5 прорывных научных исследований, которыми занимаются лауреаты премии Сегаловича
© Unsplash
_ Искусственный интеллект помогает создавать новые лекарства, сохранять архитектурные памятники, разрабатывать роботов-помощников. Чтобы стимулировать прогресс в развитии высоких технологий и расширить их применение в жизни, Яндекс учредил премию имени Ильи Сегаловича в области компьютерных наук. Ее вручают студентам и научным руководителям из России, Беларуси и Казахстана. Мы поговорили с прошлогодними лауреатами и выяснили, чем они занимаются и как их работы меняют мир. _
Генеративные нейросети в вашем Zoom-колле
Александр Коротин, аспирант Сколковского института науки и технологий
Над чем вы работаете?
— Я разрабатываю алгоритмы для генеративных нейронных сетей, то есть учу ИИ не только анализировать данные, но и создавать на их основе что-то свое. В последние годы эта сфера переживает настоящий бум, все чаще результаты исследований применяются на практике. Например, появляются сервисы, которые генерируют вполне натуральные лица несуществующих людей, колоризируют черно-белые фотографии или улучшают качество снимка. Я как раз работаю над совершенствованием методов моделирования, чтобы получать от ИИ более качественные результаты.
Почему стали заниматься этими исследованиями?
— Обратить внимание на генеративные нейронные сети мне посоветовал научный руководитель. До этого я занимался агрегацией прогнозирующих моделей — это алгоритмы, которые собирают данные из разных источников и на основе их анализа делают предсказания. Вообще, я не сразу пришел в компьютерные науки. В школе я увлекался математикой, поэтому поступил на математический факультет. В целом мне было интересно учиться, но хотелось решать больше прикладные, а не абстрактные задачи. Поэтому параллельно основной учебе я поступил в Школу анализа данных Яндекса и уже там понял, что хочу заниматься исследованиями в области машинного обучения.
Как ваша работа поможет человечеству?
— На самом деле, нейронные сети уже помогают людям: мы разработали систему, которая прогнозирует обледенение на дорогах. Она позволяет коммунальным службам быстрее реагировать на проблему, вовремя убирать наледь и тем самым предотвращать аварии. Вообще, человек часто сталкивается с нейросетями, в том числе генеративными. Во время звонков в том же Skype или Zoom они убирают посторонние звуки, чтобы было хорошо слышно голос человека. Их навык работы с изображениями применяется в медицине для улучшения качества снимков МРТ, в микробиологии и астрофизике при изучении кадров в сверхразрешении, когда на фотографиях со спутников из космоса или снимков с микроскопов нужно убрать шум и подтянуть качество. Это только малая часть способов применения генеративных нейросетей, но даже такие примеры впечатляют.
ИИ и клятва Гиппократа
Алексей Шпильман, заведующий Центром анализа данных и машинного обучения в НИУ ВШЭ (Санкт-Петербург)
Над чем вы работаете?
— Я занимаюсь исследованиями в двух областях Machine Learning. Первое направление – обучение с подкреплением, когда система (агент) помещается в определенную среду и методом проб и ошибок учится достигать в ней поставленной цели. Правильные шаги поощряются и позволяют машине в будущем принимать оптимальные решения автономно. Вторая сфера моих интересов связана с медициной. Я окончил факультет биоинженерии и биоинформатики, потом занялся исследованиями машинного обучения в Яндексе. Сейчас я хочу соединить эти две научные области, поэтому моя работа посвящена применению еще одного ML-метода — глубинного обучения — в биологии и медицине. В глубинном обучении нейросеть представлена сложной многоуровневой структурой, имитирующей человеческий мозг. Эти уровни «коммуницируют» между собой, позволяя анализировать большие объемы данных и решать по-настоящему сложные задачи.
Почему стали заниматься этими исследованиями?
