AI, સ્કૂલનાં બાળકો અને મોટા ઈનામો: 8મા ધોરણમાં મશીન લર્નિંગ કેવી રીતે કરવું

હે હબર!

અમે હેકાથોનમાં ભાગ લેતા કિશોરો માટે પૈસા કમાવવાની આવી અસામાન્ય રીત વિશે વાત કરવા માંગીએ છીએ. આ બંને આર્થિક રીતે ફાયદાકારક છે અને તમને શાળામાં અને સ્માર્ટ પુસ્તકો વાંચવા દ્વારા પ્રાપ્ત જ્ઞાનને વ્યવહારમાં મૂકવાની મંજૂરી આપે છે.

સ્કુલના બાળકો માટે ગયા વર્ષની આર્ટિફિશિયલ ઈન્ટેલિજન્સ એકેડમી હેકાથોનનું એક સરળ ઉદાહરણ છે. તેના સહભાગીઓએ ડોટા 2 રમતના પરિણામની આગાહી કરવાની હતી. સ્પર્ધાનો વિજેતા એલેક્ઝાન્ડર મામાવ હતો, જે ચેલ્યાબિન્સ્કનો દસમા ધોરણનો વિદ્યાર્થી હતો. તેમના અલ્ગોરિધમ સૌથી સચોટ રીતે લડાઈની વિજેતા ટીમ નક્કી કરે છે. આનો આભાર, એલેક્ઝાંડરને નોંધપાત્ર ઇનામ રકમ - 100 હજાર રુબેલ્સ મળી.

એલેક્ઝાંડર મામાવે ઈનામની રકમનો ઉપયોગ કેવી રીતે કર્યો, વિદ્યાર્થીને એમએલ સાથે કામ કરવા માટે કયા જ્ઞાનનો અભાવ છે અને એઆઈના ક્ષેત્રમાં તે કઈ દિશાને સૌથી વધુ રસપ્રદ માને છે - વિદ્યાર્થીએ એક મુલાકાતમાં જણાવ્યું.

- અમને તમારા વિશે કહો, તમને AI માં કેવી રીતે રસ પડ્યો? શું વિષયમાં પ્રવેશવું મુશ્કેલ હતું?
- હું 17 વર્ષનો છું, હું આ વર્ષે શાળા સમાપ્ત કરી રહ્યો છું, અને હું તાજેતરમાં ચેલ્યાબિન્સ્કથી ડોલ્ગોપ્રુડનીમાં ગયો, જે મોસ્કોની નજીક છે. હું કપિત્સા ફિઝિક્સ એન્ડ ટેક્નોલોજી લિસિયમમાં અભ્યાસ કરું છું, આ મોસ્કો પ્રદેશની શ્રેષ્ઠ શાળાઓમાંની એક છે. હું એક એપાર્ટમેન્ટ ભાડે આપી શકું છું, પરંતુ હું શાળામાં બોર્ડિંગ સ્કૂલમાં રહું છું, લિસિયમના લોકો સાથે વાતચીત કરવી વધુ સારું અને સરળ છે.

મેં પહેલીવાર AI અને ML વિશે સાંભળ્યું હતું, સંભવતઃ 2016 માં, જ્યારે પ્રિઝમા દેખાયા. ત્યારે હું 8મા ધોરણમાં હતો અને ઓલિમ્પિયાડ પ્રોગ્રામિંગ કરતો હતો, કેટલાક ઓલિમ્પિયાડ્સમાં હાજરી આપી હતી અને જાણવા મળ્યું હતું કે અમે શહેરમાં ML મીટઅપ્સ કરી રહ્યા છીએ. મને તે શોધવામાં, તે કેવી રીતે કાર્ય કરે છે તે સમજવામાં રસ હતો અને મેં ત્યાં જવાનું શરૂ કર્યું. ત્યાં મેં પ્રથમ વખત મૂળભૂત બાબતો શીખી, પછી મેં ઇન્ટરનેટ પર, વિવિધ અભ્યાસક્રમોમાં તેનો અભ્યાસ કરવાનું શરૂ કર્યું.

