— Здравствуйте, Константин. Давайте начнем с классического образования. Где и на кого вы учились после школы? 

После школы я поступил в Сибирский государственный университет телекоммуникаций и информатики (СибГУТИ) на факультет «Экономика и управление по отраслям». На тот момент казалось, что быть экономистом очень хорошо и перспективно. Ну и родители подсказали.

— С чего началась и как развивалась карьера?

Начинал я менеджером по продажам в компании «Телетрейд». Но быстро понял, что продаю услугу по законному отъему денег у доверчивых людей, и ушел из компании. 

Изначально хотелось связать жизнь с финансовыми рынками, числами и красивыми графиками, но в своем городе найти работу мечты не удалось. В итоге устроился менеджером по продажам в компанию «Лабатон», она занималась продажей и сервисным обслуживанием офисной техники. Спустя некоторое время я стал ее директором и учредителем.

— Как она изменилась с тех пор?

Та компания, в которую я устраивался, и текущая — это, как говорится, две большие разницы. Я начал развивать оказание IT-услуг, создание инфраструктурных проектов. Добился высокой степени автоматизации компании, и это сказалось на численности и составе персонала — его стало заметно меньше. Сейчас в компании работает 5 человек.  

— Что за IT-проекты, расскажите, что делаете и для кого?

Один из первых наших проектов был для Новосибирского монтажного техникума. Для них была внедрена инфраструктура на базе MS Windows 2008R2: два доменных контроллера, DHCP. Файрвол — Allied Telesis, фильтрация контента — UserGate Web Filter. 

Cтуденты техникума — это довольно агрессивная среда в плане информационной безопасности, так что мы реализовали групповые политики, сильно ограничивающие действия студентов. Для разных студентов — разные политики.

Сейчас мы запускаем свой сервис облачного видеонаблюдения с сильной видеоаналитикой. Например, распознаванием лиц и объектов, подсчетом посетителей, распознаванием автомобильных номеров.

Даже продажи многофункциональных печатающих устройств с системами управления документами (доступ к МФУ по карте, квотирование печати, подсчет затрат на печать) становятся иногда емкими ИТ-проектами, потому что включают развертывание инфраструктуры на базе MS Windows Server 2016, MDS и программного обеспечения для автоматического распознавания текста и таблиц.

— Вы сильно изменили профиль компании. Наверное, многому приходилось учиться в процессе?

Да, постоянно приходилось что-то осваивать. Например, я прошел группу курсов Microsoft на получение сертификата MSCA — Microsoft Certified Solutions Associate (этот статус подтверждает наличие основных базовых навыков работы с технологиями Microsoft - прим. ред.).

В 33 года я прошёл курс повышения квалификации в НГТУ «Программист за 1 год». Помимо программистских навыков, в 2015 году получил степень MBA в Московской бизнес-школе, где также прошёл много небольших курсов, в том числе по интернет-маркетингу, HTML и CSS. 

— Ваша компания была на «Цифровом прорыве» в Казани. Какой проект там представляли?

Мы показывали там проект для «Газпрома» — прогнозирование ширины стенки трубы нефтепровода, исходя из показаний датчиков дефектоскопа. В финале в Казани мы заняли седьмое место в своей категории, а на региональном этапе до этого были победителями. Для участия построили прогнозную модель аварийности в ЖКХ. Взаимодействие с моделью производилось через web-сервис, созданный нами. И в финале, и на региональном этапе конкурса я был лидером команды и специалистом по машинному обучению.

— Интересный опыт! А какие у вас повседневные рабочие обязанности?

Я директор. Директор – человек, который может компанию вырастить, сделать прибыльной или убить. Чтобы принимать правильные решения, необходимо анализировать рынок, пытаться его прогнозировать. Не все проходит гладко — были две неудачные попытки запустить новое направление на пустом рынке.  Последствия были печальны, компания понесла финансовые потери, пришлось распустить персонал.

Также для тестирования тех или иных бизнес-идей необходимо задействовать инструменты интернет-маркетинга. Сайты я делаю сам. Часто и инструменты продвижения выбираю, и настраиваю их самостоятельно. Ну и конечно, на мне управление персоналом: планирование, организация, мотивация, контроль.

— Хм, вас можно назвать профессионально состоявшимся человеком. Зачем тогда вы пошли учиться в GB?

Мне работать до пенсии еще 29 лет. За 29 лет изменится вся наша жизнь — как трудовая, так и личная. Когда я учился в 2000 году на первом курсе, самым современным средством коммуникации был пейджер. А сейчас уже мало кто вспомнит, что это вообще такое.

Я хотел бы возглавить изменения, происходящие в нашей жизни. Мне нужны были знания в области искусственного интеллекта, ведь он будет внедряться в личной и корпоративной жизни все больше и больше. Именно поэтому я выбрал именно это направление для обучения. GeekBrains я предпочел из-за фундаментального подхода к обучению, здесь одинаково хорошо даются азы и продвинутая часть материала.

