Чему учат на факультете искусственного интеллекта в GU

Что за специальность и где работать

— Где востребованы возможности искусственного интеллекта и в каких сферах смогут работать выпускники факультета?

— Направление Data Science появилось как ответ на распространение интернета и всеобщую информатизацию. У бизнеса и других структур копятся массивы данных, с которыми нужно что-то делать. Крупные банки, провайдеры интернета и телефонии, поисковые сервисы, социальные сети аккумулируют сведения о пользователях и хотят извлекать из этого выгоду.

Пользователи, в свою очередь, хотят быстро отсеивать нужную информацию и получать только интересные предложения. Товары и услуги нужны всем, но реклама раздражает, потому что зачастую навязывает что-то неактуальное.

И тут на сцену выходит искусственный интеллект: он может анализировать клиентскую базу любого размера и составлять персонализированные предложения. Он может строить прогнозы на основе прошлых действий пользователя. Например, банки могут автоматически рассчитать вероятность того, что человек вернет кредит. И хотя у них заложены некоторые риски, прогнозирование важно, чтобы не разориться в кризис.

Партнер нашего факультета ИИ — «МегаФон». Это компания, которая всерьез работает с большими данными, чтобы лучше обслуживать своих клиентов. Занятиям со специалистами «МегаФона» у нас будет посвящена целая учебная четверть.

Кроме того, когда мы говорим об искусственном интеллекте, подразумеваем сразу несколько родственных направлений: data science, машинное обучение, data engineering. Базовые понятия и инструменты у них одни и те же. Поэтому наш выпускник сможет себя попробовать там, где ему интереснее.

— А бизнес не боится доверять свои процессы ИИ? Ведь цена ошибки может быть высока.

— Поздно бояться — бизнес уже вовсю пользуется искусственным интеллектом и во многих ситуациях не может без него обойтись. Понятно, что система ошибается. Но и люди ошибаются: издалека можно пень за человека принять. И все же автоматизация позволяет избежать множества проблем, связанных с человеческим фактором: устал, отвлекся, не успел. Плюс анализ big data без ИИ невозможен в принципе.

Или даже возьмем задачу попроще. Вот надо вам расшифровать аудиозаписи — перевести их в текст. А записей таких десятки. Нанимать наборщиков — дорого и неэффективно. Система распознавания речи сильно упростит задачу. Да, она будет ошибаться, особенно в пунктуации и незнакомых ей словах, но все равно исправить записанное программой проще и быстрее, чем набрать все с нуля. Кто защищал диссертацию и вынужден был часами просиживать за расшифровкой стенограмм, меня поймет — процесс довольно мучительный.

— А помимо крупных компаний куда-то реально трудоустроиться?

— Сфера применения искусственного интеллекта не ограничивается обработкой больших данных. Одно из преимуществ ИИ в том, что он позволяет решать сложные задачи усилиями небольшого штата сотрудников.

Стартапам и среднему бизнесу специалисты по искусственному интеллекту нужны, чтобы разрабатывать умные сервисы: голосовые помощники, системы поиска по картинкам и музыке, программы перевода речи в текст, приложения с функцией распознавания лиц, службы проверки контента на плагиат и так далее.

Все мы знаем софт, который накладывает маски и эффекты на изображение с веб-камеры: пририсовывает рожки к голове, бороду к подбородку или маску слона на все лицо. Такого плана вещи можно писать в одиночку.

Медицинские решения на основе ИИ способны выявлять тревожные симптомы и предупреждать о необходимости обратиться к специалисту. Можно сфотографировать на смартфон родинку и проверить ее на признаки злокачественного новообразования. Если это мотивирует кого-то вовремя пройти обследование — уже хорошо.

Суть в том, что вариантов применения технологий, которым мы учим, практически неограниченное количество. И в обозримом будущем круг задач, которые можно решать с помощью ИИ и машинного обучения, будет только расти. Поэтому наш выпускник, если у него появятся новаторские идеи, сможет запускать и собственные проекты.

Цели и ценности

— Кто преподает на факультете и по какому принципу вы этих людей искали?

— Мы отбирали преподавателей, которые добились успеха как специалисты в сфере data science и при этом умеют преподнести материал в практическом ключе. Они понимают нашу аудиторию: студенты хотят освоить профессию и скорее начать работать. У большинства людей, которые приходят учиться в GU, нет вузовского образования и опыта — знания нужно закладывать с нуля. Поэтому нас не устраивает подход «оттарабанил лекцию и пошел дальше». Мы на реальных примерах показываем, как получить результат, и объясняем, почему именно так. Мы выбираем задачи, с которыми человек столкнется на собеседованиях и на работе, помогаем вписаться в существующий рынок.