શરૂઆતમાં, રશિયનમાં કોન્સ્ટેન્ટિન વોરોન્ટસોવનો માત્ર એક અભ્યાસક્રમ હતો, અને તે શીખવવાની રીત કડક હતી: તેમાં ઘણી શરતો હતી, અને વર્ણનોમાં ઘણા સૂત્રો હતા. આઠમા ધોરણના વિદ્યાર્થી માટે આ ખૂબ જ મુશ્કેલ હતું, પરંતુ હવે, ચોક્કસ કારણ કે હું શરૂઆતમાં આવી શાળામાંથી પસાર થયો હતો, શરતો વાસ્તવિક સમસ્યાઓમાં વ્યવહારમાં મારા માટે મુશ્કેલીઓ ઊભી કરતી નથી.

— AI સાથે કામ કરવા માટે તમારે કેટલું ગણિત જાણવાની જરૂર છે? શું શાળાના અભ્યાસક્રમમાંથી પૂરતું જ્ઞાન છે?
— ઘણી રીતે, ML ગ્રેડ 10-11માં શાળાના મૂળભૂત ખ્યાલો, મૂળભૂત રેખીય બીજગણિત અને ભિન્નતા પર આધારિત છે. જો આપણે ઉત્પાદન વિશે, તકનીકી સમસ્યાઓ વિશે વાત કરી રહ્યા છીએ, તો ઘણી રીતે ગણિતની જરૂર નથી; ઘણી સમસ્યાઓ ફક્ત અજમાયશ અને ભૂલ દ્વારા હલ થાય છે. પરંતુ જો આપણે સંશોધનની વાત કરીએ, જ્યારે નવી તકનીકો બનાવવામાં આવે છે, ત્યારે ગણિત વિના ક્યાંય નથી. મૂળભૂત સ્તરે ગણિતની જરૂર છે, ઓછામાં ઓછું મેટ્રિક્સ કેવી રીતે લાગુ કરવું અથવા, પ્રમાણમાં કહીએ તો, ડેરિવેટિવ્ઝની ગણતરી કેવી રીતે કરવી તે જાણવા માટે. અહીં કોઈ બચતું ગણિત નથી.

— તમારા મતે, કુદરતી-વિશ્લેષણાત્મક માનસિકતા ધરાવતો કોઈપણ વિદ્યાર્થી ML સમસ્યાઓ હલ કરી શકે છે?
- હા. જો કોઈ વ્યક્તિ જાણે છે કે ML ના હૃદયમાં શું છે, જો તે જાણે છે કે ડેટા કેવી રીતે રચાયેલ છે અને મૂળભૂત યુક્તિઓ અથવા હેક્સને સમજે છે, તો તેને ગણિતની જરૂર રહેશે નહીં, કારણ કે નોકરી માટેના ઘણા સાધનો અન્ય લોકો દ્વારા પહેલેથી જ લખવામાં આવ્યા છે. તે બધા પેટર્ન શોધવા માટે નીચે આવે છે. પરંતુ બધું, અલબત્ત, કાર્ય પર આધાર રાખે છે.

— ML સમસ્યાઓ અને કેસોને ઉકેલવામાં સૌથી મુશ્કેલ વસ્તુ શું છે?
- દરેક નવું કાર્ય કંઈક નવું હોય છે. જો સમસ્યા પહેલાથી જ સમાન સ્વરૂપમાં અસ્તિત્વમાં હોત, તો તેને હલ કરવાની જરૂર ન હોત. ત્યાં કોઈ સાર્વત્રિક અલ્ગોરિધમનો નથી. એવા લોકોનો એક વિશાળ સમુદાય છે જેઓ તેમની સમસ્યાનું નિરાકરણ કરવાની કુશળતાને તાલીમ આપે છે, તેઓ કેવી રીતે સમસ્યાઓ હલ કરી તે જણાવે છે અને તેમની જીતની વાર્તાઓનું વર્ણન કરે છે. અને તેમના તર્ક, તેમના વિચારોને અનુસરવું ખૂબ જ રસપ્રદ છે.

- તમને કયા કેસ અને સમસ્યાઓ હલ કરવામાં સૌથી વધુ રસ છે?
— હું કોમ્પ્યુટેશનલ ભાષાશાસ્ત્રમાં નિષ્ણાત છું, મને ગ્રંથો, વર્ગીકરણ કાર્યો, ચેટબોટ્સ વગેરેમાં રસ છે.