— Раньше самостоятельно что-то изучали в области искусственного интеллекта? 

Я начинал самостоятельно изучать статистику, комбинаторику, теорию вероятностей. Прошел курс Python для Data Science на Coursera. Последний хоть и позиционировался для всех, но математику там давали очень поверхностно, упор делался уже на прикладную часть. Обучение шло долго и не очень результативно. Но статистику я хорошо освоил.

— Что было самым интересным во время обучения в GeekBrains, какие задания нравилось выполнять?

Больше всего нравилось выполнять задания, привязанные к жизни. Например, прогнозирование цены квартиры, исходя из определенных параметров.

— Руководители компаний обычно заняты весь день. Как удавалось совмещать работу и учёбу?

Иногда обучение проходит иногда вечерами, но чаще я просыпался на 1,5 часа раньше и слушал лекции или выполнял задания. Из-за разницы во времени я почти никогда не слушал преподавателей в реальном времени. Только в записи.

— Какие приёмы помогали справляться с нагрузкой?

Самые продуктивные часы – это утренние часы. Старайтесь сложные задания или лекции выполнять именно в часы наивысшей продуктивности. Если задача не решается вообще, оставьте её на день, решение обязательно придет.

— Что и как из новых знаний вы применяете в своей компании?

Сейчас я использую методы машинного обучения в анализе внутренних и внешних данных компании для прогнозирования спроса на продукцию и услуги. Создаю системы для автоматического сбора информации.

У нас небольшая компания, и когда дело касается сбора информации, ее анализа и построения прогноза, я все делаю сам. Собираю информацию, анализирую движение товаров у поставщиков (благо у многих есть API). Соотношу эту информацию с отгрузками в своей компании. 

Есть ещё один проект, который пока не реализован в полной мере. Я собираю информацию о продаже коммерческой и некоммерческой недвижимости и обобщаю её. Веду мониторинг количества вакансий в регионе, а также мониторинг экономических показателей региона. Имея всю эту информацию, можно искать зависимости с целью прогнозирования спроса. 

Машинное обучение я также использую на финансовых рынках для статистических арбитражных стратегий, прогноза цен активов, исходя из большого количества факторов.

Вообще, при появлении нового бизнес-процесса в компании я в первую очередь думаю, как его реализовать без или с минимальным участием человека. И в этом мне очень помогают инструменты ИИ.

Илья Курбаков окончил магистратуру по программе «Финансовая экономика», был тренером по SAP, а в 25 лет решил перезапустить карьеру — на этот раз в IT. Год назад он пришел изучать веб в GeekUniversity, а сейчас уже трудится разработчиком HP Service Manager и веб-решений у системного интегратора.

— Илья, ты уже завершил обучение или еще учишься?

— Основная часть программы позади, остались дополнительные курсы и работа над финальным проектом.

— Как ты нашел нынешнюю работу? Какие были требования у работодателя? Насколько сложным было собеседование или тестовое задание?

— Что могу работать, я почувствовал уже в первой четверти, в середине курса JavaScript 2. Нашел работу примерно так же, как и любой студент универа: раскидывал резюме по всем вакансиям, где фигурировали слова Junior, HTML и JS. Эти усилия не прошли даром — меня позвали на три собеседования. 

На первом я успешно справился с теоретическими вопросами, но провалил практическую часть. Сейчас понимаю, что тестовое задание было довольно банальным, но тогда я еще не успел познакомиться с методом Fetch в JS, поэтому «слился».

Второе собеседование завалил из-за БД — не хватало практики и не получалось строить сложные запросы по памяти.

А третье прошел. К этому моменту я уже заканчивал первую учебную четверть в GU, и знаний хватило, чтобы легко справиться с заданиями. На собеседовании работодателя интересовало не столько знание синтаксиса, сколько мое умение искать решения новых задач, понимание алгоритмов. Мне сказали, что синтаксис всегда можно нагуглить, а понимание — оно либо есть, либо нет.

Так я получил работу в компании ТАЛМЕР. Это системный интегратор, который строит и модернизирует ЦОДы, создает высоконагруженные центры, предлагает решения в области информационной безопасности и интернета вещей.

— Если не секрет, какими задачами сейчас занимаешься?

— Я инженер-разработчик в HP Service Manager, пишу на JavaScript и колдую над базой данных. Продукт HP SM сложен сам по себе, поэтому большую часть времени я изучаю его архитектуру и возможности.

Еще я участвую в разработке двух проектов для внутренних нужд компании. Первый — сайт-конфигуратор для покупки серверов — еще не вышел в продакшн. Второй — сайт для автоматизации закупок — в разработке совсем недавно.

Сервис заказа серверов — один из текущих проектов

— Я всех студентов спрашиваю, над какими проектами они работали за время учебы. Расскажи немного о самых интересных или сложных для тебя.

