Մեքենայական ուսուցումն ու Հայաստանը 2019-ի նախաշեմին

Վերջին շրջանում հայաստանյան տեխնոլոգիական համայնքում ձևավորվում է կոնսենսուս, որ ոլորտի զարգացման կարևոր ուղղություններից մեկը պետք է լինի «արհեստական բանականությունը»: Այս մասին հայտարարում են մի շարք տեխնոլոգիական ընկերություններ (PicsArt, UCom և այլն), ներդրումային ընկերությունները (SmartGate), բուհերը (ՀԱՀ, ԵՊՀ, ՀՌՀ), FAST հիմնադրամը, ինչպես նաև ՀՀ Տրանսպորտի, կապի և ՏՏ նախարարությունը: Կարծում ենք, որ այսպիսի ձևակերպումները բավարար հստակ չեն, և ոլորտի զարգացումը ապահովելու համար անհրաժեշտություն կա նախ հասկանալ, թե ինչ վիճակում է գտնվում ոլորտը, ապա պարզել, թե ինչ նկատի ունենք ասելով «զարգացնել արհեստական բանականության ոլորտը», ինչից հետո միայն հնարավոր կլինի քննարկել այդ նպատակներին հասնելու համար անհրաժեշտ քայլերը:

Այս հոդվածում կփորձենք նկարագրել, թե ինչպես է աշխարհում ստեղծվում մեքենայական ուսուցման ոլորտի գիտելիքը և ինչպես է այն հասնում տնտեսություն: Այնուհետև կքննարկենք Հայաստանում առկա իրավիճակը: Հոդվածի նպատակն է ստեղծել հիմք՝ ոլորտի զարգացմանն ուղղված ծրագրերի բովանդակային քննարկման համար: Հոդվածում կխուսափենք «արհեստական բանականություն» բառերից և կօգտագործենք «մեքենայական ուսուցում» տերմինը (պատճառներ):

Գիտելիքի հոսքը

Մեքենայական ուսուցումը կարելի է նկարագրել որպես տվյալների վերլուծության միջոցով խնդիրների լուծման մոտեցումների, ալգորիթմների ու գործիքների ամբողջություն: Նախ, փորձենք հասկանալ, թե ինչպես է ստեղծվում այս գիտելիքը և ինչպես է ծրագրավորման ընկերությունների միջոցով հասնում շուկա ու ազդում տնտեսության վրա:

Մեքենայական ուսուցման գիտելիքը ստեղծվում է գիտական ինստիտուտներում, հետազոտական համալսարաններում և որոշ ընկերությունների հետազոտական թիմերում (Google AI, Microsoft Research, Google DeepMind, Facebook AI Research և այլն): Այս խմբերում աշխատում են գիտական աստիճան ունեցող մասնագետներ, որոնց կատարած տեսական և փորձարարական բնույթի հետազոտությունների արդյունքում ստեղծվում են նոր ալգորիթմներ ու գործիքներ: Այդ նորույթները նախ քննարկվում են հետազոտական թիմի ներսում, ապա ուղարկվում են գիտաժողովներ և գիտական ամսագրեր՝ գրախոսության: Գրախոսության գործընթացը հաջողությամբ հաղթահարած հոդվածները զեկուցվում և հրապարակվում են: 2018 թվականի դրությամբ, առաջատար գիտաժողովներում տպագրված հոդվածների թվով խոշորագույն տեխնոլոգիական ընկերությունները չեն զիջում առաջատար համալսարաններին:

Մեքենայական ուսուցման, հատկապես դրա ենթաճյուղ հանդիսացող խորը ուսուցման ոլորտում, (ի տարբերություն բազմաթիվ այլ ոլորտների) առաջատար գիտաժողովներում (NeurIPS, ICML, ICLR, AAAI և այլն) հրապարակված աշխատանքները վայելում են ավելի բարձր հեղինակություն, քան ամսագրերում հրապարակվածները: Հաճախ գիտնականները ինտերնետում հրապարակում են դեռևս գրախոսություն չանցած հոդվածները (հիմնականում՝ arxiv.org կայքում): Մեքենայական ուսուցման ոլորտում այս երևույթն այնքան լայն տարածում է ստացել, որ երբեմն աշխատանքները լայն ճանաչում են ստանում նույնիսկ առանց գրախոսվող տեղերում հրապարակվելու (օրինակ՝ ADAM ալգորիթմը):

