ઇલ્યા સેગાલોવિચના નામ પર ઇનામ. કમ્પ્યુટર સાયન્સ અને લોંચ પ્રકાશનો વિશેની વાર્તા

આજે અમે ઇલ્યા સેગાલોવિચના નામ પર એક વૈજ્ઞાનિક પુરસ્કાર શરૂ કરી રહ્યા છીએ iseg. તેને કોમ્પ્યુટર સાયન્સના ક્ષેત્રમાં સિદ્ધિઓ માટે એનાયત કરવામાં આવશે. અંડરગ્રેજ્યુએટ અને અનુસ્નાતક વિદ્યાર્થીઓ એવોર્ડ માટે પોતાની અરજી સબમિટ કરી શકે છે અથવા વૈજ્ઞાનિક નિરીક્ષકોને નામાંકિત કરો. વિજેતાઓની પસંદગી શૈક્ષણિક સમુદાય અને યાન્ડેક્સના પ્રતિનિધિઓ દ્વારા કરવામાં આવશે. મુખ્ય પસંદગી માપદંડ: પરિષદોમાં પ્રકાશનો અને પ્રસ્તુતિઓ, તેમજ સમુદાયના વિકાસમાં યોગદાન.

પ્રથમ એવોર્ડ સમારોહ એપ્રિલમાં યોજાશે. પુરસ્કારના ભાગ રૂપે, યુવા વૈજ્ઞાનિકોને 350 હજાર રુબેલ્સ પ્રાપ્ત થશે, અને વધુમાં, તેઓ આંતરરાષ્ટ્રીય કોન્ફરન્સમાં જઈ શકશે, માર્ગદર્શક સાથે કામ કરી શકશે અને યાન્ડેક્ષ સંશોધન વિભાગમાં ઇન્ટર્નશિપમાંથી પસાર થઈ શકશે. વૈજ્ઞાનિક નિરીક્ષકોને 700 હજાર રુબેલ્સ પ્રાપ્ત થશે.

એવોર્ડના લોન્ચિંગ પ્રસંગે, અમે કમ્પ્યુટર વિજ્ઞાનની દુનિયામાં સફળતા માટેના માપદંડો વિશે અહીં Habré પર વાત કરવાનું નક્કી કર્યું છે. કેટલાક Habr વાચકો પહેલેથી જ આ માપદંડોથી પરિચિત છે, જ્યારે અન્ય લોકો તેમના વિશે ખોટી છાપ ધરાવે છે. આજે આપણે આ અંતરને દૂર કરીશું - અમે લેખો, પરિષદો, ડેટાસેટ્સ અને સેવાઓમાં વૈજ્ઞાનિક વિચારોના સ્થાનાંતરણ સહિત તમામ મુખ્ય વિષયોને સ્પર્શ કરીશું.

કમ્પ્યુટર વિજ્ઞાનના ક્ષેત્રમાં વૈજ્ઞાનિકો માટે, સફળતા માટેનો મુખ્ય માપદંડ એ ટોચની આંતરરાષ્ટ્રીય પરિષદોમાંના એકમાં તેમના વૈજ્ઞાનિક કાર્યનું પ્રકાશન છે. સંશોધકના કાર્યને ઓળખવા માટે આ પ્રથમ "ચેકપોઇન્ટ" છે. ઉદાહરણ તરીકે, સામાન્ય રીતે મશીન લર્નિંગના ક્ષેત્રમાં, ઇન્ટરનેશનલ કોન્ફરન્સ ઓન મશીન લર્નિંગ (ICML) અને કોન્ફરન્સ ઓન ન્યુરલ ઇન્ફોર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ (NeurIPS, અગાઉ NIPS) અલગ પડે છે. ML ના ચોક્કસ ક્ષેત્રો પર ઘણી પરિષદો છે, જેમ કે કોમ્પ્યુટર વિઝન, માહિતી પુનઃપ્રાપ્તિ, સ્પીચ ટેકનોલોજી, મશીન ટ્રાન્સલેશન વગેરે.

