Какво различава Deep learning от останалите методи на машинно самообучение. Разговор с Ивайло Попов

Ивайло Попов е част от екипа на Ocado Technology. Преди това е работил в Google DeepMind, където създава алгоритми за манипулация на предмети с роботизирана ръка и води изследванията по ефективност на използване на данни за reinforcement learning алгоритми. Това е тема от особена важност, за да могат тези методи да се прилагат в задачи от реалния свят, например в индустриалната роботика и за автоматизиране на предприятия и маркетингови и търговски канали. Сега Ивайло разказва какво го мотивира в работата му и какво различава Deep learning от останалите методи на машинно самообучение.
Какво те мотивира и вдъхновява в работата ти?
Вдъхновяващо е да се справяш с нови проблеми. Изключително много ми харесва този състезателен дух, който мога да си наложа сам, за да съм все по-добър в това, с което се захващам.
Какви са впечатленията ти от Google DeepMind?
Google DeepMind е страхотна компания – имаш условия на работа типични за Google, плюс невероятно интересни проекти в сферата на изкуствения интелект. Едно от най-хубавите неща там са хората, които са изключително дружелюбни. Важно за всички, в компанията е всеки да се чувства добре в проектите си. Малък бонус е очакването този рисърч постепенно да доведе до AGI – или технология способна да върши много действия по-добре от човек.
Как започна да се занимаваш с Deep Learning?
Още от работата ми като квантов търговец имах голямо желания да правя повече машинно самообучение. В началото на 2014 г. започнах да чета за дълбоки невронни мрежи и да се занимавам активно с трениране на такива модели, самостоятелно и като консултант. DeepMind още тогава беше силен индикатор, че този бранш, ще се развива все повече.
Кой е най-интересният проект, по който си работил?
Финна манипулация с роботизирана ръка е един от основните проекти в рисърч програмата на DeepMind. Точно в този проект имах късмета да попадна, след началната фаза на обучение при влизане в компанията. Характерно за проекта е, че освен във физичен симулатор имаме възможност да работим и с реалния хардуер. Успяхме да направим много постижения в тази сфера, като например да повишим ефективността на работа с данни и да създадем по-добри режими за учене, които събрахме в статия, която скоро ще бъде публикувана в arxiv.

Какви предизвикателства срещна в DeepMind?
В работата свързана с научни изследвания проектите често са доста динамични. Предизвикателство е да се управляват правилно изискванията от различните под-екипи и разпределението на задачите по време.
Как се справи?
Постепенно се научих да използвам опита си от предишни проекти и да намаля тези взаимодействия между отделните проекти.
Какво различава Deep learning от останалите методи на машинно самообучение?
Дълбоките невронни мрежи работят съвсем различно от останалите методи – например, важно е да се използват много данни, изисква се голям изчислителен ресурс, често е по-трудно да се интегрира специфична информация за проблема. Когато са налични всички показатели обаче резултатите са много по-добри. Дълбоките невронни мрежи са слабо разбрани теоретично и много от уменията за успешното им ползване не изискват математични познания и се придобиват доста бързо.
Какво би посъветвал хората, които искат да се занимават с Deep learning?
Ами, не пропускайте всякакви събития по темата, поддържайте връзка с колеги и приятели, които също имат интерес и обсъждайте проекти и идеи. Отначало е нужно време за самообучение и някой за съвети, затова съм събрал дека от събитието на DEV.BG за Machine Learning от 13.02. Линк. Със сигурност ще има все повече фирми, които търсят Deep learning специалисти в София.
Стани част по потребителската група Machine Learning. Абонирай се и ще ти изпращаме информация за всичко, което предстои в групата.
Визия: Личен архив
Прочети още:
6 от най-популярните Machine Learning алгоритми – приложения и възможности
„Internet of Things е прекрасна зона за иновация и експерименти“ – Леон Анави, Software engineer