AI, शाळकरी मुले आणि मोठी बक्षिसे: 8 व्या वर्गात मशीन लर्निंग कसे करावे

अहो हाब्र!

हॅकाथॉनमध्ये सहभागी होण्यासारख्या किशोरांसाठी पैसे कमविण्याच्या अशा असामान्य मार्गाबद्दल आम्ही बोलू इच्छितो. हे दोन्ही आर्थिकदृष्ट्या फायदेशीर आहे आणि तुम्हाला शाळेत आणि स्मार्ट पुस्तके वाचून मिळालेले ज्ञान प्रत्यक्षात आणण्याची परवानगी देते.

एक साधे उदाहरण म्हणजे गेल्या वर्षी शाळकरी मुलांसाठी आर्टिफिशियल इंटेलिजन्स अकादमी हॅकाथॉन. त्याच्या सहभागींना डोटा 2 गेमच्या निकालाचा अंदाज लावायचा होता. स्पर्धेचा विजेता चेल्याबिन्स्क येथील दहावीचा विद्यार्थी अलेक्झांडर मामाएव होता. त्याच्या अल्गोरिदमने लढाईतील विजयी संघ सर्वात अचूकपणे निर्धारित केला. याबद्दल धन्यवाद, अलेक्झांडरला बक्षीस रक्कम मिळाली - 100 हजार रूबल.

अलेक्झांडर मामाएवने बक्षिसाची रक्कम कशी वापरली, विद्यार्थ्याला एमएल बरोबर काम करण्यासाठी कोणते ज्ञान नाही आणि एआयच्या क्षेत्रातील कोणती दिशा तो सर्वात मनोरंजक मानतो - विद्यार्थ्याने एका मुलाखतीत सांगितले.

- आम्हाला तुमच्याबद्दल सांगा, तुम्हाला AI मध्ये रस कसा वाटला? विषयात जाणे अवघड होते का?
— मी 17 वर्षांचा आहे, मी या वर्षी शाळा पूर्ण करत आहे आणि मी अलीकडेच चेल्याबिन्स्क येथून मॉस्कोजवळील डोल्गोप्रुडनी येथे गेलो. मी कपित्सा फिजिक्स अँड टेक्नॉलॉजी लिसियममध्ये शिकतो, ही मॉस्को प्रदेशातील सर्वोत्तम शाळांपैकी एक आहे. मी एक अपार्टमेंट भाड्याने घेऊ शकतो, परंतु मी शाळेत बोर्डिंग स्कूलमध्ये राहतो, लिसेममधील लोकांशी संवाद साधणे चांगले आणि सोपे आहे.

मी पहिल्यांदा AI आणि ML बद्दल ऐकले बहुधा 2016 मध्ये, जेव्हा Prisma दिसली. तेव्हा मी 8 व्या वर्गात होतो आणि ऑलिम्पियाड प्रोग्रामिंग करत होतो, काही ऑलिम्पियाडमध्ये सहभागी झालो होतो आणि समजले की आम्ही शहरात एमएल मीटअप करत आहोत. मला ते शोधण्यात, ते कसे कार्य करते हे समजून घेण्यात रस होता आणि मी तिथे जाऊ लागलो. तेथे मी प्रथमच मूलभूत गोष्टी शिकलो, नंतर मी इंटरनेटवर, विविध अभ्यासक्रमांमध्ये त्याचा अभ्यास करण्यास सुरुवात केली.

सुरुवातीला, रशियन भाषेत कॉन्स्टँटिन व्होरोंत्सोव्हचा फक्त एक कोर्स होता आणि तो शिकवण्याची पद्धत कठोर होती: त्यात अनेक अटी होत्या आणि वर्णनांमध्ये अनेक सूत्रे होती. आठव्या-इयत्तेच्या विद्यार्थ्यासाठी हे खूप कठीण होते, परंतु आता, तंतोतंत कारण मी सुरुवातीला अशा शाळेतून गेलो होतो, अटी मला वास्तविक समस्यांमध्ये व्यवहारात अडचणी आणत नाहीत.

— AI सह काम करण्यासाठी तुम्हाला किती गणित माहित असणे आवश्यक आहे? शालेय अभ्यासक्रमातून पुरेसे ज्ञान आहे का?
— बर्‍याच प्रकारे, ML 10-11 इयत्तेतील शाळेच्या मूलभूत संकल्पनांवर, मूलभूत रेखीय बीजगणित आणि भिन्नता यावर आधारित आहे. जर आपण उत्पादनाबद्दल, तांत्रिक समस्यांबद्दल बोलत आहोत, तर अनेक मार्गांनी गणिताची आवश्यकता नाही; अनेक समस्या केवळ चाचणी आणि त्रुटीने सोडवल्या जातात. पण संशोधनाबाबत बोलायचे झाले तर नवनवीन तंत्रज्ञान निर्माण झाले तर गणिताशिवाय कुठेच नाही. किमान मॅट्रिक्स कसे लावायचे किंवा डेरिव्हेटिव्ह्जची गणना कशी करायची हे जाणून घेण्यासाठी मूलभूत स्तरावर गणित आवश्यक आहे. इथे सुटणारे गणित नाही.

