Рассказываем, как устроена работа исследователей в области машинного обучения, какие существуют специальности и как стать одним из таких ученых
Об эксперте: Артем Бабенко, руководитель Yandex Research.
Машинное обучение (ML) — это направление искусственного интеллекта, которое занимается созданием алгоритмов и моделей, способных обучаться на данных и принимать решения без явного вмешательства программистов.
Сервисы, построенные на ML, могут быстрее и точнее выполнять задачи, которые раньше требовали много времени и усилий. Сюда относятся, например, различные генеративные модели, создающие текст, изображения или звук, инструменты прогнозирования и рекомендательные системы. Компании используют возможности искусственного интеллекта в том числе для оптимизации своих внутренних процессов: поддержки клиентов, продаж, подбора персонала, работы с документами и маркетинга.
В основе этих сервисов лежат математические модели, которые разрабатывают ученые-исследователи в научных лабораториях: университетах, институтах или профильных отделах крупных IT-компаний. Основная задача ученых — продуцировать научный результат, который позволит улучшить качество моделей машинного обучения. Большую часть их работы занимают непосредственно исследования: поиск новых архитектур нейросетей, решение тех или иных математических задач, возникающих в процессе обучения моделей. Параллельно с этим ученые изучают уже существующие научные статьи по теме и публикуются сами. Еще одна часть задач — улучшение качества готовых продуктов и внедрение в них новых решений и подходов.
Внутри научной сферы в ML можно выделить две специальности — исследовательскую и инженерную.
Research Scientist
Задача ученых-исследователей — формировать научную повестку. Эти специалисты определяют, в какие исследовательские направления будут вкладываться ресурсы, какие задачи будут решаться и каким образом. Здесь требуется визионерский подход и мышление на перспективу. Ученый должен не просто решить ту или иную математическую проблему, а найти подход, который дальше будет полезен в индустрии или для научного сообщества.
Research Engineer
В современном ML критическую роль играет постановка и проведение экспериментов. Проверка научных гипотез требует больших вычислительных мощностей, а время работы суперкомпьютеров обходится дорого. На фоне этого возникла потребность в ML-инженерах: в их зону ответственности входит разработка кода и постановка экспериментов.
Работа исследователя — не та специальность, которую можно освоить, пройдя несколько курсов. Она требует и практических навыков, и определенного склада ума.
Что необходимо специалисту:
При этом техническими навыками требования к исследователю не ограничиваются. В идеале для такой работы нужны:
Исследования в области машинного обучения (ML) ведутся как в университетах и научных институтах, так и в специализированных отделах крупных компаний. Примером такого индустриального исследовательского отдела является Yandex Research, аналогичные отделы есть, например, в Google (DeepMind) или Microsoft (Microsoft Research). И хотя наука традиционно развивается при университетах (в европейских странах) и научных институтах (в России), сейчас лидирующую роль в исследованиях по искусственному интеллекту все чаще играет именно крупный бизнес. Для этого есть несколько причин:
С ростом IT-индустрии возникают и вопросы — как войти в эту сферу и быстро получить специальность. Однако путь исследователя занимает в среднем от 4 до 10 лет. Обычно он начинается с получения степени бакалавра в области компьютерных наук или смежной дисциплины, а затем продолжается в магистратуре и аспирантуре. В идеале необходимо образование в сфере прикладной математики и информатики, хотя в профессии (как среди ученых, так и среди разработчиков) можно часто встретить математиков, физиков и людей других технических специальностей.
При этом нужно сразу готовиться к «игре в долгую». Если после бакалавриата и нескольких месяцев стажировки талантливый человек уже может стать неплохим разработчиком, то путь исследователя занимает больше времени.
Начинать карьеру в этой сфере имеет смысл еще во время получения образования. Стоит искать возможности для прохождения стажировок в технологических компаниях, участвовать в тематических проектах во время учебы. При выборе лаборатории для исследований важно обращать внимание на ее влияние на мировое сообщество ML и ИИ: стоит учитывать количество и качество статей, опубликованных на международных конференциях их специалистами, а также на то, как эти исследования трансформируются в реальные продукты.
В научной деятельности необходимо менторство, поэтому самая удачная стратегия — найти научного руководителя, который направит и скорректирует вашу задачу. При этом важно встретить ментора, который поможет студенту вырасти в самостоятельного исследователя, а не просто исполнителя. Но несмотря на эти сложности, наука — сфера, где практически нет ограничений в плане роста, а любой новичок со временем может стать ученым с мировым именем.