શા માટે તમારા વિચારો પ્રકાશિત કરો

જે લોકો કોમ્પ્યુટર સાયન્સથી દૂર છે તેઓને એવી ગેરસમજ હોઈ શકે છે કે સૌથી મૂલ્યવાન વિચારોને ગુપ્ત રાખવા અને તેમની વિશિષ્ટતામાંથી નફો મેળવવાનો પ્રયાસ કરવો વધુ સારું છે. જો કે, આપણા ક્ષેત્રમાં વાસ્તવિક પરિસ્થિતિ બિલકુલ વિપરીત છે. વૈજ્ઞાનિકની સત્તા અન્ય વૈજ્ઞાનિકો (સંદર્ભ સૂચકાંક) દ્વારા તેના લેખો કેટલી વાર ટાંકવામાં આવે છે તેના આધારે તેના કાર્યોના મહત્વ દ્વારા નક્કી કરવામાં આવે છે. આ તેની કારકિર્દીની એક મહત્વપૂર્ણ લાક્ષણિકતા છે. એક સંશોધક વ્યાવસાયિક નિસરણી ઉપર આગળ વધે છે, તેના સમુદાયમાં વધુ આદરણીય બને છે, માત્ર જો તે સતત મજબૂત કાર્ય ઉત્પન્ન કરે છે જે પ્રકાશિત થાય છે, પ્રખ્યાત બને છે અને અન્ય વૈજ્ઞાનિકોના કાર્ય માટે આધાર બનાવે છે.

ઘણા ટોચના લેખો (કદાચ મોટા ભાગના) વિશ્વભરની વિવિધ યુનિવર્સિટીઓ અને કંપનીઓના સંશોધકો વચ્ચેના સહયોગનું પરિણામ છે. સંશોધકની કારકિર્દીમાં એક મહત્વપૂર્ણ અને ખૂબ જ મૂલ્યવાન ક્ષણ એ હોય છે જ્યારે તેને તેના અનુભવના આધારે પોતાના વિચારો શોધવાની અને તેને બહાર કાઢવાની તક મળે છે - પરંતુ આ પછી પણ, તેના સાથીદારો તેને અમૂલ્ય મદદ પૂરી પાડવાનું ચાલુ રાખે છે. વૈજ્ઞાનિકો એકબીજાને વિચારો વિકસાવવામાં મદદ કરે છે, સહયોગમાં લેખો લખે છે - અને વિજ્ઞાનમાં વૈજ્ઞાનિકનું યોગદાન જેટલું વધારે છે, તેના માટે સમાન વિચાર ધરાવતા લોકોને શોધવાનું સરળ બને છે.

છેવટે, માહિતીની ઘનતા અને પ્રાપ્યતા હવે એટલી મોટી છે કે વિવિધ સંશોધકો એક સાથે ખૂબ જ સમાન (અને ખરેખર મૂલ્યવાન) વૈજ્ઞાનિક વિચારો સાથે આવે છે. જો તમે તમારો વિચાર પ્રકાશિત ન કરો, તો કોઈ અન્ય તમારા માટે લગભગ ચોક્કસપણે તેને પ્રકાશિત કરશે. "વિજેતા" ઘણીવાર તે નથી જે થોડી વહેલી તકે નવીનતા સાથે આવ્યા હતા, પરંતુ તે જેણે તેને થોડું વહેલું પ્રકાશિત કર્યું હતું. અથવા - જેણે શક્ય તેટલું સંપૂર્ણ, સ્પષ્ટ અને ખાતરીપૂર્વક વિચારને પ્રગટ કરવામાં વ્યવસ્થાપિત કર્યું.

