# От хайпа к продуктивности: Эндрю Ын и Лоуренс Морони о будущем TensorFlow

Источник: https://www.youtube.com/watch?v=69dr4090Y-Q
Канал: DeepLearning.AI
Опубликовано: 31.07.2019

---

На мероприятии Pie & AI, прошедшем в штаб-квартире Google, Эндрю Ын (Andrew Ng) и Лоуренс Морони (Laurence Moroney) официально представили новую специализацию по TensorFlow и обсудили текущее состояние индустрии искусственного интеллекта. В центре дискуссии — трансформация мировой экономики, преодоление дефицита квалифицированных кадров и переход от завышенных ожиданий к реальной технологической продуктивности.

## ⚡️ Искусственный интеллект как «новое электричество»
[[JUMP:00:03]]

Эндрю Ын на протяжении последних четырех лет последовательно продвигает тезис о том, что искусственный интеллект является «новым электричеством» [0:23]. По его мнению, за последние несколько лет отрасль совершила колоссальный прогресс: количество созданных рабочих мест, приложений и выручка компаний демонстрируют стабильный рост. Однако Ын подчеркивает, что пока трансформация затронула преимущественно сектор программного обеспечения.

Основной потенциал развития Ын видит в выходе ИИ за пределы «пузыря Кремниевой долины» [1:15]. Его ожидания на ближайшие 5–20 лет включают:

*   Глубокую трансформацию традиционных отраслей: производства, сельского хозяйства, здравоохранения, транспорта и логистики [1:07].
*   Демократизацию знаний и инструментов ИИ, что должно помочь избежать чрезмерной концентрации богатства у узкого круга лиц [2:00].
*   Создание условий, при которых ИИ сделает каждого человека более эффективным в его повседневной деятельности [1:33].

## 🛠 Роль разработчиков в новой экосистеме
[[JUMP:02:14]]

Лоуренс Морони убежден, что именно разработчики программного обеспечения станут «передовой линией» в строительстве мира, который описывает Эндрю Ын [2:28]. По его мнению, через 5–15 лет владение инструментами ИИ станет таким же стандартным навыком для программиста, как знание SQL для работы с базами данных или понимание языков высокого уровня вроде Java, Swift или C# [2:57].

Эндрю Ын, ссылаясь на мнение Джеффа Хинтона (одного из «крестных отцов» глубокого обучения), предполагает, что в будущем количество людей, «обучающих» компьютеры (через машинное обучение), сравняется с количеством тех, кто пишет традиционный программный код [3:38]. Уже сегодня более 50% соискателей PhD-программ в Стэнфорде хотят работать именно в области ИИ [4:02].

Морони приводит статистические данные для иллюстрации масштаба задачи:

*   В мире насчитывается около 30 миллионов разработчиков программного обеспечения [4:43].
*   Количество практикующих специалистов в области ИИ, по данным опросов Baidu, составляет лишь около 300 тысяч [4:43].
*   Цель новой специализации — обучить хотя бы 10% от общего числа программистов (3 млн человек), что десятикратно увеличит сообщество ИИ-практиков [4:55].

## 📈 Преодоление «цикла хайпа» и реальная продуктивность
[[JUMP:07:38]]

Обсуждая текущее состояние рынка, Лоуренс Морони ссылается на «цикл хайпа» Gartner (Hype Cycle). По его словам, ИИ сейчас находится на пике завышенных ожиданий [8:06]. Морони шутливо называет свою работу «профессиональным разочарованием», так как его задача — помочь компаниям быстрее пройти через «рв разочарования» к «плато продуктивности» [8:45].

Он проводит историческую аналогию с выходом первого iPhone в 2007 году:

1.  **Пик ожиданий:** Все думали, что смартфоны сразу заменят ноутбуки и настольные ПК [9:05].
2.  **Провал:** Пользователи столкнулись с ограничениями маленьких экранов и интерфейсов [9:15].
3.  **Продуктивность:** Появились совершенно новые бизнес-модели, такие как Uber и Lyft, которые стали возможны только благодаря повсеместному распространению мобильных устройств и осознанию их реальных возможностей [9:36].

По мнению Морони, аналогичный процесс происходит и в ИИ. Продуктивность начнется тогда, когда руководители компаний, HR-специалисты и CEO перестанут воспринимать технологию как магию и поймут её реальные ограничения и прикладную пользу [10:03].