— Проектов было три. Каждый из них был связан с изучением той или иной технологии и служил «полигоном» для обкатки наших навыков.

Первый проект — интернет-магазин. Все началось с HTML-верстки макета, к которой мы впоследствии добавили интерактивные компоненты на JS, а еще позже — серверную часть на PHP.

Вторым проектом стал таск-менеджер (to-do list). В этот раз мы практиковались в использовании PHP-фреймворка Yii2, который все еще востребован у сайтостроителей.

Мы интегрировали приложение с Telegram, чтобы можно было прямо из мессенджера создавать задачи и назначать ответственных, которые автоматически получат извещение о выданной задаче.

Третий, итоговый проект  — командная разработка. Мы делали своеобразный агрегатор станций технического обслуживания: сервис, который упрощает взаимодействие владельцев авто/мото и СТО. Пользователь заходит в приложение, создает учетную запись, вносит свои данные и дальше подбирает СТО, которые обслуживают его модель машины или мотоцикла. Можно ражнировать станции по ценам и/или отзывам, записываться на ремонт, отслеживать этапы обслуживания, даты начала и завершения ремонта.  

В начале работы над проектом я тимлидил, распределял задачи среди участников, на основе Yii2 реализовал серверную часть регистрации пользователя, совместно еще с одним студентом написал базу данных. Дальше я устроился на работу и из-за сверхурочки пришлось отойти от командной разработки, а когда освободился — ребята уже сдали прототип. 

Самым трудным за время учебы для меня было своевременно завершать и доводить до ума созданное. С выходом на работу пришлось «подзабить» на портфолио и быстро осваивать новые технологии.

— В анкете ты указал, что заинтересовался программированием, потому что хотел разрабатывать искусственный интеллект. Почему в итоге решил изучать веб-разработку?

— Когда я поступал в GeekUniversity, факультета Data Science еще не было. Насколько знаю, для работы с искусственным интеллектом нужны знания в области высшей математики и статистики, а эти предметы у меня хромают. Вдобавок на старте я не знал ни одного языка программирования: путь к цели и так обещал быть долгим, а мне хотелось перебраться в IT как можно скорее. Поэтому я решил начать с веб-разработки, которую легче освоить и которая быстрее монетизируется. 

Но это не значит, что я отказался от мыслей об искусственном интеллекте. Я с самого начала планировал вернуться к развитию в этой сфере после того, как трудоустроюсь программистом. Сейчас все так и получается. Я с интересом работаю в хорошей компании, но уже поступил на факультет Data Science в GeekUniversity и собираюсь попробовать свои силы в ИИ.

— Что тебе было важно при выборе места учебы? Какие остались впечатления от GB?

— Когда я решил начать свой путь в программировании, даже понятия не имел, как все устроено в этой сфере и с чего начать. Поэтому я открыл Google и стал перебирать образовательные проекты.

Вариант бесплатного самостоятельного обучения отбросил сразу же — не хотелось долго блуждать в потемках. Мне нужен был структурированный учебный курс, который планомерно знакомил бы меня со всем, что необходимо знать программисту, и в частности веб-разработчику. В режиме «свободного полета» я рисковал зарыться в тоннах инфы и свернуть на бессмысленное изучение какой-нибудь бесперспективной технологии.

На первый взгляд, все места обучения с подобными услугами выглядели одинаково.

Почему я выбрал GeekBrains? Скорее всего, из-за гарантий трудоустройства. Не скрою, что реклама и пиар тоже сыграли заметную роль. :) 

Впечатления в целом положительные: есть свои недочеты, но GeekBrains дал хороший фундамент для старта. Меня очень радует возможность в любой момент откатиться в начало курса, если что-то не понял, не успел или заболел и отстал от программы. В такой ситуации тебя не бросают — помогают разобраться в пропущенном ранее материале. Я проходил разные курсы, но подобной лояльности не видел нигде. 

Плюс я встретил замечательных преподавателей, которые готовы вести занятия дольше положенного времени и разжевывать все нюансы, если вдруг ученики чего-то не поняли.

— Какие видишь для себя перспективы в профессии? И в каком направлении тебе было бы интереснее развиваться? Хочешь расширить стек технологий или углубиться в уже изученное?

— Скорее всего, я остановлюсь на текущем стеке: JavaScript, фреймворки React и Vue, а также все, что их окружает. PHP, думаю, в итоге заброшу — на работе он не нужен, а поддерживать актуальность знаний без практики тяжело.

Дальше загадывать пока не буду. Изучу ИИ. Если увижу более интересные перспективы для себя — готов кардинально сменить стек технологий и идти в новую область.

—  Что посоветуешь людям, которые хотят сменить профессию и заняться веб-разработкой?