— तुमच्या मते, नैसर्गिक-विश्लेषणात्मक मानसिकता असलेला कोणताही विद्यार्थी ML समस्या सोडवू शकतो का?
- होय. जर एखाद्या व्यक्तीला माहित असेल की ML च्या हृदयात काय आहे, जर त्याला माहिती असेल की डेटा कसा संरचित आहे आणि मूलभूत युक्त्या किंवा हॅक समजून घेतल्यास, त्याला गणिताची आवश्यकता नाही, कारण नोकरीसाठी अनेक साधने आधीच इतर लोकांनी लिहिलेली आहेत. हे सर्व नमुने शोधण्यासाठी खाली येते. परंतु सर्व काही, अर्थातच, कार्यावर अवलंबून असते.

- एमएल समस्या आणि प्रकरणे सोडवण्यासाठी सर्वात कठीण गोष्ट कोणती आहे?
- प्रत्येक नवीन कार्य काहीतरी नवीन असते. जर समस्या आधीच त्याच स्वरूपात अस्तित्वात असती, तर ती सोडवण्याची गरज नव्हती. कोणतेही सार्वत्रिक अल्गोरिदम नाही. लोकांचा एक मोठा समुदाय आहे जो त्यांच्या समस्या सोडवण्याचे कौशल्य प्रशिक्षित करतो, त्यांनी समस्या कशा सोडवल्या हे सांगतात आणि त्यांच्या विजयाच्या कथांचे वर्णन करतात. आणि त्यांचे तर्क, त्यांच्या कल्पनांचे अनुसरण करणे खूप मनोरंजक आहे.

- कोणती प्रकरणे आणि समस्या सोडवण्यात तुम्हाला सर्वात जास्त रस आहे?
— मी संगणकीय भाषाशास्त्रात पारंगत आहे, मला मजकूर, वर्गीकरण समस्या, चॅटबॉट्स इत्यादींमध्ये रस आहे.

— तुम्ही अनेकदा AI हॅकाथॉनमध्ये सहभागी होता का?
- हॅकॅथॉन हे खरं तर ऑलिम्पियाड्सची वेगळी प्रणाली आहे. ऑलिम्पियाडमध्ये बंद समस्यांचा संच आहे, ज्यात ज्ञात उत्तरे आहेत ज्यांचा सहभागीने अंदाज लावला पाहिजे. परंतु असे लोक आहेत जे बंद केलेल्या कामांमध्ये चांगले नसतात, परंतु उघडलेल्या कामांमध्ये प्रत्येकाला फाडून टाकतात. त्यामुळे तुम्ही तुमचे ज्ञान वेगवेगळ्या प्रकारे तपासू शकता. खुल्या समस्यांमध्ये, तंत्रज्ञान कधीकधी सुरवातीपासून तयार केले जाते, उत्पादने त्वरीत विकसित केली जातात आणि आयोजकांना देखील योग्य उत्तर माहित नसते. आम्ही बर्‍याचदा हॅकाथॉनमध्ये भाग घेतो आणि याद्वारे आम्ही पैसे कमवू शकतो. हे मनोरंजक आहे.

- आपण यातून किती कमवू शकता? तुम्ही तुमची बक्षिसाची रक्कम कशी खर्च करता?
— मी आणि माझा मित्र व्हीकॉन्टाक्टे हॅकाथॉनमध्ये भाग घेतला, जिथे आम्ही हर्मिटेजमध्ये चित्रे शोधण्यासाठी अर्ज केला. फोन स्क्रीनवर इमोजी आणि इमोटिकॉन्सचा एक संच प्रदर्शित केला गेला, हा संच वापरून चित्र शोधणे आवश्यक होते, फोन चित्राकडे निर्देशित केला गेला, तो न्यूरल नेटवर्क वापरून ओळखला गेला आणि उत्तर बरोबर असल्यास, गुण दिले गेले. आम्हाला आनंद झाला आणि स्वारस्य आहे की आम्ही एक ऍप्लिकेशन तयार करू शकलो ज्यामुळे आम्हाला मोबाईल डिव्हाइसवर पेंटिंग ओळखता येते. आम्ही तात्पुरते प्रथम स्थानावर होतो, परंतु कायदेशीर औपचारिकतेमुळे आम्ही 500 हजार रूबलचे बक्षीस गमावले. ही एक लाजिरवाणी गोष्ट आहे, परंतु ती मुख्य गोष्ट नाही.