લેખો અને ડેટાસેટ્સ

તેથી, સંશોધક દ્વારા પ્રસ્તાવિત મુખ્ય વિચારની આસપાસ એક વૈજ્ઞાનિક લેખ બનાવવામાં આવ્યો છે. આ વિચાર કમ્પ્યુટર વિજ્ઞાનમાં તેમનું યોગદાન છે. લેખ થોડા વાક્યોમાં ઘડવામાં આવેલા વિચારના વર્ણનથી શરૂ થાય છે. આ પછી એક પરિચય આપવામાં આવે છે જે સૂચિત નવીનતાની મદદથી હલ કરવામાં આવેલી સમસ્યાઓની શ્રેણીનું વર્ણન કરે છે. વર્ણન અને પરિચય સામાન્ય રીતે સરળ ભાષામાં લખવામાં આવે છે જે વિશાળ પ્રેક્ષકોને સમજી શકાય. પરિચય પછી, ગાણિતિક ભાષામાં પ્રસ્તુત સમસ્યાઓને ઔપચારિક બનાવવી અને કડક સંકેતો દાખલ કરવી જરૂરી છે. પછી, પરિચયિત સંકેતોનો ઉપયોગ કરીને, તમારે સૂચિત નવીનતાના સારને સ્પષ્ટ અને વ્યાપક નિવેદન બનાવવાની જરૂર છે, અને અગાઉની, સમાન પદ્ધતિઓમાંથી તફાવતોને ઓળખવાની જરૂર છે. બધા સૈદ્ધાંતિક નિવેદનો કાં તો અગાઉ સંકલિત પુરાવાના સંદર્ભો દ્વારા સમર્થિત હોવા જોઈએ, અથવા સ્વતંત્ર રીતે સાબિત થયેલ હોવું જોઈએ. આ કેટલીક ધારણાઓ સાથે કરી શકાય છે. ઉદાહરણ તરીકે, તમે કેસ માટે સાબિતી આપી શકો છો જ્યારે અસંખ્ય તાલીમ ડેટા (એક દેખીતી રીતે અપ્રાપ્ય પરિસ્થિતિ) હોય અથવા તેઓ એકબીજાથી સંપૂર્ણપણે સ્વતંત્ર હોય. લેખના અંત તરફ, વૈજ્ઞાનિક પ્રાયોગિક પરિણામો વિશે વાત કરે છે જે તે મેળવવામાં સક્ષમ હતા.

પરિષદના આયોજકો દ્વારા ભરતી કરાયેલા સમીક્ષકો માટે પેપરને મંજૂર કરવાની શક્યતા વધુ હોય તે માટે, તેમાં એક અથવા વધુ વિશેષતાઓ હોવી આવશ્યક છે. એક મુખ્ય પરિબળ જે મંજૂરીની શક્યતાઓને વધારે છે તે સૂચિત વિચારની વૈજ્ઞાનિક નવીનતા છે. મોટે ભાગે, નવીનતાનું મૂલ્યાંકન પહેલેથી જ અસ્તિત્વમાં છે તેવા વિચારોના સંબંધમાં કરવામાં આવે છે - અને તેનું મૂલ્યાંકન કરવાનું કાર્ય સમીક્ષક દ્વારા હાથ ધરવામાં આવતું નથી, પરંતુ લેખના લેખક પોતે જ કરે છે. આદર્શરીતે, લેખકે હાલની પદ્ધતિઓ વિશે લેખમાં વિગતવાર જણાવવું જોઈએ અને, જો શક્ય હોય તો, તેને તેની પદ્ધતિના વિશેષ કેસ તરીકે રજૂ કરવું જોઈએ. આમ, વૈજ્ઞાનિક બતાવે છે કે સ્વીકૃત અભિગમો હંમેશા કામ કરતા નથી, તેમણે તેમને સામાન્ય બનાવ્યા અને વ્યાપક, વધુ લવચીક અને તેથી વધુ અસરકારક સૈદ્ધાંતિક રચનાની દરખાસ્ત કરી. જો નવીનતા નિર્વિવાદ છે, તો અન્યથા સમીક્ષકો લેખનું મૂલ્યાંકન આટલું ચુસ્તપણે નહીં કરે - ઉદાહરણ તરીકે, તેઓ નબળી અંગ્રેજી તરફ આંખ આડા કાન કરી શકે છે.