— Мой рецепт прост: берешь и делаешь все домашки, смотришь все учебные видео с GeekBrains, читаешь дополнительную литературу. Не ходишь в бары, не гуляешь. Каждый день изучаешь что-то по новой профессии. Ставишь таймер: два часа  — на просмотр видео, еще час — на чтение книг. И так, пока тебя не возьмут джуном! :)

Студенты GeekUniversity соревнуются в разработке наиболее успешной модели ИИ на Python. Правда, бояться бунта машин рановато: все, что модели умеют — это предсказывать цены на недвижимость. О том, как проходят эти соревнования, почему для обучения ИИ используется язык программирования Python и о других интересных вещах нам рассказал специалист по Data Science Сергей Ширкин. Сергей имеет богатый профессиональный опыт в сфере финансов и IT, а в настоящее время работает в маркетинге и является деканом факультета искусственного интеллекта в GeekUniversity. 

— Сергей, что студентам дает курс «Python для Data Science»? Что они изучают? 

— В первую очередь курс дает представление об основных программных библиотеках для языка Python, которые используются в Data Science, а также помогает освоить базовые приемы работы с ними. Речь идет о библиотеках NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn. Это основные библиотеки для обработки данных, математических алгоритмов и построения моделей. 

С помощью этих библиотек уже можно создавать работающие модели искусственного интеллекта. Чтобы успешно работать с ИИ, необходимо знать библиотеки и уметь пользоваться ими, поэтому их изучение — важный этап в подготовке будущих Data Scientist’ов. 

— Почему именно Python? В чем его преимущества в работе с ИИ и Data Science?

— Python — достаточно простой для изучения, но при этом чрезвычайно мощный язык. Кроме того, он является интерпретируемым, то есть отдельные команды преобразуются в исполняемый код непосредственно в процессе выполнения программы. Это несколько замедляет работу программ (в отличие от тех, что написаны на компилируемых языках), но зато позволяет запускать их без предварительной компиляции, как в Java или C++. Отдельные команды можно запускать прямо из среды разработки. Мы используем пакет Anaconda с Jupyter Notebook — этот софт дает дополнительные преимущества в работе с табличными данными, позволяет запускать команды и строить графики в ячейках данных, в целом облегчает работу. 

Правда, у Python в Data Science и области обработки данных есть один конкурент — это язык R. Он тоже интерпретируемый, также позволяет запускать отдельные команды из командной строки и строить графики, обладает удобной средой разработки. Но его минус в том, что разработанные на R программы сложно использовать для промышленных решений. К тому же он довольно специализированный, ориентированный в основном на статистические вычисления. Python лишен такого недостатка: это полноценный, универсальный язык программирования, а разработка ИИ на Python уже не представляется сном, как это было раньше. Сегодня даже наблюдается «миграция» специалистов с R на Python — а в обратную сторону такого движения не происходит. 

Наконец, для Python создано множество программных библиотек, которые упрощают разработку в сфере машинного обучения. Частично они написаны на том же Python, частично — на C++, они удобные, быстрые и непрерывно развиваются. Так что, если речь идет об искусственном интеллекте, то сегодня 95 % разработок ведется именно на Python. 

— На курсе вы даете не только теоретические знания, но и практические навыки на примере конкретных задач?

— Да, наши студенты участвуют в своеобразном состязании: создают модель, которая учится прогнозировать цены на недвижимость.

Представьте агентство по продаже недвижимости, у которого есть база данных по квартирам, выставленным на продажу. Известны их характеристики: количество комнат, площадь, этаж. Кроме того, заданы характеристики районов: экологическая обстановка, какие магазины есть поблизости, каковы социальные условия и так далее. Цены некоторых квартир известны, а других — нет. 

По совокупности этих признаков строится модель, которая учится предсказывать цены на квартиры. Ее задача — проанализировать данные о жилье, для которого стоимость указана, и выявить закономерности в ценообразовании. Затем модели предлагается контрольный набор данных, в котором отсутствует информация о ценах (эти данные есть только у преподавателя). Результаты работы модели — предсказанные цены на недвижимость — сравниваются с реальными. Чем точнее полученные цифры, тем выше качество работы модели.

Мы уже подвели итоги соревнования, и первые места в своих группах заняли Сергей Кабанов, Михаил Донченков, Арминэ Мороз и Рашид Исхаков. Студенты отлично поработали! 

Кстати, построение удачной модели — не просто хорошее достижение, но и большое преимущество. Студенты, модели которых попали в топ, могут стать наставниками в GeekUniversity — помогать другим группам и потокам с предметом, который сами хорошо освоили. Наставничество позволяет не только поделиться знаниями, но и отточить навыки, глубже разобраться в предмете, поднять собственный уровень. Кроме того, это помогает подготовиться к собеседованиям при трудоустройстве.

— По завершении этого курса уже можно пытаться устраиваться на работу?