याव्यतिरिक्त, त्याने Sberbank डेटा सायन्स जर्नी स्पर्धेत भाग घेतला, जिथे त्याने 5 वे स्थान मिळवले आणि 200 हजार रूबल मिळवले. प्रथम त्यांनी एक दशलक्ष दिले, दुसऱ्यासाठी 500 हजार. बक्षीस निधी वेगवेगळा असतो आणि आता वाढत आहे. शीर्षस्थानी असल्याने, तुम्हाला 100 ते 500 हजार मिळू शकतात. मी बक्षिसाची रक्कम शिक्षणासाठी वाचवतो, हे माझे भविष्यासाठीचे योगदान आहे, जे पैसे मी रोजच्या जीवनात खर्च करतो, ते मी स्वतः कमावतो.

— अधिक मनोरंजक काय आहे - वैयक्तिक किंवा सांघिक हॅकाथॉन?
- जर आपण एखादे उत्पादन विकसित करण्याबद्दल बोलत आहोत, तर ते एक संघ असले पाहिजे; एक व्यक्ती ते करू शकत नाही. तो फक्त थकून जाईल आणि त्याला आधाराची गरज आहे. परंतु जर आपण बोलत आहोत, उदाहरणार्थ, एआय अकादमी हॅकाथॉनबद्दल, तर तेथे कार्य मर्यादित आहे, उत्पादन तयार करण्याची आवश्यकता नाही. तिथली स्वारस्य वेगळी आहे - या क्षेत्रात विकसित होत असलेल्या दुसर्या व्यक्तीला मागे टाकण्यासाठी.

- पुढे विकसित करण्याची तुमची योजना कशी आहे? तुम्ही तुमचे करिअर कसे पाहता?
— आता तुमचे गंभीर वैज्ञानिक कार्य, संशोधन तयार करणे हे मुख्य उद्दिष्ट आहे, जेणेकरुन ते जगातील विविध देशांमध्ये होणाऱ्या NeurIPS किंवा ICML - ML परिषदांसारख्या आघाडीच्या परिषदांमध्ये दिसून येईल. करिअरचा प्रश्न खुला आहे, गेल्या ५ वर्षांत एमएलचा विकास कसा झाला ते पहा. ते झपाट्याने बदलत आहे, आता पुढे काय होईल हे सांगणे कठीण आहे. आणि जर आपण वैज्ञानिक कार्याव्यतिरिक्त कल्पना आणि योजनांबद्दल बोललो तर कदाचित मी स्वतःला माझ्या स्वतःच्या प्रकल्पात, एआय आणि एमएलच्या क्षेत्रातील स्टार्टअपमध्ये पाहीन, परंतु हे निश्चित नाही.

- तुमच्या मते, एआय तंत्रज्ञानाच्या मर्यादा काय आहेत?
— बरं, सर्वसाधारणपणे, जर आपण एआय बद्दल काही प्रकारची बुद्धिमत्ता असलेली, डेटावर प्रक्रिया करणारी गोष्ट म्हणून बोललो तर, नजीकच्या भविष्यात, ती आपल्या सभोवतालच्या जगाची एक प्रकारची जागरूकता असेल. जर आपण संगणकीय भाषाशास्त्रातील न्यूरल नेटवर्क्सबद्दल बोललो तर, उदाहरणार्थ, आम्ही मॉडेलला आपल्या जगाविषयीच्या संदर्भाची समज न देता, स्थानिक पातळीवर काहीतरी मॉडेल करण्याचा प्रयत्न करत आहोत, उदाहरणार्थ, भाषा. म्हणजेच, जर आम्ही हे AI मध्ये अंतर्भूत करू शकलो, तर आम्ही संवाद मॉडेल्स, चॅट बॉट्स तयार करू शकू ज्यांना केवळ भाषा मॉडेलच कळणार नाही, तर दृष्टीकोनही असेल आणि वैज्ञानिक तथ्येही कळतील. आणि हेच मला भविष्यात पाहायला आवडेल.

तसे, अॅकॅडमी ऑफ आर्टिफिशियल इंटेलिजन्स सध्या नवीन हॅकाथॉनसाठी शाळकरी मुलांची भरती करत आहे. बक्षिसाची रक्कम देखील भरीव आहे आणि या वर्षीचे कार्य अधिक मनोरंजक आहे - तुम्हाला एक अल्गोरिदम तयार करणे आवश्यक आहे जे एका Dota 2 सामन्याच्या आकडेवारीवर आधारित खेळाडूच्या अनुभवाचा अंदाज लावेल. तपशीलांसाठी, येथे जा हा दुवा.

स्त्रोत: www.habr.com