નવીનતાને મજબૂત કરવા માટે, એક અથવા વધુ ડેટાસેટ્સ પર હાલની પદ્ધતિઓ સાથે સરખામણી શામેલ કરવી ઉપયોગી છે. તેમાંના દરેક શૈક્ષણિક વાતાવરણમાં ખુલ્લા અને સ્વીકૃત હોવા જોઈએ. ઉદાહરણ તરીકે, ઇમેજનેટ ઇમેજ રિપોઝીટરી અને મોડિફાઇડ નેશનલ ઇન્સ્ટિટ્યૂટ ઑફ સ્ટાન્ડર્ડ્સ એન્ડ ટેક્નોલોજી (MNIST) અને CIFAR (કેનેડિયન ઇન્સ્ટિટ્યૂટ ફોર એડવાન્સ્ડ રિસર્ચ) જેવી સંસ્થાઓના ડેટાબેઝ છે. મુશ્કેલી એ છે કે આવા "શૈક્ષણિક" ડેટાસેટ ઘણીવાર વાસ્તવિક ડેટાથી સામગ્રી માળખામાં અલગ પડે છે જેની સાથે ઉદ્યોગ વ્યવહાર કરે છે. વિવિધ ડેટાનો અર્થ છે સૂચિત પદ્ધતિના વિવિધ પરિણામો. વૈજ્ઞાનિકો કે જેઓ આંશિક રીતે ઉદ્યોગ માટે કામ કરે છે તેઓ આને ધ્યાનમાં લેવાનો પ્રયાસ કરે છે અને કેટલીકવાર અસ્વીકરણ દાખલ કરે છે જેમ કે "અમારા ડેટા પર પરિણામ આવા અને આવા છે, પરંતુ જાહેર ડેટાસેટ પર - આવા અને આવા."

એવું બને છે કે સૂચિત પદ્ધતિ ખુલ્લા ડેટાબેઝ માટે સંપૂર્ણપણે "અનુકૂલિત" છે અને વાસ્તવિક ડેટા પર કામ કરતી નથી. તમે નવા, વધુ પ્રતિનિધિ ડેટાસેટ્સ ખોલીને આ સામાન્ય સમસ્યાનો સામનો કરી શકો છો, પરંતુ ઘણીવાર અમે ખાનગી સામગ્રી વિશે વાત કરીએ છીએ જે કંપનીઓને ખોલવાનો અધિકાર નથી. કેટલાક કિસ્સાઓમાં, તેઓ ડેટાનું અનામીકરણ (ક્યારેક જટિલ અને ઉદ્યમી) કરે છે - તેઓ કોઈ ચોક્કસ વ્યક્તિ તરફ નિર્દેશ કરતા કોઈપણ ટુકડાઓ દૂર કરે છે. ઉદાહરણ તરીકે, ફોટોગ્રાફ્સમાંના ચહેરા અને સંખ્યાઓ ભૂંસી નાખવામાં આવે છે અથવા અયોગ્ય બનાવવામાં આવે છે. વધુમાં, ડેટાસેટ માત્ર દરેક માટે ઉપલબ્ધ ન રહે તે માટે, પરંતુ વૈજ્ઞાનિકોમાં એક માનક બનવા માટે કે જેના પર વિચારોની તુલના કરવાનું અનુકૂળ છે, તે માત્ર તેને પ્રકાશિત કરવું જ નહીં, પરંતુ તેના વિશે એક અલગ ટાંકવામાં આવેલ લેખ પણ લખવો જરૂરી છે. તે અને તેના ફાયદા.

જ્યારે અભ્યાસ કરવામાં આવતા વિષયમાં કોઈ ઓપન ડેટાસેટ્સ ન હોય ત્યારે તે વધુ ખરાબ છે. પછી સમીક્ષક માત્ર વિશ્વાસ પર લેખક દ્વારા પ્રસ્તુત પરિણામો સ્વીકારી શકે છે. સૈદ્ધાંતિક રીતે, લેખક તેમને વધુ પડતો અંદાજ પણ આપી શકે છે અને શોધી શકાતો નથી, પરંતુ શૈક્ષણિક વાતાવરણમાં આ અસંભવિત છે, કારણ કે તે વિજ્ઞાનના વિકાસની વિશાળ બહુમતી વૈજ્ઞાનિકોની ઇચ્છા વિરુદ્ધ જાય છે.