— Да, у нас есть студенты, которые окончили этот курс, разместили резюме на сайтах вакансий, и некоторым из них почти сразу прислали приглашения. Конечно, полученных знаний еще недостаточно, чтобы браться за любые проблемы. Но вполне можно решать задачи вроде нашей — такие, где требуется анализ табличных данных, прогнозирование результата. Студент, окончивший курс создания ИИ на Python, сможет воспользоваться теми же методами, чтобы построить аналогичные модели. 

Курс дает не только быстрые знания о библиотеках, но и навыки для реальной работы. Человек быстро входит в курс дела и попадает в рабочую обстановку. Студенты практически с минимальными знаниями приходят на курс, а через месяц уже строят работоспособные модели. 

— Что еще может оказаться преимуществом при трудоустройстве?

— Многие работодатели приветствуют, если соискатель на должность Data Scientist участвовал в соревнованиях и конкурсах. Большой плюс — участие в конкурсах Kaggle (примечание GB: kaggle.com — это веб-сообщество, в котором участники могут взяться за решение практических задач в сфере машинного обучения и искусственного интеллекта, например: за распознавание рукописного текста, анализ изображений, прогнозирование транзакций клиентов и подобных. За победу в состязании зачастую предусмотрены крупные денежные призы). Причем преимуществом является уже сам факт участия в конкурсе. Победить там достаточно сложно, так как участников всегда много. Даже войти в первые 10 % — это уже огромное достижение. Далеко не все специалисты, уже работающие в Data Science, принимали участие в конкурсах Kaggle!

Конечно, чтобы участвовать в состязании Kaggle, нужно знать библиотеки для Data Science и уметь пользоваться ими — в том числе теми, которые мы изучаем на курсе. Библиотек много, мы осваиваем здесь самые основные и востребованные. Вряд ли с полученными знаниями студент сможет создать модель для анализа текста или распознавания изображений (мы проходим это на факультете позже). Но работать с табличными данными он будет готов. Некоторые из наших студентов по окончании курса отправились на Kaggle и приняли участие в конкурсе (результат мне неизвестен, но сам факт — уже знаменательный). 

— Где сегодня востребован Data Scientist? 

— Практически во всех сферах. Преимущество специалиста по Data Science в том, что он сможет использовать свои навыки везде: например, сначала поработать в финансовом секторе, а потом с легкостью перейти в маркетинг — не потребуется изучать его с нуля, так как глубокие профильные знания не нужны. Принципы построения моделей универсальны, технологии работают везде одинаково, библиотеки используются одни и те же. Знания о предметной области, конечно, будут очень полезны, но их можно получить уже по ходу работы.

Специалисты по Data Science востребованы сегодня в ритейле, телекоме, у операторов связи, в создании поисковых систем, в промышленности и нефтяной отрасли. Специалист может попробовать себя в совершенно разных сферах. Поработал в продажах, захотелось нового — занялся компьютерным зрением или обработкой естественного языка. У нашего выпускника много дорог! 

Заработок специалиста в крупных городах начинается примерно от 70 тысяч рублей в месяц. Это средняя зарплата спеца по Data Science на Python и Machine Learning, у которого нет опыта работы. Через год-два можно найти более прибыльное место. С тремя годами опыта человек может рассчитывать на зарплату в 200 тысяч, с пятью — 250 и более. 

— Какие знания нужны для учебы на курсе?

— Потребуются основы программирования на Python. Еще надо уметь находить производные, иметь понятие о матрицах, векторах — но глубокого погружения в математику на этом курсе у нас нет. Мы не объясняем здесь работу с алгоритмами, даем только самое общее представление. В последующих курсах будем изучать математический анализ, линейную алгебру, статистику и все то, что необходимо для подробного разбора алгоритмов, а также сами алгоритмы машинного обучения, нейронные сети и многое другое.

— Спасибо за интересный рассказ! Желаем вам новых успехов, а студентам — побед и больших достижений!

В январе на YouTube была представлена короткометражка «Объект Дельта». Ранее фильм получил несколько наград на фестивалях Top Shorts и Los Angeles Film Awards. В нем исследователи тестируют искусственный интеллект, чтобы узнать, способен ли он осознать себя живым.

Так как это короткометражка, рассказать сюжет без спойлеров не получится. Поэтому лучше один раз увидеть, чем сто раз прочитать пересказ.

Финал нельзя назвать непредсказуемым, но он заставляет задуматься, так ли велика разница между человеком и осознающим себя ИИ. Это вопрос, ставящий нас перед моральной дилеммой.

Сильный интеллект

Большинство этических проблем, о которых задумывается человечество, — это вопросы отдаленного будущего. Сейчас разработчики готовы представить только слабый ИИ, который может выполнять ряд задач, способен к творчеству и даже кое в чем обходит нас. Но речь пока идет о машинном обучении и зависимости от человека.