Գիտաժողովներում, ամսագրերում կամ arxiv-ում հրապարակված գիտելիքը անմիջապես հասանելի է դառնում գործնականում ամբողջ աշխարհին: Սակայն այս հոդվածները կարդալու և հասկանալու համար անհրաժեշտ է որակյալ բարձրագույն կրթություն, ուստի այս վիճակում գտնվող գիտելիքի՝ տնտեսություն վրա անմիջական ազդեցությունը սահմանափակվում է բարձրակարգ մասնագետների քանակով:

Այսպես, Ֆեյսբուք ընկերությունում գործում է FAIR կոչվող խումբը, որի կազմում ընդգրկված են հիմնականում գիտնականներ, և որոնք մշակում են նոր ալգորիթմներ ու գործիքներ և տպագրում են հոդվածներ: Նույն ընկերությունում կա մեկ այլ խումբ՝ Applied Machine Learning, որտեղ աշխատողների համար գիտական աստիճանի առկայությունը պարտադիր չէ, և որը կարողանում է FAIR-ի և այլ հետազոտական խմբերի մշակած ալգորիթմները կիրառել Ֆեյսբուքի տարբեր ծառայություններում:

Երբ ակնհայտ է դառնում մեքենայական ուսուցման որևէ ալգորիթմի կամ գործիքի լայն կիրառելիությունը, որոշ խմբեր սկսում են այդ գիտելիքը ավելի լայն շրջանակներին հասանելի դարձնելու քայլեր կատարել՝ գրել դասագրքեր, տեսագրել վիդեո դասեր, ալգորիթմները «փաթեթավորել» հեշտ օգտագործվող ծրագրային միջոցների տեսքով, գրել tutorial-ներ՝ առանց մաթեմատիկական տերմինների և խորը տեխնիկական մանրամասների: Սա կատարվում է ինչպես խոշոր ընկերությունների (օրինակ՝ FastText-ը՝ Ֆեյսբուքից), այնպես էլ ստարտափների կողմից (օրինակ՝ Spacy, H2o): Այս գործիքները հաջողությամբ կիրառելու համար բավարար է մեքենայական ուսուցման հիմնական սկզբունքերի իմացություն և ծրագրավորման հմտություններ, սակայն գծային հանրահաշվի, օպտիմիզացիայի մեթոդների կամ դիֆերենցիալ հաշվի իմացություն պարտադիր չէ (մյուս կողմից՝ այդ գիտելիքը կարող է օգտակար լինել առաջ եկած խնդիրները ավելի արագ լուծելու՝ debug-ի ժամանակ): Այսպիսի գործիքները համեմատաբար նոր են տարածում ստանում, մի քանի տարի առաջ այսպիսիք գրեթե չկային կամ շատ անհարմար էին օգտագործման համար: Սակայն այս դաշտում ակնհայտորեն մեծ հեռանկար կա:

Մեքենայական ուսուցման ալգորիթմների հասանելիությունը է՛լ ավելի լայն շրջանակներին հասցնելու համար բազմաթիվ փոքր և մեծ ընկերություններ տրամադրում են այդ ալգորիթմների միջոցով ստեղծված ծրագրերը (մոդելները) որպես ծառայություն՝ API-ների միջոցով (Google Cloud Vision API, AWS Rekognition և այլն): Սրանց կիրառումը առավելագույնս պարզեցված է և է՛լ ավելի քիչ մաթեմատիկական գիտելիքներ է պահանջում:

Մեքենայական ուսուցման մոդելները լայն շրջանակներին հասանելի դարձնելու ուղղությամբ է աշխատում նաև Armenian Startup Academy-ի մասնակից Aimhub-ը:

Ամփոփելով, կարող ենք ասել, որ մեքենայական ուսուցման գիտելիքը ստեղծվում է հետազոտական խմբերում, հրապարակվում է գիտաժողովներում և ամսագրերում, ինչից հետո հասանելի է դառնում խորը մաթեմատիկական գիտելիքներ ունեցող մասնագետներին: Զուգահեռաբար, գիտելիքի փոքր (առավել կիրառական) մասը պարզ ծրագրային միջոցների միջոցով հասանելի է դառնում ծրագրավորողների ավելի լայն շերտերին:

Խնդիրների դասակարգում ըստ պահանջվող գիտելիքի տեսակի

Հայտնի է, որ մեքենայական ուսուցման մեթոդները կարող են կիրառվել տնտեսական հետաքրքրություն ներկայացնող բազմաթիվ խնդիրների լուծման համար: Հաշվի առնելով վերը նկարագրված գիտելիքի հոսքի սխեման, այդպիսի խնդիրները կարելի է դասակարգել ըստ պահանջվող գիտելիքի տեսակի: Առաջարկում ենք խնդիրների հետևյալ պարզեցված դասակարգումը՝ երկուական օրինակներով․

• Տրված լուսանկարում գտնել մարդկանց դեմքերը (face detection): Գոյություն ունեն այս խնդիրը մեծ ճշտությամբ լուծող մի շարք ալգորիթմներ, որոնց պահանջարկը այնքան մեծ է, որ որոշ պատրաստի լուծումներ հասանելի են ինչպես անվճար ծրագրային գրադարաններում (օրինակ՝ dlib), այնպես էլ վճարովի API-ների միջոցով:
• Անգլերեն տեքստում գտնել կազմակերպությունների անվանումները (named entity recognition): Այս խնդրի համար ևս կան անվճար (Spacy) և վճարովի բազմաթիվ լուծումներ, որոնց կիրառելու համար մեքենայական ուսուցման մաթեմատիկական ապարատի իմացությունը պարտադիր չէ: Խնդրի լուծումը անհրաժեշտ է, օրինակ ֆինանսական տեքստերի անալիզի ժամանակ:

• Արված լուսանկարը ձևափոխել որևէ հայտնի կտավի «ոճով» (style transfer): Այս խնդրի առաջին լուծումը առաջարկվել էր CVPR 2016 գիտաժողովում Գերմանիայի Տյուբինգենի համալսարանի հետազոտողների կողմից: Հետագայում հրապարակվեցին մեծ թվով այլ հոդվածներ, որտեղ լավացնում կամ արագացնում էին առաջարկված ալգորիթմը: Այլ խմբեր սկսել էին GitHub կայքում տեղադրել այդ ալգորիթմների իրականացման իրենց փորձերը, որոնք սակայն հարմար չէին մեծ թվով օգտատերերի կողմից կիրառման համար: PicsArt ընկերության մասնագետները, կարդալով վերը նշված և մի շարք այլ հոդվածներ, ուսումնասիրելով հրապարակված ծրագրերը, կարողացան մշակել բջջային հավելված, որը լուսանկարի ոճը փոխում էր բջջային հեռախոսի սահմանափակ ռեսուրսներով, և հասանելի էր իրենց հավելվածի միլիոնավոր օգտագետերերին:
• Կատարել որոշակի նեղ թեմայով գրված կարճ տեքստերի մեքենայական թարգմանություն (narrow-domain machine translation): Մեքենայական թարգմանությունը մեքենայական ուսուցման ոլորտի ամենաակտիվ քննարկվող խնդիրներից է: Դրան են նվիրվում ամբողջական գիտաժողովներ (WMT), որոնց մասնակցում են ինչպես համալսարաններ, այնպես էլ խոշոր ՏՏ ընկերություններ (Google, Microsoft, Facebook) և ստարտափներ (Unbabel): Բազմաթիվ ընկերություններ իրենց թարգմանության գործիքները տրամադրում են որպես վճարովի API, սակայն դրանք հարմարեցված են «ընդհանուր» բնույթի տեքստերի համար: Հաճախ ընկերությունները փնտրում են իրենց նեղ ոլորտին վերաբերող տեքստերի համար թարգմանության համակարգեր (օրինակ՝ միայն հյուրանոցների նկարագրությունների համար), որոնք ավելի լավ կաշխատեն, քան վճարովի API-ները: Այսպիսի պատրաստի լուծումներ չկան, սակայն կան մեծ թվով հետազոտություններ, որոնց ծանոթանալով՝ մասնագետների թիմերը կարող են ստեղծել առավել որակյալ համակարգեր (հայտնի է, որ դրանով զբաղվում է booking.com-ի թիմերից մեկը):

