Фонд «Интеллект»
Фонд «Интеллект»
На факультете вычислительной математики и кибернетики МГУ встроена образовательная академическая программа по искусственному интеллекту, которая поддерживается фондом «Интеллект» и реализуется с 2021 года. В программу входят два обязательных курса «Методы машинного обучения» и «Глубокое машинное обучение» для студентов.
На первом потоке и на первом и третьем потоках соответственно их читает Виктор Владимирович Китов, к.ф.-м.н., доцент факультета вычислительной математики и кибернетики МГУ им. Ломоносова и старший научный сотрудник лаборатории искусственного интеллекта в РЭУ им. Плеханова.
Виктор Владимирович со своим курсом «Методы машинного обучения» стал победителем конкурса VK среди курсов IT- направленности. Он проходил в два этапа - заполнение подробной информации о курсе через онлайн-форму и устного собеседования с экспертами от компании VK (Вконтакте).
В конкурсе «Программа поддержки преподавателей» VK курсы оценивались по ряду критериев: актуальные технологии, качество учебных материалов и литературная база, успеваемость, практика, интерактивность, преподавательские навыки, конструктивная согласованность, гибкость курса и ориентация на студентов. Набравший наибольшее количество баллов курс по критериям становится победителем.
Мы поговорили с Виктором Владимировичем о научных задачах, курсе «Методы машинного обучения», выгорании и музыке.
– Виктор Владимирович, расскажите о вашей области исследования. Какими задачами занимаетесь?
– На меня в свое время произвело неизгладимое впечатление статья про стилизацию изображений и видеоданных, т.е. про их перерисовку в стиле другого изображения, например, картины известного художника. Тогда о ней написали даже РИА Новости. В далеком 2016 году, когда еще не было Dall-E, Midjourney и Stable Diffusion, выглядело фантастичным, что программа может взять пользовательское видео и выразительно перекрасить его в стиле Ван Гога или другого известного художника. С тех пор я в основном занимался улучшением алгоритмов стилизации изображений. Сейчас мне интересен широкий круг тем, связанных с нейросетями, но стилизацией изображений все еще продолжаю заниматься, поскольку, в отличие от многих других исследований, где результат сложно «пощупать», в стилизации сразу виден результат в виде изображения со всеми его изъянами, дающими обширные идеи для дальнейших улучшений алгоритма. Также эта тема удобна для академических исследований, которые обычно ограничены объемом вычислительных ресурсов.
– О чем ваш курс, поддерживаемый фондом «Интеллект»? Для кого он читается?
– Фонд поддерживает три моих курса – «Методы машинного обучения», «Глубокое машинное обучение» и «Нейросетевые методы обработки изображений». Все курсы читаются в МГУ на факультете Вычислительной математики и кибернетики (ВМК). Первый из них проводится для третьекурсников первого потока, второй - для четверокурсников первого и третьего потока, а третий - для вольнослушателей, поскольку это спецкурс по выбору. В конкурсе компании VK (ВКонтакте) победил курс «Методы машинного обучения», в котором я знакомлю студентов с базовыми задачами машинного обучения - увлекательной области, посвященной тому, как научить компьютеры самостоятельно принимать сложные решения на основе наблюдаемых данных. Мы постоянно сталкиваемся с работой алгоритмов машинного обучения, например, когда ищем веб-страницы по поисковому запросу, строим маршруты в навигаторе или смотрим прогноз погоды. Машинное обучение также интересно тем, что чтобы запрограммировать принятие каких-то сложных решений, необходимо глубоко разобраться в том, как мы, люди, их принимаем.
– Что узнают студенты после его прохождения/с чем познакомятся?
– В курсе «Методы машинного обучения» студенты знакомятся со всей последовательностью разработки моделей машинного обучения от формализации бизнес-требований в виде математической модели до оценки качества ее работы. Первая половина курса посвящена основным моделям обучения с учителем - метрическим, линейным, ядерным и логическим. Вместе с этим студенты учатся строить более устойчивые прогнозы, используя не одну, а сразу много моделей, а также подготавливать данные для обработки и оценивать качество получаемых прогнозов. Вторая часть курса посвящена более специализированным задачам, таким как кластеризация данных, обнаружение аномалий, рекомендательные системы, информационный поиск (ранжирование) и интерпретация уже настроенных моделей.