— ML — настолько магическая область, что ей невозможно не заниматься. Обучение с подкреплением — это такой искусственный интеллект в понимании фантастов: есть какие-то агенты, которые взаимодействуют, что-то двигают, делают, со стороны кажутся разумными. Но пока мы это видим в основном в игровых окружениях, таких как Го или DOTA2. Мы сейчас работаем над тем, чтобы полученные результаты наконец стали прикладными, ведь применение машинного обучения, например, в биологии и медицине может качественно улучшить человеческую жизнь.
Как ваша работа поможет человечеству?
— Метод обучения с подкреплением еще только ждет своего «звездного часа»: сейчас мы находимся на пороге больших и значимых технологических прорывов. Например, в будущем с помощью RL получится автоматизировать настройку ракетных двигателей, технологию RTB в рекламе (это закупка медийного места на онлайн-аукционе в реальном времени), торговлю акций на фондовом рынке и многое другое.
А глубинное обучение нейросетей уже успешно применяется для развития персонализированной медицины. Сейчас мы вместе с фармацевтическими компаниями используем искусственный интеллект, чтобы придумать методы для синтеза новых классов лекарств. Благодаря этому получится создавать препараты с учетом индивидуальных характеристик людей, например, их генома. Вполне вероятно, что через 20 лет пациент сможет зайти в сканер, который снимет все показатели, а потом выдаст таблетку, подходящую под его конкретный случай. Кроме того, появится инструмент (это может быть усовершенствованный аналог фитнес-браслета или специальный датчик), который будет круглосуточно собирать разнообразные данные о здоровье человека, анализировать их и подбирать схему лечения. Это открывает большие возможности и для превентивной диагностики — представьте, алгоритм выявляет патологии в организме на ранних стадиях и сразу предлагает план терапии. Другими словами, на ИИ возложена важная социальная миссия — помочь людям меньше болеть и дольше жить.
Дополненная реальность и распознавание объектов
Алексей Артемов, научный сотрудник Сколковского института науки и технологий
Над чем вы работаете?
— Я разрабатываю алгоритмы для компьютерного зрения, и особенно меня интересует создание 3D-моделей по фотографиям, чертежам и трехмерным сканам. Конечно, такие технологии существуют уже давно, но в последнее время они получили новое развитие — во многом благодаря совершенствованию методов машинного обучения. Именно нейросеть обрабатывает большой массив данных об объекте и создает его цифровую 3D-модель. А мы, ученые, помогаем ей добиться максимально точного результата.
Почему стали заниматься этими исследованиями?
— Машинное обучение и компьютерное зрение для 3D-данных — это области, которые сейчас переживают расцвет. А значит, именно здесь у ученого есть шанс проявить себя и продвинуть вперед свои разработки. Результаты наших исследований по-настоящему востребованы на рынке и уже широко применяются. Так в 2021 году наша команда из Сколтеха запатентовала метод, который позволяет ИИ точнее анализировать данные дистанционного зондирования Земли: распознавать различные объекты, в том числе здания, дороги и лесные массивы, и границы между ними. Эта функция позволяет, например, определить увеличение размеров мусорных полигонов или оценить ущерб от экологических катастроф, таких как ураганы.
Как ваша работа поможет человечеству?
— Наши разработки применяются в разных сферах, где требуются цифровые или напечатанные на 3D-принтере трехмерные модели. В медицине это позволяет заниматься протезированием зубов или костей. Реставраторы и археологи могут использовать результаты наших исследований для реконструкции предметов древности или восстановления памятников культурного наследия, разработчики компьютерных игр и кинематографисты — для создания реалистичных сцен или копий целых пространств. Самые известные оцифрованные памятники на сегодняшний день — копия «Давида» Микеланджело и 3D-скан сирийской Пальмиры. Мы тоже делаем разработки в этой области и планируем создать трехмерную модель части помещений Исторического музея.