• Սինթեզել իրականին մոտ քաղաքային տեսարաններ: NVIDIA ընկերությունը MIT-ի հետազոտողների հետ համատեղ փորձում է ստեղծել քաղաքային տեսարանների ավտոմատ սինթեզման ծրագրեր: Այս նախագծի հաջողությունը կարող է էական ազդեցություն ունենալ ինքնավար մեքենաների մշակման գործում: Սակայն մինչ այժմ ստացված լավագույն լուծումների սինթեզած տեսարանները ակնհայտ «անբնական» տեսք ունեն:
• Ստեղծել երկար և բովանդակալից զրույց վարելու ունակ չատբոտեր: Որակյալ չատբոտերը կարող են հեղափոխել հաճախորդների սպասարկումը ամենատարբեր ոլորտներում: Այս ուղղությամբ մեծ ծավալի աշխատանքներ են ընթանում, գիտաժողովներ և մրցույթներ են կազմակերպվում, սակայն դեռևս չի հաջողվում ստեղծել չատբոտեր, որոնք կկարողանան երկար զրույց վարել՝ պահպանելով խոսակցության ընդհանուր կոնտեքստը:

Անհրաժեշտ է հստակեցնել, որ խոսքը գնում է մեքենայական ուսուցման ոլորտի գիտելիքի մասին: Հաճախ լինում են դեպքեր, երբ խնդիրը լուծող ալգորիթմները մշակված են, սակայն ակնհայտ չէ այդ ալգորիթմների կիրառելիությունը այնպիսի միջավայրերում, որոնք կարող են շուկայական հետաքրքրություն ներկայացնել (օրինակ՝ բջջային հավելվածներում): Այդ դեպքերում անհրաժեշտ է լինում կատարել մեծ ծավալի ինժեներական բնույթի աշխատանք, այդ թվում՝ ինժեներական նորամուծություններ: Այս խնդիրները, մեր դասակարգմամբ, պատկանում են երկրորդ խմբին, քանի որ չեն պահանջում նոր գիտելիք մեքենայական ուսուցման տեսակետից:

Էկոհամակարգը Հայաստանում

Այս հատվածում կփորձենք նկարագրել Հայաստանում մեքենայական ուսուցման էկոհամակարգը: Նկարագրությունը հիմնված է բաց հասանելի, ինչպես նաև մասնավոր զրույցներում ստացված տեղեկատվության վրա, հետևաբար այն լիարժեք չէ և կարող է պարունակել անճշտություններ:

Ընկերություններ

Հայաստանում մեքենայական ուսուցման ոլորտում աշխատող ընկերությունների թարմացվող ցուցակ կարելի է գտնել MLEVN նախագծի կայքում:

Առաջին խմբի խնդիրներ լուծելու համար անհրաժեշտ գիտելիք կա հայաստանյան մեծ թվով ՏՏ ընկերություններում: Ընդհանրապես, մեքենայական ուսուցման ոլորտում կրթություն չունեցող, սակայն ծրագրավորման փորձ ունեցող մասնագետները (որոնք Հայաստանում քիչ չեն) բավական կարճ ժամանակում կարող են ձեռք բերել առաջին խմբի խնդիրներ լուծելու համար անհրաժեշտ գիտելիքներ:

Ուշագրավ է SignalN ընկերության օրինակը, որը զբաղվում է մեքենայական թարգմանության ավտոմատ գնահատմամբ: Այդ խնդիրը ինքնին երրորդ խմբի խնդիր է, սակայն SignalN-ում փնտրում են պարզ գործիքներով այդ խնդրի կիրառական հետաքրքրություն ներկայացնող բազմաթիվ ենթադեպքերի լուծման մեթոդներ: Մասնավոր զրույցներից մեկում SignalN-ի հիմնադիր Ադամ Բիթթլինգմայերը ասում էր, որ իրենք աշխատում են խուսափել մեքենայական ուսուցման բարդ և խճճված ալգորիթմներից և ձգտում են կիրառել միայն այն գործիքները, որոնք հուսալի են և պատրաստ են արտադրական թողարկման համար (production-ready): Դա հնարավորություն է տալիս ուշադրությունը կենտրոնացնել լուծվող խնդրի բովանդակային, և ոչ թե տեխնիկական կողմի վրա:

