Путь к созданию ответственного ИИ: опыт Ирины Кофман в Google и Facebook 0:01
Карьера Ирины Кофман — это путь от ребенка-беженца из Украины до руководителя (Director) в подразделении искусственного интеллекта Facebook. Не будучи инженером или исследователем по образованию, Кофман построила карьеру, опираясь на навыки управления проектами, структурирования команд и создания операционных процессов, которые позволяют техническим специалистам эффективно внедрять инновации в масштабах глобальных корпораций.
От «управления родителями» к управлению AI-командами 1:21
Детский опыт Кофман, связанный с частыми походами в RadioShack, где она, будучи пятилетней девочкой, планировала бюджет и распределяла задачи по сборке электроники между членами семьи, заложил фундамент её профессиональных качеств. По словам Кофман, этот навык — планирование, распределение ролей и контроль за сроками — стал основой её работы в качестве технического программного менеджера (TPM).
Её карьерный путь включает почти 12 лет работы в Google, где она участвовала в создании команды, занимавшейся развитием ИИ. В начале этого пути компания работала практически как стартап, несмотря на статус гиганта, что потребовало от Кофман создания:
- Операционной структуры для инженеров, способствующей инновациям и открытым исследованиям.
- Программы AI Residency для привлечения талантов и их обучения под руководством опытных исследователей.
- Одного из первых крупных проектов — релиза фреймворка машинного обучения TensorFlow.
- Команды по вопросам этики и справедливости в машинном обучении (ML Fairness), занимавшейся публикацией принципов ответственной разработки ИИ.
Масштабирование ИИ в Facebook 6:12
Сегодня деятельность Кофман в Facebook сосредоточена на интеграции ИИ во все продукты компании. Искусственный интеллект используется для управления лентой новостей и ранжирования рекламы, обеспечивая релевантный контент для более чем 2,7 млрд пользователей ежемесячно.
Кофман выделяет несколько ключевых направлений применения ИИ, имеющих как практическую пользу, так и социальный эффект:
- Глобальное общение: Технологии нейронного машинного перевода обеспечивают более 6 млрд переводов в день, позволяя преодолевать языковые барьеры.
- Доступность: Компьютерное зрение помогает слабовидящим пользователям «видеть» контент изображений через описание объектов.
- Социальное благополучие: ИИ помогает находить доноров крови, соединяя их с теми, кто нуждается в помощи; в программе уже зарегистрировано более 50 млн человек.
- Безопасность и целостность (Integrity): Инструменты ИИ для анализа контента ежедневно блокируют и удаляют около 1 млн аккаунтов, нарушающих правила платформы (спам, порнография, травля).
- Аппаратные решения: Портативные устройства для видеосвязи Facebook Portal используют локальные модели компьютерного зрения, позволяя камере следить за пользователем, что, по словам Кофман, критически важно для общения людей с ограниченными возможностями.
- VR-технологии: В рамках работы над Oculus компания развивает интерактивное взаимодействие без использования контроллеров.
Ответственная разработка и сотрудничество с академией 10:06
Одной из главных задач Кофман называет ответственное создание ИИ. Она подчеркивает, что этот вопрос стоит в центре всей деятельности компании, стремящейся к справедливому и равному отношению к пользователям.
Ключевые принципы работы, которые Кофман выделяет как необходимые для успеха:
- Коллаборация с академическим сообществом: Ярким примером стал проект Fast MRI, реализованный совместно с NYU School of Medicine, целью которого было ускорение процесса МРТ-сканирования в 10 раз. Все полученные данные были опубликованы, чтобы стимулировать дальнейшие исследования в отрасли.
- Борьба с дезинформацией: В рамках инициативы Deepfake Detection Challenge компания объединила усилия с BBC, New York Times, академическими и гражданскими организациями для создания крупнейшего в индустрии набора данных для поиска манипулированного медиаконтента.
- Использование данных: Процессы принятия решений внутри компании строятся на базе данных: от формирования идей до установки правильных метрик (и «контр-метрик») для оценки эффективности продуктов.