કમ્પ્યુટર વિઝન સહિત ML ના સંખ્યાબંધ ક્ષેત્રોમાં, લેખો સાથે કોડ (સામાન્ય રીતે GitHub સાથે) સાથે લિંક્સ જોડવાનું પણ સામાન્ય છે. લેખો પોતે કાં તો બહુ ઓછા કોડ ધરાવે છે અથવા તો સ્યુડોકોડ છે. અને અહીં, ફરીથી, મુશ્કેલીઓ ઊભી થાય છે જો લેખ કોઈ કંપનીના સંશોધક દ્વારા લખવામાં આવે છે, અને યુનિવર્સિટીમાંથી નહીં. મૂળભૂત રીતે, કોર્પોરેશન અથવા સ્ટાર્ટઅપમાં લખાયેલ કોડને NDA લેબલ કરવામાં આવે છે. સંશોધકો અને તેમના સાથીદારોએ આંતરિક અને ચોક્કસપણે બંધ ભંડારમાંથી વર્ણવેલ વિચાર સાથે સંબંધિત કોડને અલગ કરવા માટે સખત મહેનત કરવી પડશે.

પ્રકાશનની તક પણ પસંદ કરેલા વિષયની સુસંગતતા પર આધારિત છે. પ્રાસંગિકતા મોટે ભાગે ઉત્પાદનો અને સેવાઓ દ્વારા નક્કી કરવામાં આવે છે: જો કોઈ કોર્પોરેશન અથવા સ્ટાર્ટઅપ કોઈ લેખના વિચારના આધારે નવી સેવા બનાવવા અથવા અસ્તિત્વમાં છે તે સુધારવામાં રસ ધરાવતા હોય, તો તે એક વત્તા છે.

પહેલેથી જ ઉલ્લેખ કર્યો છે તેમ, કમ્પ્યુટર સાયન્સ પેપર ભાગ્યે જ એકલા લખવામાં આવે છે. પરંતુ એક નિયમ તરીકે, લેખકોમાંના એક અન્ય કરતા વધુ સમય અને પ્રયત્નો વિતાવે છે. વૈજ્ઞાનિક નવીનતામાં તેમનું યોગદાન સૌથી મોટું છે. લેખકોની સૂચિમાં, આવી વ્યક્તિને પ્રથમ સૂચવવામાં આવે છે - અને ભવિષ્યમાં, જ્યારે કોઈ લેખનો ઉલ્લેખ કરવામાં આવે છે, ત્યારે તેઓ ફક્ત તેનો ઉલ્લેખ કરી શકે છે (ઉદાહરણ તરીકે, "ઇવાનવ એટ અલ" - "ઇવાનવ અને અન્ય" લેટિનમાંથી અનુવાદિત). જો કે, અન્ય લોકોનું યોગદાન પણ અત્યંત મૂલ્યવાન છે - અન્યથા લેખકોની સૂચિમાં હોવું અશક્ય છે.

સમીક્ષા પ્રક્રિયા

સામાન્ય રીતે કોન્ફરન્સના કેટલાક મહિના પહેલા પેપર્સ સ્વીકારવાનું બંધ કરી દે છે. એકવાર લેખ સબમિટ થઈ જાય પછી, સમીક્ષકો પાસે તેને વાંચવા, મૂલ્યાંકન કરવા અને તેના પર ટિપ્પણી કરવા માટે 3-5 અઠવાડિયા હોય છે. આ સિંગલ બ્લાઇન્ડ સિસ્ટમ અનુસાર થાય છે, જ્યારે લેખકો સમીક્ષકોના નામ જોતા નથી, અથવા ડબલ બ્લાઇન્ડ, જ્યારે સમીક્ષકો પોતે લેખકોના નામ જોતા નથી. બીજા વિકલ્પને વધુ નિષ્પક્ષ માનવામાં આવે છે: કેટલાક વૈજ્ઞાનિક પેપરોએ દર્શાવ્યું છે કે લેખકની લોકપ્રિયતા સમીક્ષકના નિર્ણયને પ્રભાવિત કરે છે. ઉદાહરણ તરીકે, તે વિચારી શકે છે કે પહેલેથી જ પ્રકાશિત થયેલા લેખોની મોટી સંખ્યા ધરાવતો વૈજ્ઞાનિક ઉચ્ચ રેટિંગ માટે લાયક છે.