Հայաստանում կան մի շարք ընկերություններ, որտեղ լուծվում են երկրորդ խմբի խնդիրներ: Մասնավորապես, FaceHub ընկերությունը ստեղծել է դեմքի արտահայտության «տեղափոխման» բջջային հավելված, PicsArt-ը՝ նկարների ոճի փոփոխման, ինչպես նաև համանման լուսանկարների հայտնաբերման համակարգեր, 2hz.ai-ը տրամադրում է ձայնի մաքրման ծառայություններ, Teamable-ում նեյրոնային ցանցերի միջոցով հզորացնում են որոնողական համակարգը, Chessify-ում մշակում են մեքենայական ուսուցմամբ աշխատող շախմատային ծրագիր, SuperAnnotate.ai-ը մշակում է լուսանկարներում օբյեկտների «ընդգծման» (անոտացիայի) արագությունը մեծացնող ալգորիթմներ և այլն: Մի շարք այլ ընկերություններում ևս կան մասնագետներ, որոնք կարող են լուծել երկրորդ կարգի խնդիրներ, սակայն կամ դեռևս չեն ավարտել այդպիսի որևէ նախագիծ, կամ արդյունքները մեզ հայտնի չեն:

Հետազոտական խմբեր

Մեքենայական ուսուցման ոլորտում հետազոտական աշխատանքների գնահատման լավագույն չափանիշներից մեկը այդ աշխատանքների արդյունքում գրվող հոդվածների տպագրության վայրերն են․ գիտաժողովներն ու ամսագրերը:

Սովորաբար, գիտնականները փորձում են իրենց աշխատանքները տպագրել հնարավորինս բարձր հեղինակություն ունեցող ամսագրերում և գիտաժողովներում: Այսպես, հաճախ հոդվածը ուղարկում են ոլորտի լավագույն ամսագրեր, որտեղից մերժում ստանալու դեպքում փորձում են ուղարկել ավելի «թույլ» ամսագրեր, և այսպես շարունակում են այնքան, մինչև հոդվածն ընդունվի տպագրության: Հոդվածի նախնական տարբերակը (preprint-ը) հաճախ տեղադրվում է arxiv.org կայքում, ինչի միջոցով «ամրագրվում» է աշխատանքի կատարման ժամանակը: Վերջին տարիներին այս «սկզբունքով» են աշխատում նաև խոշոր ՏՏ ընկերությունների հետազոտական թիմերը: Այսպիսով, մեքենայական ուսուցման ոլորտում գիտական նորարարությունը գրեթե ամբողջությամբ հրապարակվում է:

Վերջին տարիներին մեքենայական ուսուցման ոլորտի ամենահեղինակավոր գիտաժողովներում, մեր տեղեկություններով, տպագրվել է միայն մեկ հոդված Հայաստանից: Դա Միքայել Սամվելյանի համահեղինակած աշխատանքն է ICML 2018 գիտաժողովում: Սամվելյանը այս հետազոտությամբ սկսել էր զբաղվել, երբ սովորում էր Օքսֆորդի համալսարանի մագիստրատուրայում, սակայն աշխատանքն ավարտվել էր, երբ արդեն նա դարձել էր ասպիրանտ ՀՌՀ-ում: Այս աշխատանքում քննարկվող խնդիրը միանշանակ պատկանում է երրորդ խմբին:

Հայ-ռուսական համալսարանում գործում է Իվաննիկովի անվան համակարգային ծրագրավորման լաբորատորիա, որտեղ վերջին տարիներին աշխատանքներ են տարվում բնական լեզվի մշակման ոլորտում: Լաբորատորիան համագործակցում է Ռուսաստանյան ակադեմիական ինստիտուտներից մեկի հետ: Վերջերս այդ խումբը հրապարակեց մի հոդված, որտեղ նկարագրված է հայերեն տեքստից հատուկ անունների հայտնաբերման ծրագիր և այդպիսի ծրագրերը ստուգելու համար նախատեսված տվյալների բազա (dataset): Աշխատանքի հիմնական նորույթը dataset-ն է, մեքենայական ուսուցման տեսանկյունից նորույթ չկա: Ուստի այս խնդիրը կարող ենք դասակարգել երկրորդ խմբում:

