Физтех

Олимпиадные школы МФТИ продолжают набор на вторую и третью смены для школьников 7-11 классов. Успейте написать тестирование по выбранному направлению до 23 июня!

Олимпиадные школы МФТИ это университетский лагерь для школьников, где школьники ежедневно посещают пары, как настоящие студенты, слушают научно-популярные лекции от действующих учёных, разработчиков, сотрудников крупных российских IT-компаний, а также участвуют в интеллектуальных играх, творческих конкурсах, кинопросмотрах, спортивных турнирах и многом другом.



Занятия проводят опытные преподаватели, члены жюри Всероссийской олимпиады школьников, преподаватели и выпускники ведущих российских и зарубежных вузов: МФТИ, МГУ им. Ломоносова, НИУ ВШЭ, СПбГУ, КФУ, Ecole Polytechnique и Института Vedecom (Франция), Северо-Восточного университета Бостона (США), Университета имени Бар-Илана (Израиль).

Направления второй онлайн-смены (12-23 июля): Математика, Физика, Химия, Биомедицина, Информатика, Компьютерное зрение, Информационная безопасность, Машинное обучение и анализ данных.

Направления третьей, предварительно очной, смены (26 июля 7 августа): Математика, Физика, Информатика.

Если вы хотите участвовать:

1. Зарегистрируйтесь на сайте и заполните анкету
2. Пройдите тестирование по выбранному предмету до 23 июня
3. Ждите от нас письмо с подтверждением.

Подробности на нашем сайте и в группе ВКонтакте.

Под катом о глубоком обучении, текущем направлении развития ИИ, привязке нейросети GPT к логическому представлению о мире, нехватке кадров и о том, как начинался iPavlov: проект разговорного искусственного интеллекта.



Сегодня у нас физтех-беседа с Михаилом Бурцевым заведующим лабораторией нейросетей МФТИ. Среди его научных интересов нейросетевые модели обучения, нейрокогнитивные и нейрогибридные системы, эволюция адаптивных систем и эволюционные алгоритмы, нейроконтроллеры и робототехника. Про это все и пойдет речь.

С чего началась история Лаборатории нейросетей и глубокого обучения на Физтехе?

В 2015 году я принял участие в инициативе Агентства стратегических инициатив (АСИ) под названием Форсайт-флот это такая многодневная площадка для обсуждения при Национальной технической инициативе. Ключевая тема касалась технологий, которые необходимо развивать, чтобы в России появились компании с потенциалом выхода на лидирующие позиции на глобальных рынках. Основной посыл был таков, что на сформированные рынки выйти крайне сложно, однако технологии открывают новые территории и новые рынки, и именно на них и надо выходить.

И вот мы плавали на теплоходе по Волге и обсуждали, какие же технологии могут позволить создать такие рынки и сломать текущие технологические барьеры. И в этой дискуссии о будущем выросла тематика с персональными помощниками. Понятно, что мы уже сейчас начали ими пользоваться Alexa, Алиса, Сири и было очевидно, что есть технические барьеры в понимании между человеком и компьютером. С другой стороны, накопилось немало наработок в исследованиях, например в области обучения с подкреплением, в обработке естественного языка. И становилось понятно: многие трудные задачи все лучше и лучше решаются с помощью нейросетей.

А я как раз занимался исследованиями нейросетевых алгоритмов. По результатам обсуждений Форсайт-флота мы сформулировали концепцию проекта по развитию технологий на ближайшее будущее, которая позднее трансформировалась в проект iPavlov. Это и стало началом моего взаимодействия с Физтехом.

Если говорить детальнее, то мы сформулировали три задачи. Инфраструктурная создание открытой библиотеки для ведения диалогов с пользователем. Вторая проведение исследований в области обработки естественного языка. Плюс решение конкретных бизнес-задач.

Партнером выступил Сбербанк, а сам проект сформировали под крылом Национальной технической инициативы.

Нам удалось быстро собрать очень хорошую команду на Физтехе, так как мы с 2015 года занимались развитием ИИ-сообщества: организовывали deephack.me научные хакатоны на построение глубоких моделей, а также проводили научные школы, куда приглашали с онлайн-лекциями известных исследователей, таких как Йошуа Бенжио или Юрген Шмидхубер. Плюс сотрудничали с сообществом Open Data Science.

В начале 2018-го мы опубликовали первый репозиторий нашей открытой библиотеки DeepPavlov и последние два года видим стабильный рост ее пользователей (она ориентирована на русский язык и английский язык): у нас примерно 50% установок из США, 2030% из России. Получился в целом довольно успешный открытый проект.

Мы занимаемся не только разработкой, но и стараемся внести вклад в глобальную повестку исследований по разговорному ИИ. Понимая необходимость проведения академических соревнований в данной области, мы начали серию Conversational AI Challenges в рамках ведущей конференции в области машинного обучения NeuIPS.

При этом мы не только организуем соревнования, но и участвуем. Так, команда нашей лаборатории в прошлом году приняла участие в конкурсе от Amazon под названием Alexa Prize создание чат-бота, с которым человеку было бы интересно разговаривать 20 минут.


Очередное соревнование начнется в ноябре

Это университетский конкурс, и ядро участников должно было состоять из студентов и сотрудников университета. Всего было 350 команд, семь отбираются в топ и три приглашают по результатам прошлого года мы прошли в топ.

Наша диалоговая система провела порядка 100 тысяч диалогов с пользователями в США и под конец имела рейтинг порядка 3,353,4 из 5, что весьма неплохо. Это говорит о том, что нам удалось за довольно короткое время сформировать команду мирового уровня на Физтехе.

Сейчас лаборатория ведет проекты с разными компаниями, из крупных это Huawei и Сбербанк. Проекты в разных направлениях: AutoML, теории нейросетей и, конечно же, наше главное направление NLP.

Про задачи, которые раньше вызывали трудности у машинного обучения: почему именно глубокое обучение выстрелило в решении этих задач?

Сложно сказать. Я сейчас немного упрощенно опишу мою интуицию. Все дело в том, что если в модели очень много параметров, то она удивительным образом может хорошо обобщать результаты на новые данные. В том плане, что число параметров может быть соизмеримо с количеством примеров. По этой же причине классический ML долгое время сопротивлялся напору нейросетей кажется, что ничего хорошего не должно получиться при таком раскладе.


Рост количества параметров в моделях глубокого обучения (источник)

Удивительно, но это не так. Иван Скороходов из нашей лаборатории показал (.pdf), что в пространстве функции потерь нейросети можно найти практически любой двухмерный паттерн.

Вы можете выбрать такую плоскость, что каждая точка на этой плоскости будет соответствовать одному набору параметров нейросети. А их loss будет соответствовать произвольному паттерну, и, соответственно, можно подобрать такие нейросети, что они лягут прямо на эту картинку.

Очень забавный результат. Это говорит о том, что даже при таких абсурдных ограничениях нейросеть может выучить поставленную перед ней задачу. Вот примерно такая тут интуиция, да.


Примеры паттернов из статьи Ивана Скороходова

В последние годы заметен существенный прогресс в области глубокого обучения, а виден ли уже горизонт, где мы уткнемся в предел показателей?

Рост размеров моделей ИИ и потребляемых ими ресурсов (источник: openai.com/blog/ai-and-compute/)

У нас в NLP предел еще не ощущается, хотя кажется, что, например, в обучении с подкреплением что-то уже начало пробуксовывать. То есть за последние пару лет качественных изменений нет. Был большой бум от Atari до AlphaGo с гибридизацией c Monte Carlo Tree Search, а вот сейчас чего-то прям прорывного не ощущается.

А вот в NLP наоборот: рекуррентные сети, сверточные и вот наконец архитектура трансформера и сама GPT (одна из самых новых и интересных моделей трансформеров, часто используемая для генерации текстов прим. автора) это уже чисто экстенсивное развитие. И тут кажется, что еще есть запас для достижения чего-то нового. Поэтому в NLP планка сверху еще не видна. Хотя, конечно, тут почти невозможно ничего предсказать.

Если представить развитие разработки языков и фреймворков для машинного обучения, то мы прошли от написания (условно) на чистом numpy, scikit-learn до tensorflow, keras уровни абстракции росли. Что нас ждет дальше?

Люди уже давно работают над фреймворками, где буквально из кубиков Лего складываются системы: взял пару коннекторов и бизнес-аналитику получил. В машинном же обучении, мне кажется, всегда будет баланс между low level и high level code: на чистом numpy модели уже никто не пишет и в основном используют высокоуровневые фреймворки. Но, например, у нас в NLP и разговорных системах присутствует фактически весь спектр: в целом мы покрываем нашими разработками существенную часть иерархии.

• Tensorflow / Pytorch в начале у основания: тут именно написание конкретной модели машинного обучения.
• Библиотеки пайплайнов и конвейеров: оперируют NLP-моделями первого уровня DeepPavlov.
• Библиотеки отдельных разговорных навыков: навык уже работает на уровне целого пайплайна наш DeepPavlov Dream оперирует на данном уровне.
• Система переключения между навыками/пайплайнами, в том числе наш DeepPavlov Agent.

Технологический стек в области разговорного искусственного интеллекта

Разным приложениям и задачам нужна разная гибкость инструментов, и поэтому я не думаю, что какие-то элементы этой иерархии уйдут. Будут развиваться и низкоуровневые, и высокоуровневые системы по мере надобности и необходимости. Например, визуальные, доступные не программистам, но также и низкоуровневые библиотеки для разработчиков никуда не уйдут.

А проводят ли сейчас социальные эксперименты по аналогии с классическим тестом Тьюринга, где люди должны понять, нейросеть перед ними или человек?

Такие эксперименты проводятся регулярно. В Alexa Challenge человек должен был оценить качество разговора, при этом он не знал, с кем говорит с ботом или человеком. Пока с точки зрения живого разговора разница между машиной и человеком существенна, но она с каждым годом сокращается. Кстати, наша статья об этом только что вышла в AI Magazine.

За рамками научной среды подобное делают регулярно. Вот недавно кто-то обучил GPT-модель, завел в Твиттере для нее аккаунт и стал постить ответы. Много людей подписалось, аккаунт набрал популярность, и никто не знал, что это нейросеть.

Такой короткий формат, как в Твиттере, когда формулировки общие и глубокомысленные, как раз хорошо подходит под систему вывода нейросетей.

Какие направления вы считаете наиболее перспективными, где ждать скачок?

(Смеется.) Я бы мог сказать, что именно в объединении всех моих любимых направлений и будет скачок. Попробую описать подробнее в рамках проблематизации. У нас есть текущие модели GPT на основе трансформера у них нет никакой цели в жизни, они просто генерируют текст, похожий на человеческий, абсолютно бесцельно. И не могут привязать его к ситуации и к целям в контексте самого мира.

И один из путей создать привязку логического представления о мире к GPT, который прочитал очень много-много текста, и в нем уже, и правда, немало логических связок. Например, через гибридизацию с Викидатой (это граф, описывающий знания о мире, в вершинах которого статьи Википедии).

Если бы могли их соединить, чтобы GPT мог использовать базу знаний, это был бы скачок вперед.

Второй подход к проблеме бесцельности NLP моделей основан на интеграции в них понимания целей человека. Если у нас есть модель, которая может управлять генеративной языковой моделью, привязанной к графу знаний, то мы могли бы обучать ее помогать человеку достигать его целей. И такой помощник должен понимать человека через NLP, и цели человека, и ситуацию далее ему нужно планировать действия. А в планировании лучше всего работает обучение с подкреплением.

Как это все объединить вместе и оптимизировать вопрос открытый.

И последнее поиск нейросетевых архитектур. Когда, например, с помощью эволюционных подходов мы ищем в пространстве архитектур оптимальные для данной задачи. Но это все будет решено не сегодня тут слишком большое пространство для поиска.

Из хороших новостей: железо эволюционирует очень быстро и, возможно, это позволит нам лет через 510 объединить нейросетевые языковые модели, графы знаний и обучение с подкреплением. И вот тогда у нас будет качественный скачок в понимании машиной человека.

С помощью такого помощника можно будет запускать решение уже и других задач: анализ изображений, анализ медкарт или экономической ситуации, подбор товаров.

Поэтому я бы сказал, что с научной точки зрения в ближайшие лет пять мы увидим бурное развитие в области гибридизации есть очень много крутых задач.

Ребята, дефицит кадров будет огромный, и есть отличный шанс получить новые и интересные результаты, да и оказать влияние на развитие индустрии. Подключайтесь надо пользоваться моментом!

(Автор активно поддерживает этот ответ, ибо занимается именно такими системами.)

Как начать погружение в глубинное обучение?

Самый простой способ, мне кажется, это пройти курс в deep learning school: изначально он был предназначен для старшеклассников, но и студентам вполне зайдет. Вообще, это отличное начинание, я помогал составлять расписание и читаю там вводные лекции.

Также рекомендую посмотреть вводные курсы от университетов, поделать задачки в интернете просто куча всего. Самое лучшее из всех средств для поиграть Colab от Google, там есть миллионы примеров задач, можно разобраться и запустить самые современные решения без установки софта вообще на ваш компьютер.

Другой путь поучаствовать в соревнованиях на Kaggle. А также вступить в Open Data Science это русскоязычное сообщество по Data Science, где есть несколько каналов, посвященных deep learning. Там всегда есть люди, готовые помочь советом и кодом.

Вот такие основные пути.

---

Leader-ID: друзья, к стартовавшему сейчас отбору на акселератор по продвижению AI-проектов мы продумали вариант входа для инди-разработчиков. Нет, это не отменяет основных условий, по которым в интенсиве участвуют только команды. Но у нас много вопросов от одиночек, у которых сейчас нет своего проекта, а участвовать хочется (и это не только программисты, большой интерес к AI-проектам у дизайнеров). И мы нашли решение: поможем собрать команду и единомышленников через бесплатный онлайн-хакатон. Он начнется 10 октября в 12:00 и закончится ровно через сутки. На нем бот распределит вас на команды, а потом вы под его руководством пройдете основные этапы разработки проекта и подадите его на Архипелаг 20.35. Все подробности в личном кабинете, надо лишь успеть зарегистрироваться.

Сентябрь волнительное время не только для школьников и студентов, но и для нас в ABBYY. Осенью студенты наших кафедр на Физтехе вернулись к учебе, а десятки наших коллег к преподаванию. Каким будет этот учебный год не загадываем. Просто пусть все будет хорошо. А в этом посте мы расскажем интересные подробности о Физтех-школе прикладной математики и информатики (ФПМИ МФТИ) и о том, как вместе с ней мы уже не первый год готовим крутых специалистов в области Natural Language Processing (NLP) и Computer Vision (CV).


Первокурсники ФПМИ на фоне самого популярного корпуса МФТИ для совместных фотографий.

Формально ФПМИ молод. Но уже очень мудр. Поясним: физтех-школа появилась в 2016 году, объединив факультет инноваций и высоких технологий (ФИВТ), созданный в 2006 году, и факультет управления и прикладной математики (ФУПМ), открытый более 50 лет назад.

Эти факультеты, ставшие основой ФПМИ, окончили многие известные люди. Перечислим часть из них:

• Сергей Гуриев, ученый-экономист, бывший ректор РЭШ.
• Максим Поташев, магистр игры Что? Где? Когда?, четырехкратный обладатель приза Хрустальная сова, президент федерации спортивного бриджа России.
• Константин Виноградов, старший инвестиционный менеджер венчурного фонда Runa Capital и выпускник кафедры анализа данных. Участник прошлогоднего списка Forbes 30 до 30.
• Виктор Кантор, руководитель направления машинного обучения в МТС. В этом году он оказался в аналогичном рейтинге Forbes. Свежее интервью с ним можно почитать здесь.

Среди совсем молодых звезд:

• Юрий Гарнов, основатель стартапа TimeAdge. Интервью с ним можно почитать здесь.
• Иван Глушенков основатель популярного сообщества разработчиков Russian Hackers, сооснователь компании по организации хакатонов Phystech Genesis, многократный победитель и призёр международных и российских хакатонов.

Как видно из примеров выше, многие студенты находят работу по специализации или становятся предпринимателями уже на 3-4 курсе и становятся востребованы до получения диплома. Некоторые учащиеся магистратуры получают офферы с релокацией от крупнейших IT-компаний и совмещают учебу с международной карьерой.

Чем ФПМИ отличается от других Физтех-школ? Физтех-школа прикладной математики и информатики специализируется на образовании и исследованиях в области соприкосновения математики, физики, программирования и компьютерных наук. Это сочетание позволяет предлагать своим абитуриентам выбор из большого количества программ и кафедр по самым разным направлениям.

Ежегодно в ФПМИ поступают более 460 первокурсников, большинство из них на бюджетные места. 90% заканчивающих бакалавриат остаются учиться в магистратуре. В этом году в магистратуру поступило около 470 студентов, а в аспирантуру около 73. Всего на ФПМИ более 50 магистерских программ по пяти основным направлениям: машинное обучение, программирование, математика, физическое моделирование и экономика/консалтинг.

В Физтех-школе открыты 30 базовых кафедр различных научно-исследовательских центров (МИАН РАН, ИППИ РАН, ИСП РАН, ФИЦ ИУ РАН и др.) и компаний-партнеров, например, ABBYY, Яндекса, SberTech, Huawei, Tinkoff, S7 Group и других. При их поддержке создана 21 научная лаборатория. Всего на ФПМИ обучаются 2450 студентов это треть от общего числа учащихся на Физтехе.


Корпус прикладной математики (КПМ), где расположены почти все кафедры ФПМИ

В ФПМИ студентов и их научно-исследовательскую работу поддерживают разнообразными стипендиями. Помимо государственной, есть грант президента, Абрамовская стипендия, а также поддержка от компаний-партнеров. Например, в этом году ABBYY учредила стипендию для поощрения научных исследований в области мультимодальности и анализа социальных сетей. Кстати, еще можно успеть подать заявку на этот грант до 27 сентября, детали можно найти по ссылке.

Так, и, кажется, мы еще не упомянули о главном. Физтех-школой прикладной математики и информатики руководит Андрей Михайлович Райгородский, доктор физико-математических наук, профессор, лауреат Премии Президента России, заведующий двумя лабораториями и одной кафедрой.

А.М.Райгородский студентам: Ботайте, друзья мои, ботайте!

Я счастлив, когда вижу, как активно и живо мы растем и развиваемся, как вместе мы делаем уникальное дело. Желаю всем успехов в учебе, в олимпиадах, в проектах, в науке. Приходите к нам!

Чем на самом деле занимаются на кафедрах ABBYY

Две кафедры ФПМИ созданы совместно с ABBYY: кафедра компьютерной лингвистики (КЛ), открытая 9 лет назад, и кафедра распознавания изображений и обработки текста (РИОТ), которая существует уже 14 лет. Почему появились эти кафедры? Наша цель находить талантливых ребят с нестандартным мышлением и развивать их способности. В будущем они будут заниматься сложными и амбициозными задачами, которые до них еще никто не решал. И не исключено, что эти ребята будут работать именно в ABBYY.

Обе кафедры ABBYY расположены на территории компании. Здесь ребята и учатся, и участвуют в стажировках и проектах компании, чтобы приобрести опыт, необходимый для дальнейшей работы. Это удобно и для наших сотрудников, которые преподают: им не нужно тратить время на дорогу из института до работы и обратно. А еще офис ABBYY находится не так далеко от Долгопрудного, где расположен Физтех.


Результаты работы кафедр ABBYY

О том, как в этом году проходил набор на кафедры ABBYY и как организовано обучение, на Хабре в марте рассказывал наш студент, на тот момент четверокурсник, Alexey__Petrov. О его впечатлениях можно почитать в этом посте. Тем, кто хочет еще больше информации, рекомендуем видеозапись с презентации кафедр ABBYY. Вы узнаете не только об учебном процессе, но и об историях карьеры нескольких наших сотрудников.

В этом году к нам на бакалавриат подали заявки 137 студентов, и в результате конкурсных испытаний поступило 28 из них. Учиться на кафедре они начнут в следующем году, в весеннем семестре. Всего обучение продлится 1,5 года. Вот что ребята говорят о выборе кафедры:

Тимур и Артем Нургалиевы, кафедра КЛ:

Тимур: Мы с братом вместе с детства: учились в одном классе, затем в одной группе, а теперь будем учиться на одной кафедре. При поступлении в МФТИ я хотел заниматься наукой, но программирование зацепило сильнее. При этом для меня необходимым условием в будущей профессии является возможность для творчества. Так что через несколько лет вполне могу совместить технологии с рисованием мультфильмов или карьерой блогера!

Артем: Когда все выбирали кафедру, мы с братом и другом создали общий документ, в который каждый вписал критерии для оценки. В процессе мы вместе тщательно оценивали все кафедры, и кафедры ABBYY победили. Мне бы хотелось, чтобы моя работа приносила пользу, и я надеюсь, что в этом у нас с ABBYY много общего. Мне нравится программирование, потому что оно открывает возможности создавать что-то необычное. Если объединить это с долей креатива и удачи, можно добиться многого!

---

Роман Галкин, кафедра РИОТ: Кафедра ABBYY одна из немногих, где можно на бакалавриате погрузиться в область компьютерного зрения. Это и стало ключевым фактором при выборе. Сейчас мне наиболее интересно машинное обучение, хочу углубиться в Computer Vision. В будущем хочу запустить продукт, основанный на машинном обучении. Среди идей бизнеса есть такие, где нужны навыки работы с изображениями и видео. Надеюсь, знания, которые получу на кафедре, помогут мне в этом!

---

В магистратуру на кафедрах ABBYY в этом году подали заявки 46 студентов, из них к нам поступили 18 ребят.

Никита Честнов, 5 курс, кафедра РИОТ: До поступления на кафедру РИОТ я учился на кафедре лазерных систем и структурированных материалов (Физтех-школа физики и исследований им. Ландау). Я выбрал магистратуру ABBYY, потому что это лучшее место для участия в ведущих исследованиях в области компьютерного зрения.

Я бы хотел погрузиться в исследования и стать специалистом в области компьютерного зрения. Сейчас мне интересна задача NAS (поиск нейронной архитектуры) в приложении к области CV. Это направление позволяет намного эффективнее проектировать нейронные сети, из-за чего они лучше справляются с поставленными задачами, чем спроектированные человеком.

---

Ксения Клокова, 5 курс, кафедра КЛ: Я получила экономическое образование, но через какое-то время после окончания бакалавриата поняла, что хочу развиваться в data science. Меня всегда интересовал язык как феномен и обработка текстовой информации, и именно поэтому я начала читать различные статьи, проводить эксперименты. В итоге я приняла решение, что хочу строить научную карьеру в сфере компьютерной лингвистики. Обучение на кафедре это возможность продвинуться к этой цели и перенять знания у лучших специалистов и ученых.

Сейчас я работаю продуктовым аналитиком в команде клиентского сервиса банка. Мы активно внедряем различные системы обработки текстовой информации, поэтому в дальнейшем я могу заниматься разработкой новых прикладных решений и одновременно развивать научную карьеру. Мне интересны семантические парсеры и возможность использования информации из семантических представлений в машинном переводе.

---

Среди наших выпускников есть те, кто учился на кафедре ABBYY, работал у нас, а затем перешел в более крупные международные IT-компании. Например, наш выпускник и бывший коллега Игорь Холопов закончил кафедру РИОТ, в ABBYY прошел путь от младшего до старшего разработчика, а сейчас занимается облачными технологиями в Google в Европе. В американского гиганта также перешла Наташа Болоболова, до этого она училась на кафедре РИОТ. Алексей Журавлев, выпускник и аспирант кафедры РИОТ, бывший руководитель группы Computer Vision Research в ABBYY и автор двух патентов, сейчас работает в компании Х. Звучит таинственно, но компания настолько крута, что мы пока не раскроем ее.

Похимичим в ABBYY Lab

Корпус Физтех.Цифра, где находятся большая часть научных лабораторий ФПМИ, включая и ABBYY Lab

Мы в ABBYY уделяем большое внимание направлению исследований и разработок. Более 25% всех затрат на R&D компания инвестирует в исследования в области обработки естественного языка и компьютерного зрения. Это необходимо, чтобы разрабатывать сложные наукоемкие технологии, которые приносят реальную пользу компаниям разных отраслей и людям во всем мире.

Именно поэтому в 2019 году на базе ФПМИ мы создали лабораторию ABBYY Lab. Там студенты и сотрудники МФТИ занимаются передовыми разработками в сфере обработки естественного языка и анализа изображений и исследуют новейшие методы анализа данных.

Какими задачами занимаются сотрудники лаборатории?

Распознавание сложных текстов (например, рукописных, текстов в естественной сцене);
физика цвета и ее применение в задачах сегментации;
синтез реалистичного видео;
нетематическая классификация текстов;
понимание языка социальных медиа;
обнаружение текстовых ориентиров;
межмодальные связи;
дифференцируемые алгоритмы;
автоматизация поиска архитектуры нейронных сетей;
обучение на недостаточных данных: без учителя, с частичным привлечением учителя, по нескольким примерам.

Какими проектами занимаются в ABBYY Lab прямо сейчас?

Автоматизация поиска архитектуры нейронных сетей в задачах комплексного распознавания текста;
иерархические нейронные сети для классификации на большое количество классов;
синтез читающего видео-агента заданной стилистики;
управление вектором стиля при синтезе обучающей выборки для обучения распознаванию рукописного текста.

Лабораторию возглавляет Александр Жуковский, руководитель Computer Vision Research Group в ABBYY.

Александр: Несмотря на пандемию, мы выступили на нескольких международных конференциях: 26-ой международной конференции по компьютерной лингвистике и интеллектуальным технологиям "Диалог", а также 14th IAPR International Workshop on Document Analysis Systems и 17th International Conference on Frontiers of Handwriting Recognition это две конференции про распознавание документов, не столь давно выделенные из основной конференции в области ICDAR. Мой коллега по ABBYY Lab недавно участвовал в воркшопе по моделированию естественной артикуляции человека по произносимой им речи и тексту GENEA (Generation and Evaluation of Non-verbal Behaviour for Embodied Agents) Workshop и получил хорошие результаты.

---

Если у вас остались вопросы о ФПМИ, кафедрах ABBYY и ABBYY Lab, задавайте их в комментариях!

Кстати, те, кто закончили ФИВТ, ФУПМ или уже ФПМИ, рассказывайте в комментах, чем вам запомнилась учеба в Физтех-школе и что бы вам хотелось улучшить!

В далеком 2004 году на первом курсе бакалавриата Новосибирского государственного технического университета я познакомился с платформой intuit.ru. Тогда это казалось невероятным: бесплатно получить знания, которых так не хватает в родном университете. Кто бы мог подумать, что в 2020 году онлайн-обучение вплотную подойдет к тому, чтобы стать новой версией реальности.

Уверен, в этом году со всей карантинной неопределенностью потребность дистанционного обучения возрастет. Тут и там растут как грибы новые онлайн-магистратуры. Я расскажу свою историю принятия решения и поступления, опыт первого года, плюсы и минусы приведу в конце. Собрал все то, что хотел бы сам прочитать год назад, когда делал свой выбор.

Предыстория

Меня зовут Евгений, мне 32 года, и я программист.

Примерно 10 лет я работаю на зарубежную контору. Мои доходы растут, результаты ценят, а проекты меняются. Я понял, что программирование классный навык для воплощения идей в реальность и способ неплохо зарабатывать в комфортных условиях. Но душа требует развития. И в моем случае это стремление нельзя насытить еще одной технологией или еще одним языком программирования. Как поется, перемен требуют наши сердца.

Желание учиться в магистратуре у меня возникло 12 лет назад в момент защиты бакалаврской работы. На тот момент жизненные планы были немного другие, да и понимания, с какой стороны продолжать грызть гранит науки, не было.

Но перерыв, как водится, затянулся. Основными камнями преткновения все эти годы были:

1. непонимание, как совместить учебу с работой;
2. фокус на каких-то других вещах.

В 2012 году, проживая в Москве, я хотел поступать в ВШЭ там была (наверное, и есть) чудесная вечерняя программа. Но тогда по некоторым причинам я решил вернуться в Новосибирск, и планы поступления сорвались. А потом 8 лет пролетели незаметно.
Кстати, в том же 2012 году стартанула Coursera.

Выбор

Меня завлекали два направления: экономика, финансы, инвестиции и трансформация идеи в реальность. Если с первым было понятно, то где учиться второму, я не очень представлял.

Я был зарегистрирован на Coursera, даже начинал проходить некоторые курсы там, но в основном не заканчивал. Не хватало вовлеченности в процесс, может, стимула дойти до конца. Многие курсы мигрируют на эту платформу с вузов, в основном зарубежных. Когда ты проходишь программу курса, то тебе на почту начинают приходить предложения о поступлении в эти учебные заведения. Однажды пришло от MIT аж гордость взяла, даже подумывал о поступлении, но боялся не выдержать нагрузку и языковой барьер.

А в 2018 году мне прилетела информация о магистерской программе МФТИ Технологическое предпринимательство. Два этих слова вместе я никогда раньше не произносил. Почитав программу, я понял, что это про то, как стать стартапером в России. Спорно, но интересно.

Также была приписка ОНЛАЙН не надо ехать в Москву. Посмотрел немного, что такое МФТИ. К своему стыду, я не знал славную историю этой научной школы. Ну и, честно говоря, не особо заострил на этом внимание тогда. Это уже сейчас, во время учебы я узнал, как много успешных экономистов (например, Сергей Гуриев) и предпринимателей в высокотехнологичных сферах вышли из стен этого вуза. Цена была что-то около 270 тысяч в год. Немало, но и мне уже не 18 лет что-то насобирал.

Почему вообще онлайн-магистратура? Альтернативой могли бы быть:

• попытка запилить проект самостоятельно глупо бежать марафон, если не бегал хотя бы двадцатку;
• пойти в стартап и учиться на живом примере отличный вариант, но очень быстро возникает конфликт интересов: ты выполняешь рутинные задачи, а не принимаешь ключевые решения;
• самостоятельно набрать набор курсов, тренингов но я верю в комплексный подход, считаю, что самому сложно собрать нужную программу, она будет разрозненной.

Я начал подготовку к поступлению в 2018 году, но

Поступление

там возникла другая, более интересная оказия (part time работа в стартапе с русскими фаундерами вот она, визуализация конечной цели).

В 2019 году я вернулся к идее поступления. Нужно было пройти собеседование о теме своего проекта (здесь помогла работа в стартапе там много гипотез на проверку можно было найти) и сдать математику (тут пришлось поднапрячься многое уже забылось). Понервничал немного, но все сдал со средним результатом, достаточным для поступления. Тут уже главное желание и осознание ответственности и временных затрат. И спасибо жене она меня поддержала (просто еще не знала, как и я, что некоторые предметы будут проходить у меня в два ночи).

Начало

Ноутбук. Наушники. Zoom. Сейчас так живет весь мир. А в октябре прошлого года так началось для меня новое 1 сентября моей жизни. Передо мной на экране 25 плиток с видео моих одногруппников, кто со штатов, кто с Бали, кто с Ростова, кто с Питера, в основном, конечно, Москва. Нас объединяли русский язык и желание создавать в этом мире чудесные вещи, ну и как результат заработать на этом кучу денег. Перед нами выступали наши будущие преподаватели люди с высокими достижениями. Это одна из ключевых вещей для меня в образовании: ты окружаешь себя теми, кто мудрее, опытнее тебя, и учишься у них. Вот он, мегарост. Поэтому я считаю, что настоящее обучение возможно только в общине, а не индивидуально.

Процесс

С тех пор Zoom продолжается каждую субботу и воскресенье. Дополнительно в будние дни, примерно раз в неделю по Москве с 9 до 11 вечера. Учитывая временную разницу, для меня это с 1 до 3 ночи. На вебинарах только лишь обсуждение проделанной работы (каждый применяет знания к своему проекту). Много работы с различными онлайн-площадками: Coursera, eduNano и прочими. Несмотря на территориальную удаленность, в группе возникло много кружков по интересам в виде разных telegram-чатов на 36 человек. Много коллективной работы. В целом онлайн-образование лучше, чем может казаться. И, что важно, тут все было изначально обдуманно, а не состряпано под карантин. На некоторые предметы была возможность приходить очно. На один я даже прилетал в Москву очень хотелось вживую увидеть ребят. Я совместил приезд с работой, но приятно, что есть возможность выхватить живое присутствие в поточке, рабочий обед в студенческой столовке. Сразу стал на 10 лет моложе).

Что дальше

Впереди еще год учебы. Защита и госэкзамены проходят по плану очно. В этом году из-за карантина было удаленно, но до моей защиты еще год надеюсь, все восстановится к тому времени. Есть время для проработки проекта, должен активно подключится обещанный ментор (еще один плюс по сравнению с самодельной компиляцией курсов).

Ложка дегтя ...

Начнем с минусов. В основном они связаны с личным восприятием, а не с недостатками учебного процесса.

1. Без проекта учеба приносит печаль. В магистратуре ТехПреда важен свой проект без него все становится пресным. Нужно чем-то гореть. Лучше сразу найти идеи и мысли, которые нравятся, и много-много общаться, чтобы из этого многообразия выточить что-то внятное. Тут преподаватели готовы общаться, но надо быть настойчивым они занятые люди. Я считаю, что по-настоящему начал использовать эту возможность в последние пару месяцев. А жаль.

Есть одногруппники, которым подкидывали хорошие идеи на проработку для учебных целей. Надо активно пользоваться этой возможностью. В конце концов, цель учебы в первую очередь попробовать все аспекты раскрутки идеи на себе, а уже во вторую построить успешную компанию

2. Случается учеба по ночам. Уже писал об этом раньше, но повторюсь: некоторые предметы, например философия и английский, были не очень удобны по расписанию. Но в целом это было не чаще раза в неделю можно перетерпеть.

3. Требуется много времени. При поступлении был заявлен объем времени, который потребуется посвятить учебе, 10 часов в неделю. Тут у меня математика не сошлась, в реале 10 часов это только очные занятия по выходным (иногда больше). По факту стоит выделять 2025 часов в неделю на учебу, чтобы полностью усваивать материал.

4. Отсутствие треков. Я уже писал, что группа у нас разноплановая. В этом, помимо плюсов, есть и минусы. В некоторых предметах акценты можно расставлять в зависимости от стадии (идея, прототип или масштабирование) и области проекта (грубо говоря, софт, железо или работа с людьми). В целом есть возможность выбирать курсы, но по факту скорее, ходить дополнительно. Один курс я выбрал, потому что он мне нравился, и не пожалел. Были курсы, которые мне не понравились. Если бы была возможность пропустить я бы пропустил/заменил чем-то еще.

5. Для регионов может быть дороговато. Но прилететь в Москву и учиться там было бы явно дороже.

6. В организации процесса обучения есть прорехи. По некоторым предметам отличная обратная связь, а по некоторым явно запаздывает. Кому-то везет с менторами больше, а кому-то меньше. Это отчасти обратная сторона плюсов, о которых пойдет речь ниже. Преподаватели практики, а не теоретики. Ощущается занятость. Есть куда расти. Для онлайна вдвойне важно быстрое реагирование на запросы, полноценный фидбек по обучению. Иначе интерес может потеряться. Об это хорошо написано тут.

в бочке меда

1. Преподаватели практики и теоретики. Их имена отлично гуглятся, и при других обстоятельствах я вряд ли бы мог рассчитывать на общение с ними. Помимо просто выдачи знаний, они влияют на методы мышления, помогают увидеть вещи с тех сторон, о которых не думал раньше. Такие преподаватели есть и в обычных вузах и школах. Но если там соотношение 20 на 80 развернуто в сторону меньшинства, то тут таких большинство. Артемий Малков, Роман Янковский, Вадим Воронин, Анатолий Левенчук, Александр Фурсов, Михаил Бухарин, Алан Бахчиев, Вячеслав Чикин и другие.

2. Одногруппники. В основном чуть-чуть старше меня, но есть сильно моложе. Само по себе это очень классно. Сталкиваются опыт и молодость. Как говорится, если бы молодость знала, если бы старость могла. Тут и молодость знает, и старость может (старости особо нет, конечно. Наверное, 40 это потолок). Средний возраст как раз мой: 3032. Все с разных сфер, 30%-itшники, 30% уже предприниматели, 30% менеджеры продуктов, направлений в крупных компаниях и стартапах. Это дает хороший срез и множество точек зрения

3. Онлайн. Что ни говори, все остальное для меня был бы не вариант. Учись, когда (ну почти) и где хочешь.

4. Материал. Учебные материалы в большинстве своем загружены на открытые платформы, что задает высокую планку. Материалы качественные. Многие из них доступны для ознакомления просто так если интересно, скину ссылки отдельно по запросу. Материалы по маркетингу, юридическому праву, управлению проектами, системному мышлению и другие. Со многим так или иначе сталкивался в жизни, но все было как-то не по полочкам.

5. Вуз. Я уже писал выше, что сейчас горжусь тем, что сопричастен с МФТИ. Круг полезных и приятных знакомств сильно расширился. Тут мы два года в одной лодке с одногруппниками и преподавателями. Такие отношения не строятся за пару дней какой-нибудь конференции.

6. Диплом государственного образца. Диплом и степень магистра весомее и приятнее, чем несколько сертификатов Сoursera.

Вывод

Учеба мне нравится, вызывает много эмоций (от хочу уйти в академ до как круто, что я учусь у с этими людьми последнего в разы больше). Уверен, каким бы ни был мой дальнейший жизненный путь, эти знания и знакомства будут очень полезны. Ну и в учебе главное использовать все возможности, не тратить время зря, и далеко не всегда это значит, что нужно получить пятерки по всем предметам. Если хотите учиться, то возможностей в мире сейчас куда больше, чем 20 лет назад. Лучше начать и бросить посетить пару-тройку презентаций, подать заявки на обучение, пройти вступительные экзамены. А принимать решение можно, когда потребуется совершить платеж.

Послесловие

Один из навыков, который я хочу прокачивать, это написание текстов. В своем канале студента я рассказываю больше об учебе в онлайн-магистратуре российского вуза и о своем пути из программистов в предприниматели: t.me/tehprednub