તદુપરાંત, ડબલ બ્લાઇન્ડના કિસ્સામાં પણ, સમીક્ષક કદાચ લેખકનું અનુમાન કરશે જો તેઓ સમાન ક્ષેત્રમાં કામ કરે છે. વધુમાં, સમીક્ષા સમયે, લેખ પહેલાથી જ arXiv ડેટાબેઝમાં પ્રકાશિત થઈ શકે છે, જે વૈજ્ઞાનિક કાગળોનો સૌથી મોટો ભંડાર છે. કોન્ફરન્સના આયોજકો આને પ્રતિબંધિત કરતા નથી, પરંતુ તેઓ arXiv માટે પ્રકાશનોમાં અલગ શીર્ષક અને અલગ અમૂર્તનો ઉપયોગ કરવાની ભલામણ કરે છે. પરંતુ જો લેખ ત્યાં પોસ્ટ કરવામાં આવ્યો હોય, તો તેને શોધવાનું હજી પણ મુશ્કેલ નહીં હોય.

લેખનું મૂલ્યાંકન કરતા ઘણા સમીક્ષકો હંમેશા હોય છે. તેમાંથી એકને મેટા-સમીક્ષકની ભૂમિકા સોંપવામાં આવી છે, જેણે ફક્ત તેના સાથીદારોના ચુકાદાઓની સમીક્ષા કરવી જોઈએ અને અંતિમ નિર્ણય લેવો જોઈએ. જો સમીક્ષકો લેખ પર અસંમત હોય, તો મેટા-સમીક્ષક પણ તેને સંપૂર્ણતા માટે વાંચી શકે છે.

કેટલીકવાર, રેટિંગ અને ટિપ્પણીઓની સમીક્ષા કર્યા પછી, લેખકને સમીક્ષક સાથે ચર્ચામાં પ્રવેશવાની તક મળે છે; તેનો નિર્ણય બદલવા માટે તેને મનાવવાની તક પણ છે (જો કે, આવી સિસ્ટમ તમામ પરિષદો માટે કામ કરતી નથી, અને ચુકાદાને ગંભીરતાથી પ્રભાવિત કરવાનું પણ ઓછું શક્ય છે). ચર્ચામાં, તમે લેખમાં પહેલેથી જ સંદર્ભિત કરેલા અપવાદ સિવાય અન્ય વૈજ્ઞાનિક કાર્યોનો સંદર્ભ લઈ શકતા નથી. તમે લેખની સામગ્રીને વધુ સારી રીતે સમજવામાં સમીક્ષકને ફક્ત "મદદ" કરી શકો છો.

પરિષદો અને સામયિકો

કોમ્પ્યુટર વિજ્ઞાનના લેખો વૈજ્ઞાનિક સામયિકો કરતાં પરિષદોમાં વધુ વખત સબમિટ કરવામાં આવે છે. આનું કારણ એ છે કે જર્નલ પ્રકાશનોમાં એવી જરૂરિયાતો હોય છે જેને પૂરી કરવી વધુ મુશ્કેલ હોય છે, અને પીઅર રિવ્યૂ પ્રક્રિયામાં મહિનાઓ કે વર્ષો પણ લાગી શકે છે. કોમ્પ્યુટર સાયન્સ એ ખૂબ જ ઝડપી ગતિશીલ ક્ષેત્ર છે, તેથી લેખકો સામાન્ય રીતે પ્રકાશન માટે આટલી લાંબી રાહ જોવા માટે તૈયાર નથી. જો કે, કોન્ફરન્સ માટે પહેલાથી જ સ્વીકારવામાં આવેલ લેખને પછી પૂરક બનાવી શકાય છે (ઉદાહરણ તરીકે, વધુ વિગતવાર પરિણામો રજૂ કરીને) અને જર્નલમાં પ્રકાશિત કરી શકાય છે જ્યાં જગ્યા પ્રતિબંધો એટલા કડક નથી.

કોન્ફરન્સમાં ઇવેન્ટ્સ

કોન્ફરન્સમાં મંજૂર લેખોના લેખકોની હાજરી માટેનું ફોર્મેટ સમીક્ષકો દ્વારા નક્કી કરવામાં આવે છે. જો લેખને લીલી ઝંડી આપવામાં આવે છે, તો તમને મોટાભાગે પોસ્ટર સ્ટેન્ડ ફાળવવામાં આવે છે. પોસ્ટર એ લેખ અને ચિત્રોના સારાંશ સાથેની સ્થિર સ્લાઇડ છે. કેટલાક કોન્ફરન્સ રૂમ પોસ્ટર સ્ટેન્ડની લાંબી હરોળથી ભરેલા છે. લેખક તેમના પોસ્ટર નજીક તેમના સમયનો નોંધપાત્ર ભાગ વિતાવે છે, લેખમાં રસ ધરાવતા વૈજ્ઞાનિકો સાથે વાતચીત કરે છે.

સહભાગિતા માટેનો થોડો વધુ પ્રતિષ્ઠિત વિકલ્પ એ લાઈટનિંગ ટોક છે. જો સમીક્ષકો લેખને ઝડપી અહેવાલ માટે યોગ્ય માને છે, તો લેખકને વિશાળ પ્રેક્ષકો સાથે વાત કરવા માટે લગભગ ત્રણ મિનિટ આપવામાં આવે છે. એક તરફ, લાઈટનિંગ ટોક એ તમારા વિચાર વિશે જણાવવાની એક સારી તક છે જેઓ તેમની પોતાની પહેલ પર પોસ્ટરમાં રસ ધરાવતા હતા. બીજી બાજુ, સક્રિય પોસ્ટર મુલાકાતીઓ હોલમાં સરેરાશ શ્રોતા કરતાં તમારા ચોક્કસ વિષયમાં વધુ તૈયાર અને વધુ ડૂબેલા હોય છે. તેથી, ઝડપી અહેવાલમાં, તમારી પાસે હજુ પણ લોકોને અપ ટુ ડેટ લાવવા માટે સમય હોવો જરૂરી છે.

સામાન્ય રીતે, તેમની વીજળીની ચર્ચાના અંતે, લેખકો પોસ્ટર નંબરનું નામ આપે છે જેથી શ્રોતાઓ તેને શોધી શકે અને લેખને વધુ સારી રીતે સમજી શકે.

છેલ્લો, સૌથી પ્રતિષ્ઠિત વિકલ્પ એ પોસ્ટર વત્તા વિચારની સંપૂર્ણ રજૂઆત છે, જ્યારે વાર્તા કહેવા માટે ઉતાવળ કરવાની જરૂર નથી.

પરંતુ અલબત્ત, વૈજ્ઞાનિકો - મંજૂર લેખોના લેખકો સહિત - આગામી કોન્ફરન્સમાં માત્ર બતાવવા માટે જ નહીં. પ્રથમ, તેઓ સ્પષ્ટ કારણોસર તેમના ક્ષેત્ર સાથે સંબંધિત પોસ્ટરો શોધવાનું વલણ ધરાવે છે. અને બીજું, ભવિષ્યમાં સંયુક્ત શૈક્ષણિક કાર્યના હેતુ માટે તેમના સંપર્કોની સૂચિને વિસ્તૃત કરવી તેમના માટે મહત્વપૂર્ણ છે. આ શિકાર નથી - અથવા, ઓછામાં ઓછું, તેનો પ્રથમ તબક્કો, જે ઓછામાં ઓછા એક અથવા વધુ લેખો પરના વિચારો, વિકાસ અને સંયુક્ત કાર્યના પરસ્પર ફાયદાકારક આદાનપ્રદાન દ્વારા અનુસરવામાં આવે છે.

તે જ સમયે, મફત સમયના કુલ અભાવને કારણે ટોચની કોન્ફરન્સમાં ઉત્પાદક નેટવર્કિંગ મુશ્કેલ છે. જો, પ્રસ્તુતિઓમાં અને પોસ્ટરો પર ચર્ચામાં આખો દિવસ વિતાવ્યા પછી, વૈજ્ઞાનિકે તેની તાકાત જાળવી રાખી છે અને પહેલેથી જ જેટ લેગને દૂર કરી છે, તો તે ઘણી પાર્ટીઓમાંની એકમાં જાય છે. તેઓ કોર્પોરેશનો દ્વારા હોસ્ટ કરવામાં આવે છે - પરિણામે, પક્ષો ઘણીવાર વધુ શિકાર પાત્ર ધરાવે છે. તે જ સમયે, ઘણા અતિથિઓ તેનો ઉપયોગ નવી નોકરી શોધવા માટે કરતા નથી, પરંતુ, ફરીથી, નેટવર્કિંગ માટે. સાંજે ત્યાં કોઈ વધુ અહેવાલો અને પોસ્ટરો નથી - તમને રસ હોય તેવા નિષ્ણાતને "પકડવું" સરળ છે.