Նման տվյալների շտեմարաններ մշակվում են նաև Armtreebank նախագծի շրջանակներում՝ ԵՊՀ արաբագիտության ամբիոնի աշխատակիցներ Մարատ Յավրումյանի և Աննա Դանիելյանի կողմից (օրինակ՝ շարահյուսական ծառերի շտեմարան): Այսպիսի աշխատանքները, թեև կարևոր, սակայն միայն օժանդակող դեր ունեն մեքենայական ուսուցման ոլորտի հետազոտությունների համար:

YerevaNN լաբորատորիայում ևս կատարվել են մի շարք աշխատանքներ երկրորդ խմբի խնդիրների շուրջ: Այս պահին կատարվում են աշխատանքներ նաև երրորդ խմբի խնդիրների շուրջ (կլինիկական ժամանակային շարքերի վերլուծություն, կենսաբանական տեքստերի մշակում, նախադասությունների վերլուծություն և այլն), սակայն առայժմ բարձրակարգ գիտաժողովներում կամ ամսագրերում հրապարակված աշխատանքներ չկան:

ԵՊՀ, ՀԱՊՀ և ԳԱԱ Ինֆորմատիկայի և ավտոմատացման պրոբլեմների ինստիտուտի առանձին ասպիրանտներ ևս աշխատում են մեքենայական ուսուցման ոլորտում, սակայն բարձրակարգ ամսագրերում կամ գիտաժողովներում հրապարակված արդյունքներ մեզ հայտնի չեն: Մեքենայական ուսուցման հետ առնչվող թեմաներով հետազոտություններ կատարվում են նաև Երևանի ֆիզիկայի ինստիտուտում Արմեն Ալլահվերդյանի գլխավորությամբ:

Արտասահմանյան կապեր

Քիչ չեն կապերը արտասահմանում գործող մեքենայական ուսուցման խմբերի հետ: Այսպես, IntelinAir ընկերությունը համագործակցում է UIUC համալսարանի Image Formation and Processing խմբի հետ, PicsArt-ը՝ ընդլայնվելով Ռուսաստանում, համագործակցություն է սկսում Մոսկվայի ֆիզիկատեխնիկական ինստիտուտի հետ: SuperAnnotate.ai-ի հիմնական ալգորիթմը ստեղծվել է շվեդական KTH համալսարանում՛ ընկերության համահիմնադիր Վահան Պետրոսյանի թեկնածուական աշխատանքի շրջանակներում: YerevaNN-ը մշտական մեծ աջակցություն է ստանում հայազգի պրոֆեսորներ Արամ Գալստյանից (USC, ԱՄՆ) և Առնակ Դալալյանից (ENSEA/CREST, Ֆրանսիա), կենսաբանական տեքստերի մշակման նախագծի շրջանակներում համագործակցում է USC ISI-ի MINDS հետազոտական խմբի հետ:

FAST հիմնադրամի կազմակերպած Machine Learning for Discovery Sciences համաժողովին և Global Innovation Forum-ին հրավիրված մասնագետներից շատերը (հիմնականում հայազգի) ցանկություն են հայտնել աջակցել հայաստանյան հետազոտական խմբերին: Մեր կարծիքով, այստեղ կա համագործակցության մեծ պոտենցիալ:

Մասնագիտական աճի հնարավորությունները Հայաստանում

Հայաստանում մեքենայական ուսուցման վերաբերյալ կրթական նախաձեռնությունների թարմացվող ցուցակը կարելի է գտնել ML EVN կայքում:

Առցանց դասընթացներ

Մեքենայական ուսուցման մի շարք բարձրակարգ դասընթացներ ամբողջությամբ հասանելի են առցանց: Այդ դասընթացներից առավել հաջողները պահանջում են մեծ ծավալի «տնային աշխատանք»: Տեսականորեն, այդպիսի դասընթացներին լիարժեք մասնակցությունը բավարար է մեծ թվով երկրորդ խմբի խնդիրներ լուծելու համար: Սակայն, մեր դիտարկումներով, այս ճանապարհը արդյունավետ է միայն շատ փոքր թվով ուսանողների համար, քանի որ պահանջում է մեծ նվիրում և կարգապահություն:

