Когда в неминуемой утренней пробке разговариваешь с собственным телефоном, пытаясь узнать погоду на завтра или адрес ближайшего банкомата, сложно поверить в то, что когда-то гордился функцией полифонии все в том же собственном телефоне. Искусственный интеллект незаметно стал чем-то самим собой разумеющимся, и если камера на парковке ТЦ не читает номер автомобиля, мы наверняка злимся, но уж никак не умиляемся самому факту того, что маленький черный кругляш отказывается поднимать для нас шлагбаум...
В потоке общего хайпа Godel Technologies тоже устроили себе экспресс-погружение в футуристический мир умных компьютеров, пригласив в один из своих минских офисов Microsoft Cloud & Data Solutions Architect Робина Лестера для проведения внутреннего тренинга по машинному обучению. Обучались в закрытом формате, тем не менее, компания всегда готова поделиться впечатлениями, которых за два дня теории и практики накопилось достаточно.
Виктор Некрасов, VP Engineering .NET
Все началось с беседы о том, как Microsoft могут помогать Godel Technologies в обучении и повышении квалификации. Сейчас, когда у нас есть несколько сертификатов Gold Microsoft Partner, особенно важно не стоять на месте, постоянно развиваться и прокачиваться. Решили далеко не ходить и сразу задать планку – организовать тренинг по Artificial Intelligence и Machine Learning. Мероприятие заинтересовало такое количество сотрудников, что изначальная задумка провести его только лишь внутри .NET подразделения оказалась нерациональной – участвовали ребята из всех подразделений.
В первый день Робин делился теорией: основы машинного обучения, что это такое и зачем оно нужно сегодня человечеству. Теория в IT приветствуется не с таким энтузиазмом, как практические занятия, но без нее никуда. Да и некоторые интересные факты освежили в памяти, например, про знаковый матч 1997 года между компьютером Deep Blue и чемпионом мира по шахматам Гарри Каспаровым, когда человек впервые в истории уступил машине. Аудитория заметно оживилась, когда перешли к описанию алгоритмов ML, преимуществ и недостатков. По вовлеченным выражениям лиц было видно, что ребятам действительно интересно, хоть некоторым и довольно сложно из-за английского языка и отсутствия глубоких математических знаний.
Фидбэк по второму дню отличный, все в восторге. Не без основания: ребята выполняли практические задания, сами в реальности обучали модель, пробовали как-то играться с данными, стараясь при этом не перекормить модель. Да-да, есть в ML такое понятие overfeed, когда из-за большого количества «скормленной» информации модель хорошо работает с тестовыми данными, но с реальными ошибается. Все активно общались с Робином, задавали вопросы, сидели кружком даже что-то обсуждали. Вот так, на мой взгляд, и должны выглядеть живые тренинги.
Занимаясь организацией, я прежде всего хотел, чтобы люди посмотрели, как это все работает, чтобы для будущих проектов по Machine Learning были подготовлены все члены команды, будь то разработчики, тестировщики или бизнес-аналитики, чтобы ребята хотя бы знали лексику, не пугались и могли обсуждать конкретные задачи с заказчиком. И соответственно свои сферы ответственности подстраивали и корректировали в рамках подобных ML проектов.
Мы понимаем, что за один день презентации невозможно рассказать обо всех алгоритмах, хоть она и была в 359 (!) слайдов. Но начало положено и уже принесло результат – желание учиться дальше. Поэтому на этом сотрудничество с Microsoft не заканчивается, в этом мы уверены.
Алена Борикова, Junior .NET Software Engineer
Первый день тренинга был посвящен долгим лекциям, но мне еще было интересно посмотреть на самих разработчиков Microsoft. Робин оказался очень дружелюбным, хоть и немного стеснительным, видно, что человек искренне поглощен любимой работой. Сидеть и слушать иногда было нелегко, хотелось поскорее уже самой что-нибудь попробовать.
Когда мы выполняли лабораторные работы, помогло то, что к каждому заданию прилагалась поэтапная инструкция. Все довольно просто: прочитал – сделал, если что-то не получилось – спросил у соседа. Спасибо талантливой команде разработчиков Microsoft – каждый инструмент / библиотека / API были очень понятны и удобны в использовании. В целом было интересно посмотреть, что есть у Microsoft для нейронной сети. Единственное, чего не хватило, это самим попрактиковаться написать нейронную сеть или алгоритм машинного обучения.
Юрий Зевакин, Lead .NET Software Engineer
Свое участие в тренинге Microsoft я нахожу очень поучительным. Модная тема Machine Learning привлекает сегодня многих, словно научная фантастика, она будоражит ум и воображение. И вроде бы многое становится понятным после просмотра обучающих видео на YouTube, но при первой попытке реализовать свою, даже очень простую, идею сталкиваешься с массой мелких вопросов, ответы на которые получить достаточно сложно, и энтузиазм быстро угасает. (Делюсь выводами из личного опыта.)
Интернет сообщество в конкретных вопросах машинного обучения еще только развивается, и порог входа в реальный проект продолжает оставаться высоким. Кроме знания языков программирования необходим серьезный математический бэкграунд. Глобально, пока не хватает знаний в оценке трудоемкости ML проектов, сложно понимать, сколько времени займет обучение нейронной сети до получения полезного результата. Отсюда возникают риски, которые «отговаривают» многих от коммерческой реализации своих идей. Чтобы во всем этом разбираться, нужны знания и опыт.
Что же показали нам Microsoft? В ходе семинара мы совершили «краткий пробег» по теории машинного обучения, рассмотрели классификацию алгоритмов и цели их применения. Нейронные сети, как ни странно, являются лишь одним из типов алгоритмов ML. История показывает, что идея машинного обучения достаточно стара и пережила много взлетов и падений. Сейчас происходит очередная научно-техническая революция, когда возросшие технические возможности помогают взглянуть на старые задачи под другим углом, и ML дает ошеломляющие результаты. Думаю, что этим и обусловлено желание компании Microsoft познакомить с этой темой как можно больше людей и предоставить им богатый набор инструментов для экспериментов и творчества.
Я много читал по теме Machine Learning, и уже вижу большую пропасть между теорией и практикой. На семинаре мы смогли сделать этот важный шаг на примерах простых задач предсказания, классификации данных, распознавания образов и т.д. Как все это работает, помог понять классный инструментарий Azure Learning Studio, который позволяет экспериментировать с ML задачами без утомительного написания базового кода.
Эпоха больших данных ставит непростые задачи по их анализу, и каждый программист так или иначе столкнется с этой темой в ближайшем будущем.
Все это здоровенный пласт знаний, который нельзя получить за два дня, но начало положено. Я сам не все до конца понял, но свет в конце тоннеля зажегся сильнее. Забурлили с новой силой идеи. Появилось желание наступить на пару новых «граблей». Спасибо, Microsoft.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.