વિચારથી ઉત્પાદન સુધી

કોમ્પ્યુટર સાયન્સ એ એવા કેટલાક ઉદ્યોગોમાંનું એક છે જ્યાં કોર્પોરેશનો અને સ્ટાર્ટઅપ્સના હિત શૈક્ષણિક વાતાવરણ સાથે મજબૂત રીતે જોડાયેલા છે. NIPS, ICML અને અન્ય સમાન પરિષદો માત્ર યુનિવર્સિટીઓ જ નહીં, ઉદ્યોગના ઘણા લોકોને આકર્ષે છે. કમ્પ્યુટર વિજ્ઞાનના ક્ષેત્ર માટે આ લાક્ષણિક છે, પરંતુ મોટાભાગના અન્ય વિજ્ઞાન માટે ઊલટું.

બીજી બાજુ, લેખોમાં પ્રસ્તુત તમામ વિચારો તરત જ સેવાઓ બનાવવા અથવા સુધારવા તરફ જતા નથી. એક કંપનીમાં પણ, એક સંશોધક સેવામાંથી સહકાર્યકરોને એક એવો વિચાર પ્રસ્તાવિત કરી શકે છે જે વૈજ્ઞાનિક ધોરણો દ્વારા સિદ્ધ થાય છે અને તેને અનેક કારણોસર અમલમાં મૂકવાનો ઇનકાર પ્રાપ્ત થાય છે. તેમાંથી એકનો ઉલ્લેખ અહીં પહેલેથી જ કરવામાં આવ્યો છે - આ "શૈક્ષણિક" ડેટા સેટ વચ્ચેનો તફાવત છે કે જેના પર લેખ લખવામાં આવ્યો હતો અને વાસ્તવિક ડેટા સેટ. વધુમાં, કોઈ વિચારના અમલીકરણમાં વિલંબ થઈ શકે છે, મોટી માત્રામાં સંસાધનોની જરૂર પડી શકે છે અથવા અન્ય મેટ્રિક્સને બગડવાની કિંમતે માત્ર એક જ સૂચકમાં સુધારો થઈ શકે છે.

પરિસ્થિતિ એ હકીકત દ્વારા સાચવવામાં આવે છે કે ઘણા વિકાસકર્તાઓ પોતે થોડા સંશોધકો છે. તેઓ પરિષદોમાં હાજરી આપે છે, વિદ્વાનો સાથે સમાન ભાષા બોલે છે, વિચારોનો પ્રસ્તાવ મૂકે છે, કેટલીકવાર લેખોના નિર્માણમાં ભાગ લે છે (ઉદાહરણ તરીકે, કોડ લખવા), અથવા તો પોતે લેખક તરીકે કાર્ય કરે છે. જો કોઈ વિકાસકર્તા શૈક્ષણિક પ્રક્રિયામાં ડૂબી જાય છે, સંશોધન વિભાગમાં શું થઈ રહ્યું છે તેને અનુસરે છે, એક શબ્દમાં - જો તે વૈજ્ઞાનિકો તરફ પ્રતિ-ચળવળ દર્શાવે છે, તો વૈજ્ઞાનિક વિચારોને નવી સેવા ક્ષમતાઓમાં ફેરવવાનું ચક્ર ટૂંકું થાય છે.

અમે તમામ યુવા સંશોધકોને તેમના કાર્યમાં સારા નસીબ અને મહાન સિદ્ધિઓની શુભેચ્છા પાઠવીએ છીએ. જો આ પોસ્ટ તમને કંઈપણ નવું કહેતી નથી, તો તમે કદાચ ટોચની કોન્ફરન્સમાં પ્રકાશિત કરી હશે. માટે નોંધણી કરો પ્રીમિયમ તમારી જાતને અને વૈજ્ઞાનિક નિરીક્ષકોને નામાંકિત કરો.

સોર્સ: www.habr.com