2015-ին ԵՊՀ Ինֆորմատիկայի և կիրառական մաթեմատիկայի ֆակուլտետում Ուսանողական գիտական ընկերության նախաձեռնությամբ կազմակերպվեցին առցանց դասընթացների դիտումներ: Այս ձևաչափը հետագայում կրկնվեց ևս մի քանի կիսամյակ: Բոլոր դեպքերում, դասընթացի սկզբում ուսանողների հետաքրքրությունը չափազանց մեծ էր, սակայն դասընթացների «պարտադիր» չլինելը բերում էր նրան, որ միայն շատ փոքր թվով ուսանողներ էին հասնում դասընթացի ավարտին: Այնուամենայնիվ, հենց այդպիսի ուսանողներից մի մասի հիման վրա էլ հետագայում ստեղծվեց YerevaNN-ը:

2016-ին նման մեկ այլ փորձ արվեց ISTC-ում, Iterate խմբում, Coursera-ի Machine Learning դասընթացի նյութերով:

Մասնավոր կրթական նախաձեռնություններ

2017-ին Armenian Code Academy-ն, մի շարք ՏՏ ընկերությունների աջակցությամբ, սկսեց մեքենայական ուսուցման խորացված դասընթաց բավական բարձր շաբաթական ծանրաբեռնվածությամբ: Դասընթացը հիմնականում վարում էր MIT շրջանավարտ Արսեն Մամիկոնյանը: Հետագայում նման ձևաչափով դասընթացներ կազմակերպեցին ISTC-ն, SmartGate.ml-ը և ևս մեկ անգամ ACA-ը: Ընդունելության ժամանակ նախապատվությունը տրվում էր այն ուսանողներին, որոնք արդեն ունեին մաթեմատիկական գիտելիքներ (մեկ-երկու տարվա բուհական կրթությանը համարժեք): Դասավանդող որակյալ մասնագետների սակավությունը բերում էր նրան, որ հաճախ դասավանդում էին Ռուսաստանից հրավիրված մասնագետներ (որոնք ոչ միշտ էին ճիշտ գնահատում ուսանողների գիտելիքների մակարդակը), դասավանդման մեծ փորձ չունեցող ծրագրավորողներ կամ նախորդ համանման դասընթացների շրջանավարտներ (որոնց մի մասը դեռ բակալավրիատի ուսանողներ են): Մեր գնահատմամբ, այս դասընթացների շրջանավարտները ստանում են բավարար գիտելիքներ առաջին խմբի գրեթե կամայական խնդիր, իսկ որոշ դեպքերում նաև երկրորդ խմբի պարզագույն խնդիրներ լուծելու համար: Ավելի բարդ գիտելիքներ, մեր կարծիքով, հնարավոր չէ ստանալ վեց ամիս տևող դասընթացների արդյունքում:

Բուհեր

Այս պահին ԵՊՀ մաթեմատիկայի և մեխանիկայի ֆակուլտետում, ինչպես նաև ՀՌՀ-ում գործում են մագիստրոսական ծրագրեր, որտեղ էական դեր է հատկացվում մեքենայական ուսուցմանը: Այս ծրագրերը բավական հավակնոտ են, սակայն շրջանավարտներ դեռ չկան, ուստի առայժմ դժվար է գնահատել արդյունավետությունը: Մեր կարծիքով, դասավանդող մասնագետների պակասը, ինչպես նաև այն փաստը, որ ուսանողների գերակշիռ մեծամասնությունը լրիվ դրույքով աշխատում են այլ ընկերություններում, խիստ սահմանափակում է երկրորդ խմբի խնդիրներ լուծելու ունակ մասնագետների պատրաստման հնարավորությունները:

2018-ից ՀԱՀ-ում, իսկ 2019-ից ԵՊՀ-ում սկսվում են տվյալագիտության ուղղվածությամբ բակալավրիատի ծրագրեր, որտեղ նախատեսվում է ունենալ մեքենայական ուսուցման վերաբերյալ մի քանի դասընթացներ: Այստեղ ևս, մեր կարծիքով, դժվար է ակնկալել, որ շրջանավարտները կկարողանան լուծել երկրորդ կարգի խնդիրներ:

Ընկերություններ

Մասնագիտական աճի մեկ այլ հնարավորություն է աշխատանքը այն տեխնոլոգիական ընկերություններում, որտեղ կան մեքենայական ուսուցմամբ զբաղվող մասնագետներ: Այսպիսի խմբերում հաճախ հնարավորություն է լինում հենց աշխատանքի ժամերին զբաղվել ինքնակրթությամբ, սովորել առավել փորձառու գործընկերներից, իսկ որոշ դեպքերում նույնիսկ մասնակցել հատուկ ընկերության համար կազմակերպված դասընթացների (այդպիսի փորձ կա, օրինակ, PicsArt-ում): Մեր տպավորությամբ, այս ճանապարհով հաջողություն գրանցածների մեջ առանձնանում են այն ծրագրավորողները, որոնք ժամանակին ստացել են լավ մաթեմատիկական կրթություն (շատերը գիտությունների թեկնածուներ են, այդ թվում՝ ֆիզիկայի բնագավառից):

Այս ճանապարհն ընտրած բակալավրիատում սովորող ուսանողներից շատերը, տեսնելով ոլորտում իրենց մասնագիտական աճի հնարավորությունները, նախընտրում են ընդունվել արտասահմանյան բուհեր՝ մագիստրատուրա կամ ասպիրանտուրա, ինչը բնական է, քանի որ Հայաստանում համապատասխան որակի կրթական ծրագրեր չկան: Այս հանգամանքը սահմանափակում է ընկերությունների երկարաժամկետ պլանավորման հնարավորությունները:

Հաջորդ քայլերը

Մեքենայական ուսուցման ոլորտի զարգացման պահանջարկը Հայաստանում գործող տեխնոլոգիական ընկերությունների կողմից ավելի մեծ է, քան կրթական և գիտական համակարգը կարողանում է սպասարկել: Մեր կարծիքով, PicsArt-ի կողմից Ռուսաստանում թիմ հավաքելու որոշումը հենց այս փաստի մեկ արձանագրում է: Մեքենայական ուսուցման ոլորտում, ի տարբերություն շատ այլ գիտական ուղղությունների, Հայաստանում գոյություն չունի կայացած գիտական դպրոց, իսկ առանց դրա դժվար է սպասարկել պահանջարկի այն մասը, որը ենթադրում է երկրորդ կամ երրորդ խմբի խնդիրների լուծումներ: Հայաստանում գիտության ֆինանսավորման ծայրահեղ ծանր վիճակը, գիտական կարիերայի անհրապույր լինելը և ինդուստրիայի կողմից պահանջարկի «անառողջ» բարձր մակարդակը դժվարացնում են նման գիտական միջավայրի ձևավորումը:

ՀՀ կառավարությունը, Հայաստանում տեխնոլոգիական էկոհամակարգի զարգացմամբ զբաղվող ընկերությունները և հիմնադրամները կարևորում են մեքենայական ուսուցման ոլորտի զարգացումը, սակայն առայժմ չեն մանրամասնում այդ ուղղությամբ կատարվելիք քայլերը: Հուսով ենք, որ այս հոդվածը կօգնի բոլոր շահառուներին առավել հստակ ձևակերպել սեփական դիրքորոշումներն ու նպատակները, նշել, թե որ խմբի խնդիրների լուծումներն են պատրաստվում թիրախավորել, գտնել նման նպատակներ ունեցող համակիրներ և ապա մշակել այդ նպատակներին ուղղված ծրագրեր: Հրավիրում ենք բոլոր շահառուներին իրենց պատկերացումները ներկայացնել ML EVN բլոգում:

Կարծում ենք, որ խնդիրների՝ վերը նկարագրված դասակարգումը, որոշ փոփոխություններով, կարելի է կիրառել ինչպես ՏՏ ոլորտի այլ ենթաճյուղերի, այնպես էլ գիտության այլ ճյուղերի համար, ինչը կարող է նպաստել այդ ոլորտների զարգացման վերաբերյալ արդյունավետ քննարկումներին և համապատասխան ռազմավարությունների մշակմանը:

Հրանտ Խաչատրյան

Շնորհակալություն ենք հայտնում Ադամ Բիթթլինգմայերին, Անդրանիկ Խաչատրյանին, Գոռ Վարդանյանին, Վազգեն Հակոբջանյանին և Հայկ Սարիբեկյանին օգտակար քննարկումների համար: