Недавно в белорусско-британской IT компании Godel Technologies стартовал необычайно крутой и ответственный стрим работы – одна из команд принялась за разработку платформы для участника Formula 1 на основе принципов Machine Learning, и мы не раздумывая решили поделиться этой новостью. PM проекта Сергей Ярошко не рассказал нам всех подробностей по соображениям корпоративной тайны и инстинкта самосохранения, но с радостью поделился своими впечатлениями и рассуждениями.
Быть первыми всегда ответственно. Это влияет на ход работы?
Это уж точно. Насколько я понимаю, это действительно один из первых проектов подобного уровня. Видимо, развитие компании логически дошло до такой точки, когда настало время инвестировать силы и время в ML. Стрим начался недавно, однако рассчитан на долгосрочное сотрудничество. Мы в течение года будем заниматься различными задачами, тем самым нарабатывая опыт в AI и ML, а заказчик будет получать свой результат. Пока на проекте не хватает специалистов, ведь в идеальном варианте для подобной работы необходимы ученые-программисты, а найти таких нелегко. В Godel много хороших разработчиков со знаниями в области математики или физики, но практический опыт приходится нарабатывать почти с нуля.
Machine Learning – это тяжело?
Поставленная перед нами задача простому человеку, может быть, и покажется космической, но в целом она довольно ясна. ML на то и «лернинг», что ты учишь компьютер что-то делать, чтобы он потом сам, обучившись, еще дальше обучался. Например, различать и определять квадратик, треугольник, кружок и так далее. Ребенка мы ведь тоже постепенно учим: вот это треугольник, это квадратик, потом уже вот это котик, это собачка... Так и с компьютером – создается алгоритм обучения, который позволяет ему самому, впервые увидев iPhone, а не Nokia, понять, что это iPhone, и уже дальше определять его в близкой к 100% вероятности. Искусственный интеллект может стать интеллектом только после того, как его чему-нибудь обучат. ML как раз и заключает в себе эту функцию.
Не чувствуешь себя героем из «Терминатора»?
Неееееееееее. Задачи действительно очень приземленные, просто сейчас их выполняют люди. Человеческий ресурс имеет предел, в то время как компьютерный ресурс безграничен. Хоть целое здание компьютеров поставь, если финансы позволяют. Оперативность тоже колоссально отличается. Камеры фотофиксации при нарушении скоростного режима фотографируют автомобиль, определяют скорость движения, государственный номер, забивают все это в систему и мгновенно отправляют тебе «письмо счастья». У человека это заняло бы гораздо больше времени. Это не совсем тот ML, о котором мы сейчас говорим, но базовые принципы сохранены.
Более того, непосредственно я как PM общаюсь лишь с точки зрения бизнеса. Гипотетически я понимаю, что нам нужно для решения задачи, но естественно, когда речь заходит о процессе обучения или выборе математической модели, это уже надо быть ученым. Коля Кузьмицкий, который присоединился к нашей команде в Бресте, и есть тот самый ученый. Будет вместе с нами «бить коленки» на реальном проекте.
То есть в современном IT понимании это относительно новая область?
Этой темой сейчас многие интересуются, тем не менее я знаю мало IT компаний, у которых есть реальные проекты по Machine Learning. Мы претендуем на то, чтобы твердо быть одной из них. То, над чем мы работаем, называется Computer Vision. Пока мы на стадии разработки use case, где детально излагаем, как мы понимаем задачу, что будем использовать, на каком языке программирования будем писать, какие нужны компьютерные мощности.
Почему ML так важен в современной жизни?
Ох, очень абстрактный вопрос. Сейчас столько сфер применения ему, что сложно представить, как человечество раньше без этого обходилось. Возьмем десятый iPhone: распознавание лица – это и есть по сути дела ML. Компьютер обучили – здесь глаза, здесь нос... причем и в очках, и без очков он тебя распознает. Или второй самый простой пример – нашумевшее приложение MSQRD, делающее то, что сейчас так любят все девчонки, – ушки, носики, реснички.. Это ведь все абсолютное баловство, но почему это баловство потом покупает Google? Ответ прост: потому что есть математическая модель, создан алгоритм обучения, и вместо глаз можно применить какой-нибудь бизнес. Например, определять корову без рога. Ведь компании могут сэкономить миллионы долларов на тех же принципах, что и носики с ушками. Даже с нашей текущей задачей мы в будущем сможем решать другие задачи, используя ту же математическую модель. Но начнем мы с самого простого – с треугольничка.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.