Нам есть куда стремиться, ведь многие алгоритмы пока не реализованы, например те, что позволят создавать трехмерную видео-реконструкцию или 3D-модели из нескольких фотографий прямо на вашем смартфоне. Также нас всех ждет знакомство с реалистичными цифровыми аватарами, с которыми можно будет полноценно общаться. Эти перспективы мотивируют заниматься наукой дальше. А внимание к нашей работе со стороны крупных компаний — еще один хороший стимул: мы получаем не только финансовую поддержку, но и возможность популяризировать результаты своих исследований.
Репетитор для нейросети
Олег Свидченко, студент магистратуры НИУ ВШЭ (Санкт-Петербург)
Над чем вы работаете?
Я занимаюсь вопросом sample efficiency в обучении с подкреплением — то есть помогаю искусственному интеллекту учиться быстрее и эффективнее. Главная проблема существующих методов обучения с подкреплением в том, что системе требуется очень много времени и повторений на выработку правильной стратегии. Например, чтобы научить нейросеть играть в го, ей нужно сначала «скормить» огромный массив данных о человеческих партиях, дать время на поиск закономерностей, а потом подождать, пока она пройдет сотни тренировочных партий с другими компьютерами. Моя задача как раз в том, чтобы придумывать новые алгоритмы, которые помогут системе быстрее прийти к успеху.
Почему стали заниматься этими исследованиями?
— Меня всегда тянуло в науку: здесь фактические знания и точные расчеты сочетаются с творчеством. Благодаря такому тандему получается находить новые, необычные решения для самых разных задач — например, этот синтез помогает посмотреть под новым углом на способность системы учиться. Для меня основная мотивация к исследованиям в этой области — желание сделать метод более применимым на практике.
Как ваша работа поможет человечеству?
— Сегодня обучение с подкреплением активно применяется в компьютерных играх и робототехнике, но вот широкое и более прикладное использование пока затруднено. Когда мы усовершенствуем работу технологии и нейросеть будет учиться быстрее, откроются огромные возможности для оптимизации и автоматизации процессов в самых разных сферах: промышленности, медицине, логистике, управлении беспилотниками, создании роботов-помощников и т.д.
Работа над ошибками
Дмитрий Ковалев, аспирант ИППИ РАН
Над чем вы работаете?
— Я изучаю численные методы для решения задач оптимизации. Они постоянно возникают в процессе тренировки моделей машинного обучения, в том числе нейросетей. Простой пример: мы показываем нейросети картинки и «говорим», что на них изображено. Обучившись на этих примерах, система получает другие кадры и теперь должна самостоятельно определить, что видит на них.
Само обучение — это сложный процесс, который может занимать часы и даже дни. Этим процессом управляют определенные алгоритмы. Моя задача состоит в том, чтобы их улучшить и сделать процесс как можно более быстрым и качественным.
Почему стали заниматься этими исследованиями?
— Я никогда не думал, что моя жизнь будет связана с наукой — полагал, что стану программистом или буду заниматься анализом данных. Но все изменилось, когда во время обучения на четвертом курсе Физтеха мне предложили стажировку в Саудовской Аравии. Я получил возможность поработать в лаборатории оптимизации и машинного обучения Научно-технологического университета им. Короля Абдаллы, и мне очень понравился этот опыт! Как ваша работа поможет человечеству?
— Вообще для ученых это довольно деликатный вопрос. В глазах общества важными выглядят те исследования, которые обещают понятную выгоду здесь и сейчас. Но в науке полезность не всегда формируется сразу: для открытий часто нужно подготовить научную базу. Таким фундаментальным исследованиям важна поддержка профессионального сообщества. Например, я дважды становился лауреатом научной премии в области компьютерных наук от Яндекса, и для меня ее ценность заключалась не столько в финансовой помощи, сколько в экспертной оценке моих достижений. Конечно, получить миллион было приятно, но намного важнее и ценнее то, что мою работу заметили. Благодаря этому я вдохновился на дальнейшие исследования, стал чаще публиковаться, получил доступ к сервисам Яндекса в области машинного обучения. В общем, гораздо проще двигать человечество вперед, зная, что на твою работу есть запрос.