## 📚 Образовательный подход и запуск специализации TensorFlow
[[JUMP:10:20]]

Новый курс ориентирован на практическое применение инструментов. Лоуренс Морони отмечает, что курс специально разработан для кодеров, чтобы дать им «плавный въезд» в тему [15:07]. Эндрю Ын подчеркивает важность сохранения элемента игры в обучении.

В качестве примеров «фановых» проектов, использованных в курсе, упоминаются:

*   Генератор ирландских песен на базе LSTM-сетей, обученный на 880 текстах песен [11:50].
*   Классификатор для игры «Камень-ножницы-бумага», работающий прямо в браузере [13:23].
*   Определение предметов одежды и модных аксессуаров [17:59].

Ын считает, что даже если такие проекты не приносят прямой выручки, они критически важны для формирования навыков сбора, очистки данных, моделирования и развертывания систем [13:51]. На вопрос о том, почему курс фокусируется на Keras, а не на «чистом» TensorFlow, Морони пояснил: Keras теперь является частью TensorFlow 2.0 и служит высокоуровневым API, упрощающим демократизацию ИИ для миллионов разработчиков [14:53].

## 🔍 Технологические тренды: от селф-супервайзинга до приватности
[[JUMP:19:20]]

Эндрю Ын выделил несколько ключевых направлений, которые вызывают у него наибольший интерес:

*   **Self-supervised learning (самообучение без учителя):** Ын считает это направление крайне перспективным, так как оно позволяет использовать неразмеченные данные. В качестве примеров он приводит задачи «jigsaw» (сборка изображения из перемешанных фрагментов) и случайное вращение изображений для обучения нейросетей скрытым представлениям [20:26].
*   **Федеративное обучение (Federated Learning):** Морони рекомендует обратить внимание на технологию, позволяющую обучать модели на данных пользователей (например, на Android-устройствах), не передавая сами данные на центральный сервер, что критически важно для приватности [29:33].
*   **Дифференциальная приватность (Differential Privacy):** Ын отмечает прогресс в этой области, упоминая работы исследователей из Беркли и Uber. Это позволяет добавлять шум в данные таким образом, чтобы модель обучалась эффективно, но при этом нельзя было извлечь из неё чувствительную информацию, например, номера социального страхования [31:46].

## 🧠 Стратегия ИИ-проектов: когда нейросети не нужны
[[JUMP:23:01]]

Одной из главных ошибок современных команд Эндрю Ын называет попытку решить любую задачу с помощью глубокого обучения (Deep Learning). Он утверждает, что лучшие команды имеют в своем распоряжении портфель техник:

1.  **Глубокое обучение** — когда данных много [25:13].
2.  **Графовые модели и базы знаний (Knowledge Graphs)** — когда нужно внедрить экспертные знания [25:39].
3.  **XGBoost** — для структурированных данных [25:26].
4.  **PCA (метод главных компонент)** — для анализа остатков и отладки [25:32].

Ын предупреждает, что неверное стратегическое решение (например, выбор нейросети там, где нужен граф знаний) может стоить команде шести месяцев работы впустую [26:44].

## ⚠️ Проблема предвзятости и «человеческий фактор»
[[JUMP:35:03]]

Лоуренс Морони затронул тему скрытых предубеждений (bias) в данных, рассказав личную историю. При создании датасета для классификатора «Камень-ножницы-бумага» он подготовил 840 изображений «ножниц» [36:12]. Однако, будучи выходцем из Великобритании и Ирландии, он показывал жест «ножницы» ладонью к себе [36:29].

На конференции Google I/O выяснилось, что модель не узнает «ножницы», которые показывают американцы (ладонью от себя или с зажатым большим пальцем), потому что Морони привнес в данные свою культурную предвзятость [36:55]. Этот пример иллюстрирует, насколько легко разработчику неосознанно испортить продукт, если он не обладает навыками анализа данных на предмет предвзятости [37:47].

## 🎓 Наука против Корпораций: где рождается инновация?
[[JUMP:38:01]]

В завершение дискуссии Эндрю Ын сравнил возможности академической среды и крупных техгигантов. Он отметил, что грань между ними стирается. Если раньше знаменитый проект «Google Cat» (распознавание кошек на YouTube) требовал 16 000 облачных процессоров Google, то сегодня повторить этот эксперимент может любой человек, потратив около 2000 долларов на аренду облачных мощностей [38:54].

Преимуществом университетов (таких как Стэнфорд), по мнению Ына, остается «академическая свобода» — возможность мгновенно переключаться между междисциплинарными проектами: от беспилотных вертолетов до ИИ в здравоохранении и климатических изменений, не заботясь о ежемесячной прибыли [39:47].