В течение курса студенты выполняют практические задания по темам лекций на реальных данных, составленные Анной Львовной Липкиной вместе с командой ассистентов. Кроме того, она также решает все организационные вопросы, связанные с проверкой и оцениванием заданий.
– Чем бы вы занимались, если бы не стали ученым?
– Мне очень нравится музыка, особенно эпичный неоклассический жанр, использующийся в трейлерах к фильмам. Приятно осознавать себя современником таких выдающихся композиторов, как Джон Уиллиамс и Томас Бергерсен. Хотя в детстве я бросил музыкальную школу еще в первых классах, сейчас я понимаю, что музыка — это один из самых выразительных видов искусства. Поэтому в свободное время, которого, к сожалению, в последнее время совсем немного, увлекаюсь музыкальной композицией. Есть много компьютерных программ, позволяющих создавать сложные оркестровые произведения без навыков свободной игры на пианино, в которых просто вписываешь ноты в нужные места. Стоит отметить, что революция искусственного интеллекта добралась и сюда. Такие сервисы как suno.ai позволяют генерировать полноценные песни буквально в несколько кликов. Тем не менее, кажется, что всегда будет сохраняться спрос на традиционные композиции, придуманные человеком, поскольку музыка — это, в первую очередь, форма коммуникации от человека к человеку.
– Есть ли у вас забавные истории, когда вам приходилось объяснять, чем конкретно вы занимаетесь?
– Говоря, что я занимаюсь машинным обучением, иногда приходится уточнять, что я не работаю инструктором в автошколе :)
– Дайте, пожалуйста, совет начинающему ученому.
– Для начала, думаю, нужно разобраться в себе, действительно ли вы хотите им быть. Вопрос соответствия карьеры и призвания никто не отменял, и он остроумно показан в фильме «Как стать счастливым» (1985), который, кстати, снимался и в стенах моего факультета ВМК. Под призванием я имею ввиду в первую очередь желание разобраться в том, как устроен мир на самом деле. Применительно к машинному обучению — это стремление разобраться до самых основ, как устроен тот или иной алгоритм, понять его возможности и ограничения, а не банальная способность его запускать на компьютере. Все, как описано в стихотворении «О мастерах» Роберта Рождественского. Также нужно желание учиться и быть готовым к тому, что этот процесс может растянуться на всю жизнь. В машинном обучении постоянно появляются новые методы и задачи. Что казалось невозможным еще 10 лет назад, сейчас уже прочно вошло в повседневность.
Много материалов свободно выложено в сети, поэтому сделать это проще чем кажется.
Советую не ограничиваться русскоязычным сегментом, а смотреть и англоязычные источники, содержащие огромное количество информации по последним достижениям в области. В глубоком машинном обучении, например, полезен ресурс paperswithcode.com, на котором собираются и регулярно обновляются лучшие нейросетевые модели для различных задач, много бесплатных образовательных материалов выложено на youtube.
Также рекомендую выбирать такое место работы, где у коллег компетенции были бы такими же или выше, чем у вас — это будет вас стимулировать развиваться и не останавливаться на достигнутом.
– Кто на ваш взгляд самый выдающийся ученый и почему?
– Было бы неправильно выделять какого-то отдельного человека. Масштаб того же машинного обучения таков, что, даже занимаясь им 100% своего времени, невозможно полноценно освоить всего. Это можно увидеть и по разнообразию авторов статей, внесших наибольший вклад в область. Если говорить про российских ученых, то мне в свое время очень повезло работать на одной кафедре с такими увлеченными своим делом учеными как Александр Геннадиевич Дьяконов, Дмитрий Александрович Кропотов и Дмитрий Петрович Ветров. Не могу не отметить важную роль Константина Вячеславовича Воронцова в популяризации машинного обучения, особенно в те времена, когда это еще не было трендом.
– Какой суперспособностью вы бы хотели обладать?
– Замедлять время, чтобы успевать больше.
– Дайте совет от выгорания.
– Как бы банально это ни звучало, но соблюдать здоровый режим, уделять больше времени на сон и прогулки на свежем воздухе. Разбивать задачи на подзадачи с ощутимым промежуточным результатом. Понимать важность задачи, которой занимаешься.
