशेषज्ञ की आवश्यकता नहीं होगी, क्योंकि अभी भी कई कार्य हैं जिन्हें नहीं लिया जा सकता है और इस तरह से स्वचालित किया जा सकता है (कार्य को सेट करना, व्यावसायिक प्रक्रियाओं को समझना) जब तक हम शक्तिशाली सिस्टम के साथ नहीं आते हैं। कृत्रिम होशियारी। कम से कम, यह बहुत जल्द नहीं होगा। इसलिए, कार्य संरक्षित किया जाएगा, लेकिन कंप्यूटिंग शक्ति को फिर से शुरू करने की आवश्यकताएं प्रमुख कारकों में से एक बन जाती हैं।

दिमित्री: लेकिन एक ही समय में, आपको अभी भी एल्गोरिदम की दक्षता के मामले में कंप्यूटिंग शक्ति के विकास के साथ "पकड़ने" के लिए कुछ कार्रवाई करनी होगी। ऐसी कंपनियाँ जिनमें बड़ी क्षमताएं हो सकती हैं, लेकिन फिर भी, यह मुझे प्रतीत होता है, प्रत्येक कार्य की एक निश्चित समय सीमा होती है, जिसमें इसे हल करना होगा और प्रासंगिक बना रहेगा।

एंड्रयू: हाँ। एक वांछित गुण है, एक समय है जिसके लिए इसे प्राप्त करना आवश्यक है। हम दोनों तरफ सीमित हैं। यदि पर्याप्त समय है, तो गुणवत्ता लगभग हमेशा प्राप्त होती है। हालांकि, निश्चित रूप से, प्रत्येक कार्य की मौलिक सीमाएं हैं कि क्या गुणवत्ता प्राप्त की जा सकती है। मोटे तौर पर, हम एक सिक्के से बेहतर चन्द्रमाओं के स्थान द्वारा चरित्र का अनुमान नहीं लगा पाएंगे। लेकिन अगर आवश्यक प्रतिबंध छत तक नहीं पहुंचता है, तो हम कुछ समय के लिए वांछित गुणवत्ता प्राप्त कर सकते हैं। कभी-कभी हम यह कह सकते हैं कि आवंटित समय में हमें एक अच्छा समाधान मिला, हम इस समय के लिए सर्वश्रेष्ठ नहीं हो सकते। हमेशा ये दो "निर्देशांक" होते हैं।

नए परिणामों का अध्ययन, उनकी समझ और अनुकूलन

टिम्बा ( ऑडियो संस्करण ) - 16:41

दिमित्री: आपकी प्रयोगशाला में काम करने वालों के पेशेवर विकास के दृष्टिकोण से, आप इस प्रक्रिया में सीधे अध्ययन करने के लिए बुनियादी ज्ञान और सैद्धांतिक प्रशिक्षण के वितरण का आकलन कैसे कर सकते हैं: इस क्षेत्र में वैज्ञानिक लेख, सफलताओं, परिवर्तनों का विश्लेषण करें? एक सप्ताह या महीने के हिस्से में इनमें से कितने परिवर्तन आते हैं? उन परियोजनाओं में, जिन्हें आप अभी यहां पर काम कर रहे हैं, उन्हें अपनी गतिविधियों में लागू करना कितना मुश्किल है?

एंड्रयू:यह एक बहुत अच्छा सवाल है। यह सब क्षेत्र पर निर्भर करता है। उदाहरण के लिए, एक स्नातक छात्र जो क्लस्टरिंग के कार्य को स्वचालित कर रहा है, अब मेरी रक्षा कर रहा है। सामान्य तौर पर, नए परिणामों की एक बहुत बड़ी धारा नहीं है। दूसरी ओर, वह क्लस्टरिंग के लिए ऑटोएमएल करता है। यहां नए परिणामों की धारा पर नज़र रखना इतना आसान नहीं है। इसके अलावा, एक क्षेत्र तक सीमित होना मुश्किल है।

जैसा कि मैंने शुरुआत में कहा, मशीन लर्निंग के क्षेत्र में, सब कुछ दृढ़ता से जुड़ा हुआ है। मूल रूप से छवि प्रसंस्करण के क्षेत्र में उत्पन्न होने वाले विचार कुछ चरणों में प्रवाहित होते हैं। वर्ड प्रोसेसिंग निकटतम उम्मीदवार है। सबसे महत्वपूर्ण सफलता कारकों में से एक बस आपके आला में न केवल क्या हो रहा है, बल्कि सामान्य रूप से मशीन सीखने के क्षेत्र में भी हो रहा है, के बारे में पता होना है। ^{निक हिलियर}

^{द्वारा फोटो (Unsplash.com)}

ऐसा करना मुश्किल है क्योंकि बहुत सारे परिणाम उत्पन्न होते हैं। प्रमुख सम्मेलनों में हजारों प्रतिभागी, एक बड़ी संख्या में काम करते हैं, जो एक सप्ताह में सैकड़ों काम करते हैं। इस तरह की राशि के माध्यम से भी फ्लिप करना मुश्किल है। लेकिन मील के पत्थर देखने के लिए महत्वपूर्ण हैं।

ऐसा करने के लिए, आपको संग्रह को स्कैन करने या कवर से कवर करने के लिए कॉन्फ्रेंस संग्रह को पढ़ने की आवश्यकता नहीं है, लेकिन मशीन सीखने से संबंधित जनता की सदस्यता लेना और जो कुछ लिखा गया है उसका ट्रैक रखना बहुत महत्वपूर्ण है।

प्रारंभ में, भाषा प्रसंस्करण में कई अलग-अलग परिणाम थे। जैसे ही Word2vec दिखाई दिया, सभी ने एम्बेडिंग की ओर बढ़ना शुरू कर दिया। ऐसे बहुत से हैं। कई बुनियादी चीजें थीं, लेकिन विभिन्न विशेष कार्यों के लिए उनके पास अपने स्वयं के थे, और यह निगरानी करना आवश्यक था कि वे उन्हें कैसे सुधारें। तब Google ने BERT को रोल आउट किया, और इसने बहुत बड़ी वृद्धि दी। कुछ बिंदु पर, यह पता चला कि यदि आप समझते हैं कि बीईआरटी कैसे काम करता है, और यदि आप अंग्रेजी प्रसंस्करण में शामिल हैं, तो आपको वास्तव में कुछ भी करने की आवश्यकता नहीं है।

आप फास्टटेक्स के नए संस्करणों की सफलता और उसके आधार पर एम्बेडिंग के बारे में चिंता नहीं कर सकते। BERT में अब बहुत सारे बदलाव हैं। यह अभी भी बुनियादी है, एक समय में Word2vec की तरह। लेकिन प्रति माह कई नौकरियों की आवृत्ति के साथ पहले से ही कई संशोधन हो रहे हैं या प्रति सप्ताह भी कम काम नहीं है।

और यह गतिशील हर समय बदल रहा है। एक जगह है जहां सब कुछ ढह जाता है, और यहां आप कुछ के साथ पकड़ सकते हैं, फिर यह अलग-अलग रंगों में फिर से खिलना शुरू कर देता है, और आपको इसका पालन करने की आवश्यकता है। समस्या यह है कि यह अधिक बार हो रहा है, अर्थात, जिस गति से नए परिणाम दिखाई देते हैं वह केवल बढ़ रहा है। इस पर नज़र रखने का तरीका उन बुनियादी जीवन समस्याओं में से एक है जिनसे मेरा सामना होता है।

दिमित्री: क्या इस तरह की गतिविधियां बड़ी कंपनियों के आसपास अधिक दिखाई देती हैं जो अपनी रूपरेखा बनाती हैं, या वैज्ञानिक समुदाय कुछ फेंकते हैं?

एंड्रयू:हर कोई अलग-अलग डिग्री से जुड़ा है। मुझे यह स्वीकार करना होगा कि विश्वविद्यालयों की तुलना में कंपनियों के पास अधिक परिणाम हैं। यह क्षेत्र पर निर्भर करता है। एक विशिष्ट परिदृश्य तब होता है जब बड़े वैज्ञानिक न केवल विश्वविद्यालयों में, बल्कि कंपनियों में भी काम करते हैं। ज्यादातर वे उन लोगों को नियुक्त करते हैं जो अनुसंधान गतिविधियों का संचालन करना जारी रखते हैं। इसलिए, कंपनी एक बड़ी बौद्धिक क्षमता जमा करती है। विश्वविद्यालय शायद ही कभी समान कंप्यूटिंग शक्ति और डेटा सेट प्रदान कर सकते हैं, इसलिए लेखों (संबद्धता) पर कंपनी का पासा अधिक से अधिक बार पाया जाता है।

दिमित्री: लेखों पर भी, इस तथ्य के बावजूद कि कंपनी के पास अपने अधिकांश विकास और अनुसंधान को जनता से बंद करने की क्षमता है? यह कुछ समझ में आता है। लेकिन विश्वविद्यालय के पास ऐसा कोई अवसर नहीं है, इसकी प्रकृति से यह कुछ प्रकाशित करने के लिए बाध्य है।

एंड्रयू:वास्तव में, पूर्वाग्रह हो सकते हैं। विश्वविद्यालय किसी भी मामले में प्रकाशित करते हैं, क्योंकि यह उनके काम की विशिष्टता है। विश्वविद्यालयों से लेखों का प्रवाह अधिक है, क्योंकि कई विश्वविद्यालय हैं, लोग प्रकाशित होते हैं, और कंपनियां हर जगह इसका स्वागत नहीं करती हैं। लेकिन सफलता के परिणाम - कंपनियों के पास उनमें से अधिक हैं।

इसलिए वे अपनी प्रसिद्धि और दक्षताओं को भुनाने, नए वैज्ञानिकों को आकर्षित करने, यह समझाने के लिए कि उनके साथ अनुसंधान किया जा सकता है, और बहुत अच्छा है। उदाहरण के लिए, उन्होंने एक नया मॉडल बनाया, यह बहुत सैद्धांतिक हो सकता है। लेकिन अधिक बार नहीं, यह पहली बार कंपनी में महान व्यावहारिक महत्व का है। उन्हें खुले स्रोत में रखा जा सकता है, लेकिन, उदाहरण के लिए, Google की तरह, यह पहले से ही कुछ पिछले संस्करण होंगे, जिन्हें वे खुद को पुराना मानते हैं।

खुला विकास, प्रकाशन की तैयारी और उनके लिए आवश्यकताएं

टिम्बा ( ऑडियो संस्करण ) - 23:48

दिमित्री: आपके व्यवसाय में खुला स्रोत विकास कितना महत्वपूर्ण है? वे उसे कैसे प्रभावित करते हैं? क्लस्टरिंग ऑटोमेशन के साथ उदाहरण में, आपने कहा था कि आप ओपन सोर्स डेवलपमेंट लेते हैं और इसे कुछ मूलभूत आधारों पर लागू करते हैं, जिनका आप अध्ययन कर सकते हैं, अच्छी तरह से काम कर सकते हैं, यानी दूसरे रास्ते पर जा सकते हैं और संकीर्ण क्षेत्र में तेजी से बदलावों से नहीं जुड़ पाते हैं।

एंड्रयू:पोस्ट किया गया कोड बहुत महत्वपूर्ण है। लगभग हमेशा मानक सवाल उठता है - क्या काम किया जाता है। फिर भी - परिणामों के साथ तुलना का प्रश्न। जब कोई व्यक्ति कुछ बनाता है, तो उसे यह साबित करने की जरूरत है कि यह पहले की तुलना में बेहतर है। दुर्भाग्य से, अक्सर एक स्थिति उत्पन्न होती है जब लोग लेख में प्रकाशित आंकड़ों के अनुसार, उनकी तुलना में उनके साथ आए लोगों के साथ तुलना करते हैं। यह बहुत सही नहीं है। इस बात की कोई गारंटी नहीं है कि एक व्यक्ति उस तरीके से एक प्रयोग को फिर से शुरू कर रहा है जैसा कि दूसरों ने किया। इसलिए, विभिन्न निर्णय लेना और उन्हें स्वयं चलाना महत्वपूर्ण है, जांचें कि वे कैसे काम करते हैं, और यह सुनिश्चित करें कि आपने एक समान प्रयोगात्मक सेटअप में बेहतर किया।

यदि आपके पास कोड है तो आप केवल सही तरीके से तुलना कर सकते हैं।

^{फोटो हेडवे (Unsplash.com)}

दूसरे, अगर कोई व्यक्ति प्रतियोगिता के दृष्टिकोण से कुछ भी नया नहीं विकसित करता है, लेकिन विधि को लागू करना चाहता है, तो इसे GitHub पर रखना अच्छा होगा, और इसका उपयोग किया जा सकता है। लेकिन जब कुछ रखा जाता है, तब भी प्रलेखन हमेशा उपलब्ध नहीं होता है। अच्छे प्रलेखन के साथ दुर्लभ कार्य प्रकाशित करें। ऐसा होता है कि वे कोड को बिल्कुल भी अपलोड नहीं करते हैं, और आपको लेख में वर्णित सभी चीजों को लागू करना होगा। यह परेशानी है। यह स्थिति मशीन सीखने के परिणाम के प्रतिलिपि प्रस्तुत करने योग्यता के साथ कठिनाइयों का निर्माण करती है। और यह हमारे क्षेत्र में लगभग मुख्य समस्या है।

रीट्रेनिंग परिणामों को प्रकाशित करना आसान है, लेकिन कोड नहीं होने पर जांचना कठिन है। हमने मौजूदा समाधानों के साथ अपने स्वयं के ऑटोएमएल की तुलना की। सौभाग्य से, प्रकाशित पुस्तकालय हैं जो सक्रिय रूप से उपयोग किए जाते हैं। अधिक नए समाधान हैं, लेकिन उनका कोड निर्धारित नहीं किया गया है। यह स्पष्ट था कि वे बदतर थे - जो उन्होंने निर्धारित किया था वह हमारे निर्णय का एक विशेष मामला था।

दिमित्री: क्या कुछ दृष्टिकोणों की परिकल्पना करना संभव है जो इस समस्या को खत्म कर देंगे, कम से कम आपके काम के ढांचे के भीतर और परिणाम पुन: प्रस्तुत करने की संभावना की गारंटी देंगे?

एंड्रयू:आप रिपॉजिटरी खोलने के लिए लिंक कर सकते हैं और प्रलेखन प्रदान कर सकते हैं। मैं इसे सभी लेखों में बनाने की कोशिश करता हूं। दुर्भाग्य से ऐसा हमेशा नहीं होता है। यह लगभग सभी के साथ होता है: एक व्यक्ति ने एक कोड लिखा था, यह काम करता है, लेकिन लोग इसे दूसरों के साथ साझा करने के लिए शर्मिंदा हैं, क्योंकि वे इसके कुछ तत्वों से शर्मिंदा हैं। लेकिन मैं इस विचार को फैलाने की कोशिश करता हूं कि एक लेख लिखते समय, आपको इसे गीथहब के लिंक के साथ पूरक करने की आवश्यकता है। कोड के साथ भंडार पहले से तैयार होना चाहिए।

दिमित्री: यहाँ आपको इसके प्रलेखन पर समय बिताने की आवश्यकता है।

एंड्रयू: कम से कम न्यूनतम। यह आवश्यक है ताकि लेख में जो लिखा गया है वह समझने में मदद करे कि क्या हो रहा है, भले ही कोड बिल्कुल भी दस्तावेज न हो। हालांकि यह मुश्किल है। परियोजना जितनी बड़ी होगी, लेख उतना ही कम मदद करेगा।

प्रयोगशाला विशेषज्ञों का काम और आउटपुट की आवृत्ति

टाइमबॉस ( ऑडियो संस्करण ) - 28:37

दिमित्री: यदि आप एक वैज्ञानिक लेख और एक व्यावहारिक परियोजना की तैयारी के समय का मूल्यांकन करते हैं, तो आपकी गतिविधि के क्षेत्र में किसी व्यक्ति को किस समय सीमा में कुछ महसूस हो सकता है? परंपरागत रूप से, हर छह महीने या एक साल में वह एक लेख प्रकाशित करता है, और कुछ बड़े प्रोजेक्ट कहता है, दो साल।

आंद्रेई: इस तथ्य के साथ एक महत्वपूर्ण समस्या है कि यह दृढ़ता से परिकल्पना पर ही निर्भर करता है। इस प्रश्न का उत्तर देना वास्तव में कठिन है। मैं परियोजना को पेंट कर सकता हूं ताकि इसे दो महीने और दो साल में पूरा किया जा सके। इस मामले में, समान परिणाम प्राप्त किए जाएंगे।

इसका मतलब यह नहीं है कि आप इन दो महीनों को ले सकते हैं और हर दिन बारह बार कम कर सकते हैं। यहाँ नौ माताओं के साथ के रूप में। हम कंप्यूटिंग शक्ति से बंधे हैं, लेकिन कई चीजों को समानांतर किया जा सकता है। प्रोजेक्ट क्या है, इसके आधार पर कई चीजें पूरी की जा सकती हैं।

इसी तरह लेखों की तैयारी के साथ। ऐसी चीजें हैं जहां एक मॉडल एक घंटे सीखता है, ऐसी चीजें हैं जहां एक मॉडल एक दिन सीखता है। ऑटोएमएल में, प्रयोग एक सप्ताह से हो सकते हैं। ऐसा होता है कि प्रयोगों को उचित कार्यों पर नहीं रखा जाता है, क्योंकि उन्हें गिना नहीं जाता है। इसलिए, कई कार्य हैं जहां कुछ CIFAR पर सब कुछ माना जाता है। कम से कम कुछ उचित डेटा सेट, अधिक अभ्यास की तरह, कोई भी छूने की कोशिश नहीं कर रहा है, क्योंकि लेख दो वर्षों में जारी किया जाएगा, मॉडल होगा, लेकिन पहले से ही पुराना है।

दूसरा मानदंड जो मामलों की स्थिति को प्रभावित करता है, वह वह है जो आप पहले से ही विषय क्षेत्र के बारे में जानते हैं। यदि आपके पास इस बात की समझ है कि कौन से मॉडल मौजूद हैं, एक प्रयोग स्थापित किया गया है, आप एक विशिष्ट परिकल्पना का परीक्षण करते हैं, तो सब कुछ ठीक है। लेकिन आमतौर पर कार्य प्रक्रिया में बदल सकता है। बहुत जयादा नहीं। ^{एचडी में}

^{फोटो साइंस (Unsplash.com)}

लेकिन अब यह कुछ दिशा में थोड़ा बदल गया है, और आपके द्वारा प्रस्तावित की गई नवीनता को साबित करना आवश्यक है। तुलना करने के लिए पहले क्या किया गया है, यह देखना आवश्यक है।

यह पता चला कि आपका निर्णय नया है, लेकिन सबसे अच्छा नहीं है। आप इसे सुधारने की कोशिश कर रहे हैं, परिणाम बदल रहा है। यह साबित करना आवश्यक है कि परिणाम नया है। और यह भी, एक आदमी ने कहीं न कहीं सुदृढीकरण का प्रशिक्षण दिया, और अब हमें इस दिशा में देखना चाहिए।

इस प्रक्रिया को बहुत बढ़ाया जा सकता है। दीर्घकालिक लेख हैं, उन्हें लंबे समय तक लिखा जाता है, क्योंकि चीजें थोड़ी बदल जाती हैं। एक अन्य बिंदु वह प्लेटफ़ॉर्म है जहां लेख के प्रकाशन की योजना है। अच्छे स्थानों में उन्हें इस बात के लिए औचित्य की आवश्यकता होती है कि आपका परिणाम अच्छा क्यों है। ऐसा होता है कि यह स्पष्टीकरण सबसे अधिक समय लेने वाला है। यही है, मॉडल काम करता है, और यह समझना कि यह क्यों काम करता है एक अलग काम है, इस मॉडल के साथ आने से भी अधिक जटिल।

अंत में, लेख का लेखन। दुर्भाग्य से, विज्ञान में योगदान करने के लिए प्रकाशित करने के लिए सभी योग्य स्थान अंग्रेजी बोलने वाले हैं। यह अपनी सीमाएं लगाता है। अंग्रेजी भाषा के लेख लिखना इतना आसान नहीं है। यदि एक लैब कर्मचारी अपना पहला लेख लिखता है, तो वह इसे बहुत लंबे समय तक करेगा। अगर यह उनका बीसवां लेख है, तो जल्दी से। इसके अलावा, अगर मैं सक्रिय रूप से किसी व्यक्ति को लात नहीं मारता, तो वह कुछ महीने लिखेगा, अगर मैं करूंगा, वैसे भी कुछ सप्ताह। बेशक, यह सब इस बात पर निर्भर करता है कि वह जिस विषय पर विचार कर रहा है वह कितना जटिल है।

विकास और पूर्वापेक्षाओं के लिए क्षेत्र का विकल्प

टाइमबॉस ( ऑडियो संस्करण ) - 33:04

दिमित्री: दिशा की प्रारंभिक पसंद विकास को कैसे प्रभावित करती है? उदाहरण के लिए, एक व्यक्ति सिर्फ एक गंभीर स्तर पर यह सब करना शुरू कर रहा है और, उदाहरण के लिए, अपने लिए बहुत व्यापक क्षेत्र लेता है। और यहाँ बैसाखी समय-समय पर होने वाले परिवर्तनों और संबंधित उद्योगों से प्राप्त होने वाले परिणामों के साथ शुरू होती है, और एक व्यक्ति इसमें एक दलदल की तरह फंस जाता है। शुरुआती चरणों पर ध्यान कैसे दें?

एंड्रयू: ऐसी कहानियां उत्पन्न होती हैं यदि कोई व्यक्ति विभिन्न तकनीकों की कल्पना करता है जिसका वह उपयोग कर सकता है। यदि वह अभी शुरू कर रहा है, तो सबसे अधिक संभावना है कि ऐसी कोई समस्या नहीं होगी।

दिमित्री: क्योंकि मूल आधार, जिसके बारे में हमने बात की थी, मौजूदा परिणामों के साथ खींचता है, और एक व्यक्ति कुछ नया नहीं लाता है?

एंड्रयू:हां, आप ऐसा कह सकते हैं। अच्छी तरह से पढ़ा जाना यहाँ महत्वपूर्ण है। आप जितने अधिक लेख पढ़ेंगे, उन्हें लिखना उतना ही आसान होगा। लेखों की भाषा एक अलग भाषा है। यह वैज्ञानिक अंग्रेजी है। इसके अलावा, मशीन लर्निंग में वैज्ञानिक अंग्रेजी जीव विज्ञान में वैज्ञानिक अंग्रेजी से अलग है। यदि कोई व्यक्ति बहुत सारे लेख पढ़ता है, तो उसके लिए विचारों को तैयार करना और लेख की संरचना करना आसान हो जाता है।

दिमित्री: हमें उन विशेषताओं के बारे में बताएं जो आप नए लोगों में देखने की उम्मीद करते हैं - वे जो सिर्फ आपके साथ जुड़ने की तैयारी कर रहे हैं।

एंड्रयू:सबसे पहले, यह प्रोग्राम करने की क्षमता है। क्षेत्र को लागू किया जाता है, इसके बिना कहीं भी। यदि हमने पूरी तरह से मौलिक क्षेत्र में अनुसंधान किया, तो हम इसके बारे में नहीं सोच सकते थे - गणितीय प्रशिक्षण पर्याप्त होगा। लेकिन हम सभी यह मानते हैं कि इसे पायथन में लागू किया जाएगा, उदाहरण के लिए। प्रोग्रामिंग कौशल महत्वपूर्ण है। ^{हितेश चौधरी}

^{द्वारा फोटो (Unsplash.com)}

दूसरा मशीन सीखने के क्षेत्र में मुख्य दक्षताओं है। यह महत्वपूर्ण है कि व्यक्ति पूरी तरह से समझता है कि मशीन सीखना क्या है, इसकी व्यवस्था कैसे की जाती है, भले ही वह अपने संकीर्ण कार्य में लगा हो। उदाहरण के लिए, उन्होंने सुदृढीकरण के साथ प्रशिक्षण शुरू किया, लेकिन यहां आपको अभी भी यह समझने की आवश्यकता है कि मशीन लर्निंग को सामान्य रूप से कैसे संरचित किया जाता है, क्या है। यह जानना भी महत्वपूर्ण है कि उन्हें घर पर लागू करने का प्रयास करने के लिए कौन से मॉडल और विचार मौजूद हैं। एक अधिक महत्वपूर्ण कारक प्रेरणा है, गोता लगाने की इच्छा, और आंतरिक रुचि। यदि किसी व्यक्ति के पास एक अच्छा पढ़ा हुआ दिमाग, क्षेत्र की समझ, अपने विचारों की उपस्थिति है, तो वह हमारे क्षेत्र में लेख लिखने और खुद को बेहतर बनाने में सक्षम होगा।

दिमित्री:प्रयोगशाला के प्रबंधन और वार्डों के काम में भाग लेने के अलावा आप क्या करने का प्रबंधन करते हैं? एक तरह से या किसी अन्य, आपको हल करना, समझना, समाधान सुझाना, त्रुटियों को ठीक करना है। क्या आपके पास कोई व्यक्तिगत तृतीय-पक्ष परियोजनाएं हैं? हो सकता है कि आपका दिन किसी तरह खास हो? या सभी प्रयास केवल प्रोफ़ाइल गतिविधियों के लिए जाते हैं, और क्या यह आपका शौक है?

आंद्रेई: मेरा हर दिन दूसरे जैसा नहीं है। उदाहरण के लिए, नवंबर में मैं सेंट पीटर्सबर्ग में नहीं की तुलना में सेंट पीटर्सबर्ग में होने की संभावना कम थी। यह कहना असंभव है कि मेरे पास एक समय या किसी अन्य पर कुछ लगातार नियमित गतिविधि है। मैं यह लिखने की कोशिश कर रहा हूं कि मैं एक महीने में क्या करना चाहता हूं। उदाहरण के लिए, इतने सारे लेखों को पढ़ने के लिए, अपने स्नातक छात्रों से बात करें, जहां मैं हूं, मैं क्या करता हूं और कौन से कारक इसे प्रभावित करते हैं, इस पर निर्भर करते हुए कार्यों को बिखेरते हैं।

बचपन से, मैं विज्ञान करना चाहता था, मैं इसे हर समय समर्पित करना पसंद करता हूं। सच है, प्रयोगशाला का प्रबंधन काफी विज्ञान नहीं है। संगठनात्मक गतिविधि और वैज्ञानिक गतिविधि दो अलग-अलग चीजें हैं। आमतौर पर, वैज्ञानिक संगठन और नौकरशाही में विशेष रुचि नहीं रखते हैं। यदि कोई व्यक्ति अच्छी तरह से प्रबंधन करने का प्रबंधन करता है, तो उसके पास कार्य में गहन विसर्जन के लिए समय नहीं है। दुर्भाग्य से, मैं इसे प्रभावी ढंग से जोड़ नहीं सकता: या तो मैं नेतृत्व में तल्लीन करना शुरू कर दूं और संदर्भ से बाहर हो जाऊं, या मैं अनुसंधान शुरू कर दूं, और संगठनात्मक प्रक्रिया बंद हो रही है। इसलिए अब मैं इस दृष्टिकोण पर पुनर्विचार करने की कोशिश कर रहा हूं। हमारी प्रयोगशाला में एक प्रबंधक है, इवान स्मेटनिकोव, हमारे पास प्रशासनिक कर्मचारी हैं, लेकिन अभी भी पर्याप्त कर्मचारी नहीं हैं।

नेतृत्व एक जटिल और तनावपूर्ण प्रक्रिया है, इसमें बहुत समय लगता है। वैज्ञानिक गतिविधियों में संलग्न होने और एक से अधिक विशिष्ट समस्याओं को हल करने के लिए यह एक आवश्यक बुराई है। मैं एक वरिष्ठ शोधकर्ता हो सकता हूं और एक या कई कार्यों से निपट सकता हूं, लेकिन इस तरह आप बड़ी संख्या में विषयों से निपट सकते हैं, और यह हमेशा अधिक दिलचस्प होता है - गोता लगाना, उतारना, समाधान के साथ आना। मेरे लिए इसे लागू करने और सत्यापित करने की तुलना में समाधान के साथ आना अधिक दिलचस्प है। अन्य लोग ऐसा करते हैं, लेकिन यह दिनचर्या का एक प्रतिनिधिमंडल नहीं है।

एक अध्ययन में, आप लगभग कभी नहीं कह सकते हैं: "यह करो!" इसके बजाय, वे कहते हैं: "ऐसा करने की कोशिश करो और इस बारे में सोचो।" आप किसी व्यक्ति को एक दिशा निर्धारित कर सकते हैं, सुराग दे सकते हैं, उसके पास कोई नियमित काम नहीं है। यदि आप कहते हैं: "इस समस्या को हल करने का प्रयास करें", तो कोई सफल होगा, लेकिन कोई नहीं करेगा। यह हमेशा स्पष्ट नहीं होता है कि कहां शुरू करना है और कहां देखना है। कहीं मैं सिर्फ प्रत्यक्ष करता हूं, कहीं मैं एक कार्य निर्धारित करता हूं, कहीं मैं एक समाधान निकालता हूं।

दिमित्री: और क्या आप उन लोगों का चयन करते हैं जो विभिन्न क्षेत्रों में शामिल होंगे?

आंद्रेई: हम हर किसी के साथ चर्चा करते हैं कि वह क्या करना चाहता है और उसके बारे में क्या शोध होगा।

दिमित्री: इस तरह के एक व्यक्तिगत दृष्टिकोण?

एंड्रयू:बेशक। मशीन लर्निंग में कई अध्ययन काफी व्यक्तिगत चीजें हैं। यह स्पष्ट है कि लोग समूहों में सहयोग करते हैं और एक साथ कुछ करते हैं, लेकिन किसी व्यक्ति को कुछ करने के लिए मजबूर करना एक अप्रभावी दृष्टिकोण है। ऐसा होता है कि उसकी कोई प्राथमिकता नहीं है, और उसे कुछ करने के लिए आमंत्रित किया जा सकता है। वह शामिल हो सकता है। लेकिन अगर कोई व्यक्ति अंदर नहीं जाता है, तो उसके पास कोई आंतरिक प्रेरणा नहीं है, वह नहीं पढ़ेगा, वह विकसित नहीं होगा। वह एक अच्छा कलाकार होगा, लेकिन यह अच्छा शोध करने के लिए पर्याप्त नहीं है। व्यक्तिगत रुचि चाहिए। इसलिए, किसी व्यक्ति के लिए एक अध्ययन का चयन करना आवश्यक है।

दिमित्री: आप उन स्रोतों या साहित्य के लिए क्या सलाह देते हैं जो प्रोग्रामिंग से हटकर मशीन लर्निंग के विषय में जाना चाहते हैं?

एंड्रयू: मुख्य सिफारिश - पाठ्यक्रमएंड्रयू एउन (एंड्रयू एनजी) द्वारा कौरसेरा पर। हायर स्कूल ऑफ इकोनॉमिक्स में गहरे पाठ्यक्रम हैं । यह महत्वपूर्ण है कि अभ्यास हो। मशीन सीखने के बारे में है कि एल्गोरिदम वास्तव में डेटा के साथ कैसे काम करते हैं। यह गणित से दूर है, क्योंकि डेटा को प्रभावित करता है कि आपको इसके साथ क्या करना है। आप इसे महसूस कर सकते हैं जब सीखने, कोड में कई नुकसान और बारीकियां हैं। मैं पुस्तकों की सिफारिश कर सकता हूं: सर्गेई निकोलेंको द्वारा " डीप लर्निंग ", अधिक क्लासिक हस्ती, टिबशिरानी, फ्रीडमैन या पूरी तरह से क्लासिक बिशप । बेशक, यह थोड़ा पुराना है, लेकिन आप एक अच्छा विचार बना सकते हैं।

पॉडकास्ट कुक और लीड dmitrykabanov।

अतिरिक्त पढ़ने:

आईटीएमओ विश्वविद्यालय के स्टार्टअप्स (हमारी अंग्रेजी-भाषा की सामग्री हैबे):

पॉडकास्ट: रक्षा के क्षेत्र में शुरुआती वैज्ञानिकों का क्या इंतजार है

विभिन्न समाधानों का स्थानांतरण और मास्को के क्षेत्र का विकास

नए परिणामों का अध्ययन, उनकी समझ और अनुकूलन

खुला विकास, प्रकाशन की तैयारी और उनके लिए आवश्यकताएं

प्रयोगशाला विशेषज्ञों का काम और आउटपुट की आवृत्ति

विकास और पूर्वापेक्षाओं के लिए क्षेत्र का विकल्प

More articles: