Представьте, что умные камеры сами определяют заполненность мусорных баков и проходимость зимних дорог, а машины на автопилоте отказываются проезжать на красный и предупреждают водителей о смене сигнала светофора. Это только несколько идей, которые предложили участники хакатона для студентов «Инженерии машинного обучения». Пространство вокруг станет комфортнее и безопаснее с помощью технологий. Если их правильно запрограммировать.
Как технологии Machine Learning меняют мир
Показать банковскую карту смартфону и не вбивать цифры вручную — как минимум, удобно. А еще автоматизация процесса защищает пользователя от ошибок и сбоев в оплате. Искусственный интеллект способен работать и с документами посложнее, например чеками, отчетами, сертификатами, пропусками и полисами. На автовыполнении таких задач бизнес может сэкономить и деньги, и время. Поможет в этом «дрессировщик» нейросетей — ML-инженер.
Работа с документами — только один пример применения нейросетей. Технологии искусственного интеллекта используются, например, в медицине. Помогают распознавать заболевания по фотографиям кожи, снимкам КТ и МРТ, синхронизируют движения протезов с жестами носителя. А еще сохраняют нервы всем, кто не любит голосовые сообщения — расшифровывают их в текст.
В сфере финансов нейросети могут прогнозировать рост акций, в искусстве отмечаются созданием шедевров по примерам работ легендарных мастеров. Успехов ИИ добился и в области безопасности: например, умные камеры распознают лица преступников, бьют тревогу и предупреждают людей о пожаре или ограблении.
Предложить свои решения в области ИИ, попрактиковаться помогают хакатоны. Участники выносят с соревнований опыт работы над реальными задачами. Поэтому мы сотрудничаем с действующими игроками рынка. ML-инженеры «Сайберлимфы», компании — партнера прошедшего хакатона, работали с кейсами нефтегазовых, химических, металлургических и энергетических предприятий. И задачи, предложенные студентам, были выбраны с учетом конкретных заказов «Сайберлимфы».
Как проходил хакатон
Студентов магистерской программы «Инженерия машинного обучения», совместной с УрФУ, разделили на 19 команд. Первое задание — выявить необходимые проекту роли и распределить обязанности. Договориться, кто возьмет на себя лидерство, кто выступит прожект- и продакт-менеджерами, аналитиками, сборщиками данных, разработчиками. Так началась прокачка софт-скиллов.
Всего хакатон длился 10 дней. Команды работали по чек-листам: таски распределялись заранее на каждый день. От выбора задачи и создания визитной карточки с лого своей команды в Miro в первый день до презентации проекта перед жюри — в последний. Проверить гипотезы и скорректировать направление мыслей участникам помогали онлайн-консультации с менторами и тематические мастер-классы.
Команды делились по уровню подготовки.
Первокурсники. Решали задачу по подготовке набора данных для обучения нейронной сети. Им нужно было собрать и правильно разделить на классы изображения, которые составят библиотеку для обучения искусственного интеллекта.
Одна из команд-финалистов среди первокурсников работала над созданием библиотек для детектирования сигналов светофора. Решение этого вопроса помогло бы наладить технологию автономного вождения и снизить количество аварий.
Дорожно-транспортные происшествия на перекрестках — это вторая из ведущих причин столкновений транспортных средств. Система распознавания светофора может предупредить отвлеченных водителей об изменении огней или даже спровоцировать автоматический ответ самого транспортного средства.
В топ-3 разработанных идей была библиотека для распознавания одежды и составления текстового описания товаров. А команда-победитель обучала нейросеть отличать дроны от летящих птиц.
Второкурсники. Студентам поопытнее предложили выбор из двух задач: автоматизировать обработку чеков или машиночитаемых документов.
В первом случае участники учили нейросети выделять в сканах чеков сегменты с текстовыми сущностями, выводить информацию из разных блоков чека в понятном виде и классифицировать суммы, даты, имена людей, названия компаний, адреса.
Во второй задаче студентам выдали набор данных документов из системы документооборота небольшой вымышленной компании. На основе этого набора нейросеть должна была построить граф знаний о компании. Определить ее структуру и список подразделений, составить список сотрудников, их должностей и обязанностей.
Затем на основе построенного графа знаний команды разрабатывали систему, которая ищет ошибки в проверочных документах. Например, опечатки в названиях подразделений или ФИО сотрудников или несоответствие тематики документа подразделению, в которое он направлен (в бухгалтерию направлен документ с задачей по разработке).
Чему научились участники
Во-первых, работать в команде. Выстраивать иерархию группы, разделять обязанности, проводить мозговые штурмы, соблюдать дедлайны и вместе отвечать за готовые проекты.
Во-вторых, работать с конкретными задачами, решения которых можно использовать в реальном бизнесе. Видеть, как идеи превращаются в технологии и приносят пользу, — важный этап обучения.
Эдвард, капитан команды-победителя TALE:
Для меня хакатон стал моделью отдела разработки, в который собрали незнакомых друг другу людей: от джунов до сеньоров. Им позволили самим выбрать проект, выстроить иерархию и отношения в коллективе. Такая солянка из разного уровня профессионалов помогает отточить софт-скиллы: можно многократно обсуждать одну и ту же идею, уступить мнению другого человека, подстроиться под потребности всей команды. И, конечно же, можно лучше познакомиться со своими сокурсниками. На хакатоне было предложено множество идей: от создания наборов данных до способов решения реальных задач методами CV и NLP. Самое главное — хакатон мотивирует продолжать изучать очень обширную и интересную ML/DL область знаний.