- શું તમે વારંવાર AI હેકાથોનમાં ભાગ લો છો?
- હેકાથોન્સ, હકીકતમાં, ઓલિમ્પિયાડ્સની એક અલગ સિસ્ટમ છે. ઓલિમ્પિયાડમાં બંધ સમસ્યાઓનો સમૂહ છે, જાણીતા જવાબો સાથે જે સહભાગીએ અનુમાન લગાવવું જોઈએ. પરંતુ એવા લોકો છે જે બંધ કાર્યોમાં સારા નથી, પરંતુ ખુલ્લા કાર્યોમાં દરેકને ફાડી નાખે છે. તેથી તમે તમારા જ્ઞાનને અલગ અલગ રીતે ચકાસી શકો છો. ખુલ્લી સમસ્યાઓમાં, કેટલીકવાર તકનીકો શરૂઆતથી બનાવવામાં આવે છે, ઉત્પાદનો ઝડપથી વિકસિત થાય છે, અને આયોજકો પણ ઘણીવાર સાચો જવાબ જાણતા નથી. અમે અવારનવાર હેકાથોનમાં ભાગ લઈએ છીએ અને તેના દ્વારા અમે પૈસા કમાઈ શકીએ છીએ. આ રસપ્રદ છે.

- તમે આમાંથી કેટલી કમાણી કરી શકો છો? તમે તમારા ઈનામની રકમ કેવી રીતે ખર્ચો છો?
— મેં અને મારા મિત્રએ વીકોન્ટાક્ટે હેકાથોનમાં ભાગ લીધો હતો, જ્યાં અમે હર્મિટેજમાં ચિત્રો શોધવા માટે અરજી કરી હતી. ફોન સ્ક્રીન પર ઇમોજીસ અને ઇમોટિકોન્સનો સમૂહ પ્રદર્શિત કરવામાં આવ્યો હતો, આ સેટનો ઉપયોગ કરીને ચિત્ર શોધવું જરૂરી હતું, ફોનને ચિત્ર તરફ નિર્દેશ કરવામાં આવ્યો હતો, તેને ન્યુરલ નેટવર્કનો ઉપયોગ કરીને ઓળખવામાં આવ્યો હતો અને જો જવાબ સાચો હતો, તો પોઈન્ટ આપવામાં આવ્યા હતા. અમને આનંદ અને રસ હતો કે અમે એક એપ્લિકેશન બનાવવામાં સક્ષમ છીએ જે અમને મોબાઇલ ઉપકરણ પર પેઇન્ટિંગને ઓળખવાની મંજૂરી આપે છે. અમે કામચલાઉ રીતે પ્રથમ સ્થાને હતા, પરંતુ કાનૂની ઔપચારિકતાને લીધે અમે 500 હજાર રુબેલ્સનું ઇનામ ચૂકી ગયા. તે શરમજનક છે, પરંતુ તે મુખ્ય વસ્તુ નથી.

આ ઉપરાંત, તેણે Sberbank ડેટા સાયન્સ જર્ની સ્પર્ધામાં ભાગ લીધો, જ્યાં તેણે 5મું સ્થાન મેળવ્યું અને 200 હજાર રુબેલ્સ મેળવ્યા. પ્રથમ માટે તેઓએ એક મિલિયન ચૂકવ્યા, બીજા માટે 500 હજાર. ઇનામ ભંડોળ બદલાય છે, અને હવે વધી રહ્યું છે. ટોપમાં હોવાથી તમને 100 થી 500 હજાર મળી શકે છે. હું ઈનામની રકમ શિક્ષણ માટે બચાવું છું, ભવિષ્ય માટે આ મારું યોગદાન છે, જે પૈસા હું રોજબરોજના જીવનમાં ખર્ચું છું, તે હું મારી જાતે કમાઉ છું.