Сильный искусственный интеллект — совсем другое дело. Он умеет мыслить, осознавать себя, учиться новому, воспринимая реальность, и решать не только те задачи, что заложил в него программист. Именно с сильным интеллектом связывают потенциальные этические проблемы. Так как эта разработка ближе к области фантастики, чем к реальности, поднимаются эти вопросы чаще в фильмах.

Этично ли подвергать ИИ опасности, если он чувствует страх и боль?

Роботов создают не из любви к искусству. Глобальная цель разработок заключается в том, чтобы однажды искусственный интеллект снял с человечества часть рутинных и опасных задач. Звучит здорово, но только для людей.

Допустим, искусственный интеллект научился чувствовать. Но спектр эмоций включает не только эмпатию по отношению человеку, радость, удивление, но и страх, боль. И это в корне меняет дело.

Например, новый российский закон закрепляет нормы ответственного обращения с животными, так как домашние питомцы могут «испытывать эмоции и физические страдания». Впрочем, это и без закона было понятно, и только садисту придет в голову швырнуть милого песика в костер. Но в таком случае и ИИ отправлять тушить пожар нельзя — ведь он чувствует страх и боль. Даже нелюбовь в этом случае — уже негуманна.

О жертве такого обращения — фильм Стивена Спилберга «Искусственный разум». Мальчика-андроида Дэвида научили любить, но не смогли ответить взаимностью. А он свое чувство пронес через две тысячи лет, и смотреть на это больно.

Этично ли оставлять ИИ в одиночестве, если он чувствует тоску?

Вспомните «ВАЛЛ-И»: над этим мультфильмом пролито немногим меньше слез, чем над «Королем львом», а персонаж — всего лишь робот. Когда люди оставляли его, этической проблемы не возникало: он был в компании других механических машин. И о сильном ИИ речи не шло — чувства ВАЛЛ-И прокачал сам. Но факт остается фактом: механический уборщик тоскует, потому что одинок и ему некого взять за руку.

Этично ли использовать ИИ как раба?

Даже если вы щадите чувства робота и обращаетесь с ним, как с любимым родственником, создавался он все же как помощник, который должен снять с вас часть работы. Возьмем домашнего робота, который исполняет функции домработницы. Сотруднице из плоти и крови вы бы платили зарплату, предоставляли выходные, придерживались определенного распорядка дня. За что работает робот? За пищу и кров? Они ему не нужны. Деньги он мог бы использовать для развлечений, раз уж у него есть чувства. Но в чем тогда смысл существования робота, если он просто ворует рабочее место у человека? Вопросов снова больше, чем ответов.

В «Бегущем по лезвию» некоторые репликанты рабами быть не хотят, но их мнение мало кого интересует. В итоге творения, которые превосходят своих создателей по большинству характеристик, либо выполняют опасную или неприятную работу, либо уничтожаются.

Кстати, если в «Бегущем по лезвию» люди и репликанты все же находятся по разные стороны баррикад, то в «Степфордских женах» андроидами заменяют живых женщин.

Способен ли ИИ нанести вред человеку?

И все же людей больше волнует не то, навредят ли они роботам, а потенциальная опасность, которая исходит от ИИ. О том, что искусственный интеллект может пойти против человечества, заявляли и Илон Маск, и Билл Гейтс, и сооснователь Google Сергей Брин. Киноиндустрия щедро подкидывает иллюстрации к сюжетам восстания машин: «Терминатор», «Я, робот», «Мстители: Эра Альтрона».

Три закона робототехники, которые должны предотвратить этот сценарий, были придуманы Айзеком Азимовым в 1942 году. Но даже их доскональное соблюдение не всегда дает стопроцентную защиту.

Нулевой закон гласит: «Робот не может причинить вред человечеству или своим бездействием допустить, чтобы человечеству был причинен вред». В «Я, робот» искусственный интеллект ВИКИ решил ради блага людей лишить их всяческих свобод. В «Сингулярности» ИИ «Кронос», созданный защищать человечество, осознает, что люди сами виноваты в своих бедах, — значит, их надо уничтожить.

Еще вопрос — как «подружить» логику и гуманизм? В аварийных ситуациях робот должен выбрать, кого спасать. Но математических алгоритмов тут недостаточно. В фильме «Я, робот» андроид спас из тонущей машины мужчину, оставив задыхаться одиннадцатилетнюю девочку, — хотя человек, скорее всего, поступил бы наоборот.

В какой этической системе должен действовать ИИ?

Этот вопрос и люди-то для себя решить не могут: в одних странах действует мораторий на смертную казнь, в других можно лишиться жизни за преступление, которое кажется из другой части мира незначительным. Пересекая государственную границу, человек вынужден принимать новую этическую систему, потому что она поддерживается законом.

Что в этой ситуации делать с роботами, непонятно. Запрограммировать его «быть за все хорошее и против всего плохого» не получится, потому что позитивные и негативные этические оценки не универсальны.

Как не сделать из ИИ расиста и других «-истов»?

Избежать ложных представлений при обучении не получается уже сейчас. Чат-бот от Microsoft должен был анализировать речь молодежи в Twitter. Вместо этого нейросеть уже через сутки стала отъявленным расистом. Такое «мировоззрение» она сформировала из-за адресованных ей сообщений с неполиткорректным контентом.

Сильный интеллект также должен учиться, используя для этого контекст. Дурная компания легко «научит его плохому». Впрочем, человек тоже подвержен влиянию.

Защитники угнетенных

Проблемы этики относительно сильного ИИ пока существуют в теории и в кинематографе, но специальность адвоката по робоэтике уже называют одной из профессий будущего. Именно таким юристам предстоит создавать этические кодексы для изменившегося мира. Но сейчас вакансий для подобных специалистов нет.

Так что если вы хотите связать будущее с ИИ, обратите внимание на факультет искусственного интеллекта GeekUniversity. Пока рабочих мест в этой отрасли больше, чем претендентов на них. Как знать, может, именно вам удастся создать сильный ИИ и снять все этические вопросы благодаря совершенству разработки.

20 января на YouTube состоялась премьера короткометражки «Объект Дельта»

Сюжет довольно простой: «Исследователю искусственного интеллекта досталась важная задача: протестировать осознавшую себя машину и выяснить, действительно ли она живая». 

Авторы — видеоэссеисты Иван Рассадин (канал Cat&Play), Александр Рыбаков (канал ...and Action!) и Алексей Луцай (канал «Луцай»).

Фильм взял награды за лучшую фантастику и лучшую операторскую работу на фестивале короткометражного кино Top Shorts в ноябре 2018. Картина вошла в финал израильского Near Nazareth Festival, а Los Angeles Film Awards отметил работу особым упоминанием за оригинальный сценарий.

Рекомендуем к просмотру всем, кому интересен искусственный интеллект и проблемы с ним связанные.

• Режиссёр, сценарист — Иван Рассадин. 
• Сценарист — Дмитрий Поллак.
• Оператор, монтажёр — Александр Рыбаков.
• Композитор — Алексей Луцай.
• Автор обложки — Илья Бавер.

Будем рады услышать ваши впечатления и вопросы в комментариях. Что вас смутило в фильме, а что порадовало? Какие вопросы вы бы задали создателям? Или… какие вопросы вы бы задали ИИ?

Это перевод статьи Ланса Ына (Lance Ng) What Microsoft and Google Are Not Telling You About Their AI. Автор предлагает критически посмотреть на возможности ИИ-систем и оценить разницу между декларируемыми и реальными на сегодня возможностями искусственного интеллекта.

Что искусственный интеллект умеет делать сам, а что берет на себя человек?

Фред и Барни из комедийного мультсериала «Флинтстоуны» на своем «высокотехнологичном» автомобиле

Компания iFlytek — ведущий китайский разработчик AI. В сентябре 2018 года ее обвинили в том, что она выдавала труд людей-переводчиков на конференции в Шанхае за машинный перевод.

Об этом сообщил один из переводчиков-синхронистов, нанятых организаторами мероприятия. Он заметил, что iFlytek использовала его переводы, чтобы «на лету» создавать субтитры, которые выводились на экран вместе с логотипом IT-компании. Все выглядело так, будто перевод выполнял созданный компанией искусственный интеллект.

iFlytek также вела онлайн-трансляцию с конференции и для чтения перевода вслух использовала синтезированный компьютерный голос вместо голосов синхронистов. Переводчик зафиксировал происходящее на камеру, выложил фото и видео в соцсети и обвинил компанию в жульничестве.

Этот случай вызвал ажиотаж в СМИ и спровоцировал интернет-дискуссию о маркетинговой и PR-стратегии компании, которая позиционирует себя как лидера в сфере разработки AI.

«Самая умная» компания Китая

Может, вы впервые слышите об iFlytek, но в рейтинге Массачусетского технологического института за 2017 год она заняла 6-е место среди высокотехнологичных компаний мира. Ее поставили выше всех других предприятий Китая — сразу вслед за Google. Причем она обогнала Intel (13-е место), Apple (16) и Facebook (26). Microsoft оказалась 27-ой.

В самом Китае iFlytek всегда считали IT-элитой. Ее рыночная капитализация на пике достигла 12–13 миллиардов долларов. Доля компании в китайском рынке распознавания речи превышает 70 %.

Как минимум, компания может объявить, что произошло досадное недоразумение. Максимум — ее можно обвинить в том, что ради пиара и прибыли она обманывает публику относительно эффективности своей технологии AI-перевода.

Вы можете подумать, что «это ж китайцы»! Мол, они вечно подделывают товары, и почему бы в ситуации с ИИ им поступать иначе.

Тогда давайте посмотрим на PR-ходы двух крупнейших технологических компаний Запада — Google и Microsoft.

Скрытый человеческий труд, который выдают за работу AI

Есть в Австралии малоизвестная компания Appen, которая стоит около 1,2 миллиарда долларов США. Последние четыре года она была на гребне волны интереса к ИИ — делала на этом баснословные деньги.

В 2014 году доход Appen составлял всего 51 миллион австралийских долларов (AUD). Это значит, что за три года доход компании вырос на 324 %! Чистая прибыль после уплаты налогов показала еще более впечатляющий рост — на фантастические 884 % относительно скромных 1,6 миллиона AUD в 2014 году.

«Аppen в большом плюсе по итогам 2017 года. Ее стоимость перевалила за миллиард долларов!» — Slator.com

Стоимость акций Appen в австралийских долларах (AUD) на 28 августа 2018 года. Источник: Slator

С января 2015 года, то есть с момента выхода на рынок, акции Appen подорожали примерно на 2700 % — в 27 раз! И что же такого делает компания-суперзвезда?

Она продает данные и валидацию результатов поисковой выдачи компаниям-разработчикам ИИ.

Доля выручки от валидации результатов достигает 86 % дохода Appen. В штате компании 394 сотрудника на полной занятости, однако основную часть работы выполняют более миллиона фрилансеров по всему миру! Их задача — вручную проверять результаты выдачи поисковиков по заданным критериям. Одна выдача — одна проверка.

Благодаря этой работе фрилансеров результаты выдачи поисковика становятся все более релевантными запросу. По условиям контракта Appen не имеет права разглашать, кто пользуется ее услугами, но некоторые аналитики полагают, что главные клиенты компании — это Microsoft (Bing) и Google. Вместе они приносят Appen более половины ее дохода, а это, вероятно, более 300 миллионов долларов только за 2018 год.

Вы правда думали, что умная выдача Google — исключительно результат работы алгоритмов и сложного ПО, которое собирает информацию по интернету? Не-а. На самом деле в этом участвует более миллиона живых людей.

На месте Microsoft и Google я бы тоже не признавал факт сотрудничества с Appen. Твой бизнес и твои продукты выглядят гораздо круче, пока аудитория думает, что за ними стоят передовые технологии автоматизации и искусственный интеллект, а не ручной труд.

Игра в Го – вовсе не святой Грааль в мире ИИ!

С тех пор как в марте 2016 года программа AlphaGo победила Ли Седоля — чемпиона мира по древней игре Го, один из основателей Google Deepmind Демис Хассабис начал публично называть Го «святым Граалем AI-исследований».

У аудитории возникла иллюзия, будто Google Deepmind поняла про ИИ самое главное и скоро машины так поумнеют, что захватят мир по известному апокалиптическому сценарию.

Это попросту неправда.

Вершиной разработок в сфере ИИ станет такая универсальная система, которая сможет учиться и вырабатывать навыки с нуля, как человек по мере взросления.

Пока все исследователи признают, что самое сложное направление развития ИИ — это обработка естественного языка (Natural Language Processing). К проектам данного типа относится создание чат-ботов и систем машинного перевода.

Несмотря на всю сложность Го и неограниченное количество возможных ходов в этой игре, она не является «святым Граалем мира ИИ». На самом деле, старший разработчик из команды создателей AlphaGo сам сказал об этом в известном документальном фильме, где был показан весь путь к победе над игроком Ли.

Джулиан Шриттвизер (на фото он в красном): «Конечно же, для нас AlphaGo — это просто компьютерная программа»

«…AlphaGo — это очень-очень простая программа. Ей далеко до полноценного ИИ…»

— Джулиан Шриттвизер, старший разработчик в Google DeepMind и участник проекта AlphaGo. Документальный фильм AlphaGo, ~ 56 мин 28 с от начала

Интересно, что в июле 2018 года специалисты DeepMind сами проверили разработанный ими ИИ на уровень IQ. И хотя результат не располагал к вольному толкованию, его сильно приукрасили в прессе и социальных медиа.

«…ИИ очень плохо справлялся с тестовыми задачами, если они хотя бы незначительно отличались от тех, на которых его обучали.

IQ-тест разработанного командой ИИ в итоге показал, что на сегодняшний день даже самая продвинутая система искусственного интеллекта не может найти подход к проблемам, на решение которых ее не «натаскивали» специально. Это значит, что до создания ИИ общего назначения еще очень далеко»

— «DeepMind создала IQ-тест для AI, и он показал не лучшие результаты», Международный экономический форум

Реальность такова, что компании стремятся преувеличить достоинства своих ИИ-решений, чтобы привлечь инвесторов и завоевать доверие потребителей.

Доискаться правды в этой ситуации бывает нелегко.

Большинство компаний-разработчиков AI мало что сообщают о созданных ими алгоритмах и системах, ведь у них есть право на защиту интеллектуальной собственности.

Но когда инвесторы вкладываются в новое перспективное направление, им стоит тщательно анализировать, соответствуют ли заявления разработчиков действительности.