Автор курсов и декан факультета — Сергей Ширкин — специалист-практик, который накопил обширные знания сразу по нескольким направлениям. Он работал с базами данных (это data engineering), применял ИИ в банковской сфере, в области распознавания изображений. Когда Сергей познакомился с нашей концепцией, он ее одобрил и помог нам наладить учебный процесс.

О кривой обучения и не страшной математике

— «Искусственный интеллект», «нейронные сети» — это звучит сложно и таинственно. Насколько высок порог вхождения в профессию?

— Речь не идет о чем-то тяжелом и доступном лишь избранным. Можно провести аналогию с профессией веб-разработчика: спрос на специалистов велик, а порог вхождения не слишком высок. Отсюда растущая популярность data science, но отсюда же и нехватка настоящих профи при обилии начинающих.

Как и на других факультетах, мы ведем студента от элементарных задач к серьезным проектам, которые можно показать работодателю. Продвинутых программистских навыков не требуется, но важно изучить Python, алгоритмы и структуры. То же самое касается математики: если раньше вы учили ее только в школе и что-то уже забыли, это нормально. Все необходимое из школьного курса мы в любом случае повторим на занятиях.

Главное — не рассчитывать, что «оплатил абонемент на фитнес — мышцы сами растут». Сразу говорю, этого не будет. Вы получаете знания и инструменты, а дальше трудитесь над учебными проектами, ищете решения, задаете вопросы, читаете книги. Мы вас направляем, помогаем не заблудиться в трудностях, объясняем, чего будет ждать от вас работодатель.

Кстати, нашим студентам не стоит бояться конкуренции с выпускниками вузов. Потому что с вузовской теоретической базой специалистом по data science не станешь — придется долго набирать практику. А вот после учебы у нас можно сразу начать карьеру в крупной компании или присоединиться к перспективному стартапу.

— От математики никуда не деться?

— На самом деле, научить обработке данных можно и без математики: по принципу «нажми на кнопку — получишь результат». Но мы ведь не обезьянок в цирк готовим. Специалист должен знать, как работают инструменты, которыми он пользуется. Иначе любая незнакомая проблема поставит его в тупик. Когда человек понимает математическую составляющую задачи, он сам определяет, какой инструмент лучше подойдет.

У нас математика исключительно прикладная: мы все закрепляем на примерах и не оставляем места путанице. Человеческий мозг так устроен, что нужное для дела — запоминает, остальное — забывает.

Я сам изучал механику и математику в вузе. У меня не складывались ассоциативные связи между тем, что нам дают, и тем, где это можно применить. Например, я не понимал, что такое нормальное распределение: формулы знал, но понятие оставалось для меня абстракцией. И только позже, на работе, мне одна девушка-HR объяснила, что это значит. Доценты и профессора не смогли этого доступно растолковать, а ей удалось.

Когда вы видите, как теория работает в конкретной ситуации и куда ее можно приложить, все меняется — у вас складывается общая картина. Практических задач в сфере анализа данных и искусственного интеллекта сейчас много как никогда. Поэтому я уверен, что мы сможем заинтересовать студентов, увлечь их профессией.

— Если все не так сложно, почему на факультете ИИ учатся полтора года, а не четыре месяца, например?

— Потому что мы не обзор профессии даем, как бывает на других курсах, а учим с нуля людей, мало знакомых с математикой. Более того, мы считаем, что студентам с хорошим теоретическим заделом все равно надо математику перепроходить в контексте практических задач. Мы предлагаем не тратить личное время на предварительную подготовку, а сразу учиться профессии. Лучше сэкономленное время потом посвятить повышению квалификации и углубиться в те области, которые вам интересны.

— Что именно из математики вы даете на факультете?

— Для начала мы повторим, что такое график и производная. Дальше зададим основы матанализа, линейной алгебры и комбинаторики. С интегралами познакомимся в общих чертах — без глубокого погружения. Будем брать самые простые вещи, которые в сфере ИИ работают и помогают решать актуальные для рынка задачи. При наличии мотивации студент с помощью преподавателя разберется в этих темах, даже если раньше с ними не сталкивался.