- વધુ રસપ્રદ શું છે - વ્યક્તિગત અથવા ટીમ હેકાથોન્સ?
- જો આપણે કોઈ ઉત્પાદન વિકસાવવા વિશે વાત કરી રહ્યા છીએ, તો તે એક ટીમ હોવી જોઈએ; એક વ્યક્તિ તે કરી શકતો નથી. તે ખાલી થાકી જશે અને તેને ટેકાની જરૂર છે. પરંતુ જો આપણે વાત કરી રહ્યા છીએ, ઉદાહરણ તરીકે, AI એકેડેમી હેકાથોન વિશે, તો ત્યાં કાર્ય મર્યાદિત છે, ઉત્પાદન બનાવવાની જરૂર નથી. ત્યાંની રુચિ અલગ છે - અન્ય વ્યક્તિ જે આ ક્ષેત્રમાં વિકાસ કરી રહી છે તેનાથી આગળ નીકળી જવું.

- તમે વધુ વિકાસ કરવાની યોજના કેવી રીતે કરો છો? તમે તમારી કારકિર્દી કેવી રીતે જુઓ છો?
— હવે મુખ્ય ધ્યેય તમારા ગંભીર વૈજ્ઞાનિક કાર્ય, સંશોધનને તૈયાર કરવાનું છે, જેથી તે વિશ્વના વિવિધ દેશોમાં યોજાતી NeurIPS અથવા ICML - ML પરિષદો જેવી અગ્રણી પરિષદોમાં દેખાય. કારકિર્દીનો પ્રશ્ન ખુલ્લો છે, છેલ્લા 5 વર્ષમાં MLનો વિકાસ કેવી રીતે થયો છે તે જુઓ. તે ઝડપથી બદલાઈ રહ્યું છે, હવે આગળ શું થશે તેની આગાહી કરવી મુશ્કેલ છે. અને જો આપણે વૈજ્ઞાનિક કાર્ય ઉપરાંત વિચારો અને યોજનાઓ વિશે વાત કરીએ, તો કદાચ હું મારી જાતને મારા પોતાના પ્રોજેક્ટમાં, AI અને MLના ક્ષેત્રમાં સ્ટાર્ટઅપ તરીકે જોઉં, પરંતુ આ ચોક્કસ નથી.

- તમારા મતે, AI ટેક્નોલોજીની મર્યાદાઓ શું છે?
— સારું, સામાન્ય રીતે, જો આપણે AI વિશે એવી વસ્તુ તરીકે વાત કરીએ કે જે અમુક પ્રકારની બુદ્ધિ ધરાવે છે, ડેટાની પ્રક્રિયા કરે છે, તો નજીકના ભવિષ્યમાં, તે આપણી આસપાસના વિશ્વની એક પ્રકારની જાગૃતિ હશે. જો આપણે કોમ્પ્યુટેશનલ ભાષાશાસ્ત્રમાં ન્યુરલ નેટવર્ક્સ વિશે વાત કરીએ, ઉદાહરણ તરીકે, અમે મોડેલને આપણા વિશ્વ વિશેના સંદર્ભની સમજ આપ્યા વિના, ઉદાહરણ તરીકે, ભાષા, સ્થાનિક રીતે કંઈક મોડેલ કરવાનો પ્રયાસ કરી રહ્યા છીએ. એટલે કે, જો આપણે આને AI માં સામેલ કરવામાં સક્ષમ થઈશું, તો અમે સંવાદ મોડલ, ચેટ બૉટ્સ બનાવી શકીશું જે ફક્ત ભાષાના મોડલને જ જાણશે નહીં, પરંતુ તેનો અંદાજ પણ હશે અને વૈજ્ઞાનિક તથ્યો પણ જાણશે. અને આ હું ભવિષ્યમાં જોવા માંગુ છું.

માર્ગ દ્વારા, એકેડમી ઑફ આર્ટિફિશિયલ ઇન્ટેલિજન્સ હાલમાં નવા હેકાથોન માટે સ્કૂલનાં બાળકોની ભરતી કરી રહી છે. ઇનામની રકમ પણ નોંધપાત્ર છે, અને આ વર્ષનું કાર્ય વધુ રસપ્રદ છે - તમારે એક અલ્ગોરિધમ બનાવવાની જરૂર પડશે જે એક Dota 2 મેચના આંકડાઓના આધારે ખેલાડીના અનુભવની આગાહી કરે છે. વિગતો માટે, અહીં જાઓ આ લિંક.

સોર્સ: www.habr.com