Veštačka inteligencija (AI), a sa njom i mašinsko učenje (ML) su “u žiži” od kada je kompanija OpenAI objavila ChatGPT. Međutim, i AI i ML su mnogo stariji od ChatGPT-ja – prva istraživanja veštačke inteligencije datiraju iz ‘50-tih godina prošlog veka. Takođe, AI i ML su mnogo više od sve više prisutnih četbotova.
Šta je mašinsko učenje, gde je sve prisutno i kako će uticati na našu budućnost, priča Petr Ermarkov, ML Brand direktor u kompaniji Yandex.
WebMind: Kako biste definisali mašinsko učenje u današnjem tehnološkom okruženju i njegov uticaj na različite industrije?
Petr Ermarkov: Mašinsko učenje se smatra jednim od prvih pokretača tehnološkog napretka. Njegov uticaj se proteže kroz mnogobrojne tehničke proizvode i usluge, što je doprinelo oblikovanju njihovih funkcija. Od pametnih virtuelnih asistentata koji razumeju i odgovaraju na personalizovane preporuke u elektronskoj trgovini, ML omogućava ova tehnološka čuda, pružajući im šansu da nauče, prilagode se ljudima i olakšaju im svakodnevnicu.
WebMind: Na koji način pristupate procesu integracije modela mašinskog učenja u aplikacije koje koristimo na dnevnom nivou?
Petr Ermarkov: Kompanija Yandex gaji dugu tradiciju korišćenja mašinskog učenja. Na primer, još od 2009. godine, kada je svet počeo da priča o ovom fenomenu, razvili smo i implementirali sopstvenu metodu mašinskog učenja pod nazivom MatrixNet. Jedna važna karakteristika ovog metoda je njegova otpornost na prekomerno prilagođavanje, što je ključno s obzirom na razmere u kojima poslujemo. Na osnovu toga stvorili smo napredniju tehnologiju – CatBoost. Pomoću nje, gradimo sopstvenu formulu za rangiranje koja pokreće naš Internet pretraživač.
Generalno gledano, imamo mnoštvo programa koji su bazirani na ML tehnologiji, a koje koristimo putem mobilnih aplikacija. Kao drugi primer bih naveo SpeechKit – u pitanju je tehnologija za prepoznavanje govora koja postavlja osnovu za emitovanje video zapisa uživo. Naš algoritam za preporuku pomaže u predviđanju muzike koju bi korisnici želeli da čuju, ali isto tako predstavlja određen proizvod na našem tržištu koji bi korisnici želeli da kupe.
Integracija mašinskog učenja u aplikacije ne predstavlja samo pomoć preduzećima da budu efikasniji u radu, već omogućava sticanja značajne konkurentske prednosti, jer se oslanja na najnovije neuronske mreže.
Da biste koristili neuronske mreže, potrebni su vam visokokvalifikovani specijalisti koji rade sa podacima. Još 2007. godine uočili smo manjak kvalifikovanog osoblja u ovoj oblasti, pa smo iz tog razloga pokrenuli školu za analizu podataka u okviru kompanije Yandex. Zahvaljujući dvogodišnjem programu ove škole, uspeli smo da podučimo preko 1000 vrhunskih specijalista.
WebMind: U kom smeru će se dalji razvijati mašinko učenje, i na koje načine će uticati na društveni život?
Petr Ermarkov: U bliskoj budućnosti, mašinsko učenje biće sveprisutno u tehnologiji i svako će moći da ga koristi, ne samo eksperti. Već je sada teško pronaći nekoga ko nije koristo proizvod ili uslugu koju pokreće ova tehnologija. Verujem da će ljudi uskoro da koriste mašinko učenje sa namerom i da će se u narednih 10-15 godina osnove mašinskog učenja predavati i izučavati u školama i na fakultetima. Smatram da će njegova korist i značaj itekako doprineti daljem obrazovanju.
WebMind: Koji su neki od najznačajnijih napredaka i otkrića u mašinkom učenju koje ste nedavno primetili?
Petr Ermarkov: Oblast koja je posebno privukla pažnju su generativni modeli. Oni su zaista preokrenuli način na koji koristimo tehnologiju. Na primer, generativni jezički modeli imaju neverovatnu sposobnost da kreiraju sadržaj koji se čini prirodnim i kontekstualno relevantnim. Ova vrsta tehnologije pokreće chat botove gde imate utisak kao da razgovarate sa pravom osobom.
Kada je, prošle godine krenuo rad sa ChatGPT, uvideli smo koliki uticaj imaju ovakvi jezički modeli. Tim povodom smo unutar kompanije rešili da odemo korak dalje i kreirali sopstveni jezički model YandexGPT, tj. našu glasovnu pomoćnicu Alice.
Pored jezičkih modela radimo takođe i na našoj neuronskoj mreži za generisanje slika pod nazivom Shedevrum. Jednostavnim unosom opisa, mogu da se generišu slike na osnovu vašeg zahteva.
WebMind: Na koji način Yandex implementira mašinko učenje u sopstvene proizvode i usluge?
Petr Ermarkov: Od samog početka smo uključili AL i ML tehnologije u naše proizvode, a sada je to u potpunosti sastavni deo naših usluga i proizvoda. Teško je pronaći primer proizvoda ili usluge koja nije bazirana na mašinkom učenju. Bilo da je reč o ride hailing servisima, dostavi, mapama, pretrazi, elektronskoj trgovini ili reklamama, ML tehnologija je standardna komponenta ovih i mnogih drugih usluga.
Hajde da uzmemo kao primer Yandex Go aplikaciju. Algoritmi koji se koriste u ovoj aplikaciji pomažu u efikasnoj distribuciji naloga predviđanjem najefikasnijih zadataka. Ukoliko bih opisivao svaku od preko 90 usluga koje imamo, ovo bi bio veoma dug intervju. Međutim, ML algoritmi su neizostavni deo naših proizvoda, radi što efikasnijeg funkcionisanja aplikacije.
WebMind: Kako obezbeđujete da rešenja za mašinsko učenje koje razvija Yandex budu pravedna i objektivna?
Petr Ermarkov: Mašinsko učenje je jednostavno alat koji se koristi u okviru programiranja. Neuronska mreža analizira ogromne količine podataka, a te podatke kreiraju ljudi različitih mišljenja, veština ili znanja. Sa druge strane, neuronske mreže nemaju svoje mišljenje već ponavljaju ono što je prethodno naučeno od drugih programera. U kompaniji Yandex preduzimamo sve mere kako bismo obezbedili integritet podataka a ujedno pratimo i predviđanja mreže, sa ciljem da na vreme otkrijemo potencijalne “štete”.
U prilog tome, kreirali smo novu profesiju – AI trenere, koji analiziraju tekstove koji se koriste za obuku neuronskih mreža. AI treneri su stručni u pronalaženju informacija i proveravanju činjenica. Ovo osigurava da naše neuronske mreže pružaju iskrene i prvobitno objektivne odgovore.
