Александр Чесалов - Как создать Центр искусственного интеллекта за 100 дней

Параллельно с той работой, как мне тогда представлялось, нужно было сформировать «с нуля» группы разработки для решения прикладных технических задач. Несмотря на то, что какие-то специалисты в МГТУ им. Н. Э. Баумана уже имелись на тот момент, ситуация с ними была такая, что все они занимались каждый своими задачами и не было ни единой цели, ни стратегии, ни задач, которые бы могли их объединить в одну мощную команду. Самое любопытное в том, у меня сложилось мнение о том, что у некоторых из этих «специалистов» даже нет понимания того, что же такое «искусственный интеллект», нет единого мнения, нет понимания «единой цели» и более того, как выяснилось позже, у них нет желания «созидать» и делать это совместными усилиями.

Тут необходимо сделать небольшое отступление для читателя и дать несколько ключевых определений:

– Искусственный интеллект (artificial intelligence), с одной стороны, – это уже целая отрасль компьютерных наук, занимающаяся моделированием интеллектуального поведения, с другой – это компьютерная система, основанная на комплексе научных и инженерных знаний, а также технологий создания интеллектуальных машин, программ, сервисов и приложений (например, машинного обучения и глубокого обучения), имитирующая мыслительные процессы человека или живых существ, способная с определенной степенью автономности воспринимать информацию, обучаться и принимать решения на основе анализа больших массивов данных, целью создания которой является помощь людям в решении их повседневных рутинных задач. .

– Машинное обучение (machine learning) – это подмножество искусственного интеллекта, которое использует компьютерные алгоритмы для анализа данных и принятия разумных решений на основе полученных знаний без явного программирования. Алгоритмы машинного обучения обучаются на больших наборах данных и учатся на примерах. Они не следуют алгоритмам, основанным на правилах. Машинное обучение – это то, что позволяет машинам самостоятельно решать проблемы и делать точные прогнозы, используя предоставленные данные.

– Нейронная сеть (artificial neural networks) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Также, под нейронной сетью понимают набор небольших вычислительных единиц, называемых нейронами, которые принимают входящие данные и учатся принимать решения с течением времени. Нейронные сети часто имеют многоуровневую структуру и являются причиной того, что алгоритмы глубокого обучения становятся более эффективными по мере увеличения объема наборов данных, в отличие от других алгоритмов машинного обучения, которые по мере увеличения объема данных могут выйти на плато.

– Глубокое обучение (deep learning) – это специализированное подмножество машинного обучения, которое использует многоуровневые нейронные сети для имитации принятия решений человеком, путем извлечения знаний из необработанных данных и их преобразования на каждом уровне. Эти уровни постепенно получают функции более высокого уровня из необработанных данных, что позволяет решать сложные проблемы с более высокой точностью, меньшим количеством функций и меньшей ручной настройкой. Алгоритмы глубокого обучения могут маркировать и категоризировать информацию и определять закономерности. Это то, что позволяет системам ИИ постоянно учиться на работе и улучшать качество и точность результатов, определяя, были ли решения правильными.

– Наука о данных (Data Science) – это процессы и методы извлечения знаний и идей из больших объемов разрозненных данных. Являясь междисциплинарной областью, она включает математику, статистический анализ, визуализацию данных, машинное обучение и многое другое. Наука о данных позволяет нам анализировать информацию, видеть закономерности, находить смысл в больших объемах данных и использовать их для принятия решений, или, как я часто говорю, получать «ценность» или «знания» из данных. Наука о данных может использовать разные методы искусственного интеллекта для анализа данных.

Итак, мне нужны были руководители групп разработки (именно «групп») и сами разработчики, которые бы работали в разных направлениях, решая задачи из некой составленной мной «матрицы», в которой по вертикали находились отрасли экономики, а по горизонтали технологии искусственного интеллекта (работа с «голосом», «текстом», «изображениями» и т.д.), а внутри, на их пересечении, располагались бы отраслевые задачи от наших потенциальных заказчиков и индустриальных партнеров. «Технари» мне нужны были еще и за тем, чтобы они помогали мне в процессе поиска индустриального партнера и привлечению новых заказов в Центр, показывая наши реальные наработки и компетенции.