Практика

— С какими инструментами студенты научатся работать?

— Большинство связанных с ИИ вакансий требуют знания Python. Поэтому мы изучаем этот язык и его библиотеки, позволяющие работать с векторами, матрицами, нейронными сетями. Это перекрывает 99 % задач, которые могут возникнуть. Специализированных инструментов много: Pandas, NumPy, Tensor Flow, Keras, Theano, Matplotlib, Seaborn, Scikit-Learn. Чтобы использовать все это осознанно и самостоятельно, мы математику и учим.

Мы также будем изучать вспомогательные вещи. Например, Linux и регулярные выражения нужны, чтобы уметь вычленить из текста нужные фрагменты. Основы HTML тоже объясним — не для верстки, конечно, а чтобы студент представлял себе структуру DOM и мог к ней обращаться. Все это пригодится для сбора данных в интернете.

В то же время мы старались не перегружать курс. Например, большинство библиотек, о которых мы сейчас говорили, ради быстродействия написаны на языке С. Но это не значит, что нам надо его учить. Для начала работы по специальности этого не требуется, и мы на этом не останавливаемся. Понятно, что нет предела совершенству, и если выпускник захочет создавать свои инструменты, он может C изучить. Я всегда таких людей приветствую. Но мы даем набор навыков для трудоустройства и дальнейшего саморазвития.

— Какие проекты студенты делают, чтобы набрать опыт и что-то записать в резюме?

— Проекты будут двух типов: наши и партнерские. Первый наш практический курс учит собирать и обрабатывать данные сети Интернет. Здесь студенты опробуют несколько подходов к задаче. Сначала мы будем «парсить» страницы: напишем на Python «паука», который пробежится по нужным адресам и скачает искомую информацию. Этот метод нужен, когда сайт не хочет отдавать данные сам.

Дальше научимся обращаться к сайтам по-хорошему — через программный интерфейс, он же API (Application Interface). То есть отправлять серверу запрос и получать информацию. Также разберемся, какие есть сервисы открытых данных и как ими пользоваться. Студенты выберут подход, с помощью которого соберут данные в интересующей их сфере. Кто-то решит в культурном наследии порядок навести, другой будет медицинскую статистику собирать, третий составит базу по туроператорам и пассажирским перевозкам. Кстати, на будущее можно и систему сбора релевантных вакансий написать.

Следующий проект будет связан с машинным обучением. Построим модель прогнозирования, чтобы компьютер не просто проверял гипотезы, а формировал их на основе имеющихся данных. Здесь мы тоже разберем два подхода: сначала напишем классификатор, затем создадим нейронную сеть, а по итогу студент сам решит, что использовать в отчетном проекте.

Еще будет проект, где понадобится решать задачи с использованием машинного зрения или с распознаванием естественного языка — на выбор.

Также студенты освоят платформу Kaggle и потренируются в спортивном анализе данных. Победы в таких состязаниях на рынке ценятся и приравниваются к профессиональным достижениям. Даже если вы ни дня не работали в data science, но у вас хорошие результаты на Kaggle, вами заинтересуются крупные работодатели.

Проект от «МегаФона» будет посвящен обработке больших данных, которые сам партнер и предоставит.

Мы ведем переговоры с Maps.me о проекте с распознаванием изображений. Студенты напишут приложение, которое будет брать спутниковые карты Open Street Map и оцифровывать: размечать контуры водоемов, зданий, дорог, — а затем все это грузить обратно в систему. Кто «народные карты» рисовал или помогал проекту Wikimapia, представляет, о чем речь. Мы покажем, как этот процесс автоматизировать. Это еще и полезная миссия, потому что с подобными офлайн-картами можно ориентироваться там, где нет интернета.

— Количество и разнообразие проектов действительно впечатляет… Теперь ясно, зачем учиться полтора года!

— Уверен, за лучшими нашими выпускниками работодатели и так в очередь выстроятся. Кадровый голод действительно существует. И зря некоторые думают, что сейчас все побегут в Data Science и рынок насытится. Хотеть стать экспертом — одно, а пройти этот путь — совсем другое. Как гласит притча, «много званых, но мало избранных». Крутых специалистов много не бывает, а бизнес в них очень нуждается. Мы со студентами будем работать, чтоб хотя бы часть этих потребностей закрыть.

— У меня по этой теме вопросов не осталось. Посмотрим, есть ли они у читателей. Сергей, огромное спасибо за рассказ!