Especialmente para el blog: entrevista con Natalia Efremova, el analítico senior de NtechLab, sobre redes neuronales, machine learning, los mejores desarrolladores de Rusia y casas inteligentes para todos. Las chicas todas son diferentes, entonces sus intereses y carreras también son distintos. A pesar de que hoy todo el mundo dice que ya no hay diferencia entre los intereses de hombres y mujeres y está muy popular la tendencia de igualdad de género en las carreras la sociedad aún no está acostumbrada a ver mujeres entre camioneros o mecánicos de caros. Nuestra heroína no maneja camiones grandes, no se encuentra en un mono sucio debajo del capote del coche y generalmente su lugar de trabajo y sus herramientas no pesan más de un laptop, aunque su profesión como desarrolladora ha sido considerada masculina durante mucho tiempo. Natalia Efremova, analista de NtechLab y profesora del curso “Sistemas inteligentes de información” en la Universidad de Economía Rusa Plekhanov, es difícil encontrar tiempo disponible en su horario ocupado. Al comienzo de la primavera, logramos hablar con Natasha y conocer algunos detalles sobre las redes neuronales, su pasado, presente y futuro. NtechLab: ¡Natasha, hola! Gracias por tu tiempo. Bueno, antes que nada, permítame expresar admiración por lo que haces, a lo que has dedicado tu vida: el estudio de las redes neuronales. No es una profesión más típica para una niña, aunque ahora no es común dividir las carreras por género. Y, sin embargo, la primera pregunta es simple y lógica: ¿cómo llegaste a tu profesión, tu ocupación, cuando te diste cuenta de que querías hacer todo esto, que es tuyo, que amabas lo que hacías? NATALYA EFREMOVA: Vine a esta área por casualidad. Estudié en una escuela humanitaria y me involucré, me da miedo de decirlo, en literatura inglesa. Después de la escuela, entré en la Universidad Estatal Humanitaria de Rusia, pero estaba harta de literatura en ese momento, y fui a estudiar lingüística en la facultad de inteligencia artificial. Muy rápidamente al conocer de la lingüística me di cuenta que esto, bueno, no era mío. Luego tuve la oportunidad de lidiar con el reconocimiento del lenguaje natural, lo que eventualmente me llevó a las redes neuronales. Desde entonces, he estado involucrado en la programación de redes neuronales durante 10 años. NTL: ¿Y qué significa “dedicarse a redes neuronales”? ¿Es necesario tener algunas habilidades de súper desarrollador, tener conocimiento de matemáticas alto, comprender la estructura del cerebro? N.: Hay diferentes grados de inmersión, diría yo. Cada grado te permite resolver un problema específico. Creo que con el desarrollo moderno de las redes neuronales, no es necesario comprender exactamente qué sucede en cada función. Las redes neuronales ahora han llegado a la etapa en que es, más bien, una herramienta de producción. Cuando usamos una computadora, no entendemos completamente cómo funciona, qué procesos ocurren dentro, pero no lo necesitamos. Se puede construir una red neuronal (aproximadamente como de bloques Lego) de componentes diferentes y luego mejorarla. Hoy, ya hay bibliotecas modernas que se pueden usar; Las bibliotecas especialmente configuradas se pueden utilizar para tareas especiales. Además, ya está definido qué tipos de redes neuronales se aplican a cuáles tareas, hay entendimiento de qué tipo de desarrollo se necesita para una tarea en particular, ya sea paso a paso o end-to-end. Aunque los especialistas en redes neuronales siguen sugiriendo formas no estándar de usar algoritmos “tradicionales”, como, por ejemplo, el uso de redes recurrentes para el reconocimiento de patrones (NtechLab, ve más sobre esto aquí) El conocimiento de redes neuronales ya es tan amplio y se usa tan exitosamente que no se requiere ser experto en el tema para aplicarlo. Por ejemplo, para construir sí mismo a una red neuronal de reconocimiento de símbolos escritos simple es más que suficiente tener conocimiento básico de desarrollo en «pitón», habilidad de agregar las bibliotecas para «pitón», así como conocimiento que bibliotecas existen por el momento. NTL: ¿Cómo se ve tu lugar de trabajo? N.: Aquí está (muestra su laptop, NTL). Viaja conmigo por todo el mundo y cuando es necesario para realizar unos cálculos me conecto a los servidores de amazon pero para cada tarea hago una configuración del servidor de amazon yo misma. NTL: ¿Dinos si es posible contar sobre redes neuronales de manera simple? Así como para niños. N.: Soy profesora del curso «Redes neuronales» en UER Plekhanov y normalmente empiezo a explicar qué son redes neuronales con descripción de un episodio de la película «Madagascar». En la segunda película «Madagascar» los pingüinos se suben al avión. Ellos piden la ayuda de los monos y dicen: «Monos, necesitamos sus pulgares y lóbulos frontales “. Los pulgares de los monos se necesitan para sostener muchos instrumentos, y los lóbulos frontales para entender cómo recolectar un avión que sirva de toda la basura que tienen a la mano. ¿Por qué los lóbulos frontales? Porque los monos son las únicas criaturas en la tierra que tienen la misma estructura que los humanos. Tales procesos de pensamiento como el reconocimiento de imágenes, así como lenguaje natural son muy similares para humanos y primates. El cerebro humano, como el de todos los mamíferos, consiste de materia gris y blanca. La materia gris consta de pequeñas células llamadas neuronas. Estas celdas realizan ciertos cálculos. Cada célula realiza una sola función: “decide” si desea transmitir una señal más o no, excitarse o no excitarse. Y muchas señales de excitación en muchas neuronas de nuestro cerebro crean una determinada red informática. Esta red de computadoras toma una decisión cada segundo sobre lo que yo como ser humano hago a continuación: girar la cabeza, mirar algún objeto, cómo interpretar lo que escuché. Las redes neuronales artificiales se organizan de acuerdo con el mismo principio. Hay un pequeño elemento neuronal responsable por cada fragmento mínimo de la tarea y la combinación de muchos de estos elementos nos permite realizar cálculos paralelos muy complejos, que incluyen, entre otras cosas, el reconocimiento de imágenes. NTL: ¿Qué se puede llamar complejo y qué es simple? Digamos, ¿la tarea de rascarse requiere cálculos complejos? N .: Esta es una señal bastante complicada. NTL: ¿Y entonces qué es simple? N.: Una señal simple es, por ejemplo, darse cuenta de lo que veo frente de mí, sin cometer ninguna acción. Procesar lo que obtenemos de los órganos sensoriales es probablemente una de las acciones más fáciles. Ya el movimiento requiere coordinación de lo que vemos con la activación de nuestras funciones motoras, esta ya es una tarea más difícil. Entrenamos nuestras neuronas toda nuestra vida. Nuestra red integral comienza a entrenarse en el útero y el proceso de aprendizaje dura toda la vida. NTL: ¿Y esto es similar a cómo se entrena una red neuronal artificial (NTL, adelante RNA)? N.: En lal RNA, el entrenamiento también se está llevando a cabo, pero es algo más simple, la función dentro de RNA se puede ser descrita con la fórmula. Todo lo que puede describirse a través de las fórmulas matemáticas es más simple que los procesos biológicos. Una red neuronal biológica (NTL, en adelante RNB) es compleja, porque RNB tiene mucha redundancia, muchos procesos paralelos están duplicados, repetidos varias veces, varias tareas están paralelizadas. Y la RNA está configurado para realizar una tarea, por ejemplo, reconocimiento facial, reconocimiento de lenguaje natural o control de drones. No compararía los procesos de aprendizaje que ocurren en RNB y RNA. en muchos sentidos son procesos diferentes. En el caso de los humanos, toda la gran red neuronal se entrena de inmediato. A RNA normalmente entrenamos por partes. RNA se puede comparar con una parte de cerebro humano que realiza una función determinada. Como si el cerebro humano estuviera configurado solo para el reconocimiento de imágenes, como un ojo humano. Bajo mi explicación de las redes neuronales (NTL, en adelante RN) con el ejemplo de los monos de “Madagascar”, uso la imagen de sus lóbulos frontales como un símbolo de pensamiento, así como lo sabemos: un mono mejor que cualquier otro mamífero puede entender que puedes construir y que necesitas para hacerlo. Cada área de nuestro cerebro tiene ciertas funciones, por ejemplo, RN para el reconocimiento visional será un análogo de la corteza visual, RN para el reconocimiento de un lenguaje natural será un análogo de las partes responsables por aprendizaje y reconocimiento del lenguaje natural en el cerebro, estas partes se llaman Zonas de Wernicke y Broca. Los lóbulos frontales del cerebro humano participan en el pensamiento lógico y toma de decisiones. NTL: ¿Qué tan rápido lo entienden los estudiantes? No son desarrolladores. N.: Son economistas, pero de la facultad de informática. Lo entienden de manera diferente. Hay aquellos que aprenden rápido. Además, no entro en detalles matemáticos, teoremas y otras conclusiones matemáticas, porque, como acabo de decir para el uso de RN hoy en día no es tan importante. Recientemente leí un artículo en Internet sobre la siguiente idea: no necesitas una maestría para desarrollar redes neuronales. Podemos decir que esto no es así al 100%. Todo depende de la tarea y el tipo de RN. A veces no es fácil para mí entender el trabajo de algunas RN con mis 10 años de experiencia. Por cierto, en diciembre estuve en la gran conferencia NIPS (NTL, Neural Information Processing Systems -) en Barcelona. Allí participaron no menos de 6 mil especialistas en machine learning, y principalmente eran expertos en el tema de RN. Hubo muchas presentaciones, sesiones. Debo admitir que no lo sabía todo. Para convertirse en un especialista en cualquier tema hay que sacrificar muchos otros. Por supuesto, es posible lidiar con todos los RN, pero es muy difícil. Si te dedicas a RN convolucionales, entonces serías un experto en este área de RN y las RN que usan el entrenamiento de refuerzo no serían tan transparentes para ti. Me dedico a reconocimiento de imágenes, visión de computadora, estos son principalmente NS convolucionales. NTL: ¿Cómo llegaste a NtechLab? N.: La primera vez escuché sobre NtechLab en el extranjero. Entonces me encontré con un artículo de The Guardian. Y lo curioso es que allí la compañía apareció como un cierto grupo de hackers rusos que lanzaron su propio algoritmo de reconocimiento facial e hicieron mucho ruido en las redes sociales, reconocieron “quién es quién”, ayudaron a alguien y molestaron a alguien. Me resultó interesante, profundicé, descubrí que no se trata solo de un grupo de hackers, sino de todo un laboratorio que se ocupa del reconocimiento facial, lo que significa redes neuronales. Siempre ha estado cerca de mí. Luego descubrí que la compañía estaba ganando un equipo (Natalya de RH me contactó), y pronto fui invitada, a la compañía. Esta reunión me inspiró completamente fue muy interesante hablar con una persona inteligente que, como se dice, habla el mismo idioma conmigo. ¿Qué más me llamó la atención? Lo que el algoritmo ganó en MegaFace, por supuesto, eso vale mucho. Por lo que a menudo trabajo con desarrolladores de redes neuronales, sé que ganar cualquier “challenge” internacional es muy difícil, ¡hay muchos competidores! Tal victoria significa que el sistema es realmente genial. Esto, por supuesto, causó respeto. Recuerdo cómo los chicos del Imperial College de Londres, cuando nos reunimos con ellos, recordaron inmediatamente que los desarrolladores rusos los habían visitado en MegaFace. Generalmente muchos de mis colegas en varias universidades de todo el mundo dicen que los desarrolladores rusos son los mejores. De hecho, son los rusos quien ganan en la mayoría de los “challenges”. NTL: Interesante. Parecía que este era un mito antiguo sobre los mejores desarrolladores rusos, y tú confirmas lo contrario. Esto es lindo Natasha, además de ser una experta en el tema de las redes neuronales y machine learning, así como una analista senior en NtechLab, todavía participas en varios proyectos científicos. Cuéntame más sobre esto. N.: Ahora, como parte de mis estudios en Oxford, me dedico a la investigación, que se realiza conjuntamente con la Universidad de Oxford. Este es un proyecto de procesamiento de mapas satelitales para monitorear los suministros de agua potable y predecir el agotamiento de los suministros de agua potable. En esta etapa, esto es más teórico que la investigación aplicada, pero muchas compañías ya están tratando de encontrar una aplicación práctica para eso. Estas son empresas principalmente nuevas ubicadas en Silicon Valley. Y hay que entender claramente que una startup hoy no es necesariamente un equipo de tres desarrolladores que buscan dinero para lanzar algún tipo de aplicación. Por ejemplo, me reuní con chicos de un startup que lanzan micro satélites al espacio. Ahora hay un gran movimiento para lanzar microsatélites para obtener más información de mapas satelitales para su uso posterior para tareas comerciales. Este proyecto de investigación en conjunto con Oxford está precisamente relacionado con dicha investigación y tiene como objetivo ayudar a las compañías inversionistas a estimar los riesgos asociados con el agotamiento de los recursos naturales. NTL: ¿Entonces esta no es una historia absolutamente ambiental? Búsqueda de fuentes de agua potable, asistencia a países pobres durante una sequía, etc. N.: Generalmente este proyecto puede estar dirigido a cualquier cosa, pero ahora aparecen cada vez más situaciones cuando las compañías inversionistas empiezan a involucrarse en temas ambientales. Deben estimar todos los riesgos asociados con el seguro de empresas, personas físicas y morales, inmobiliario y movimiento general del mercado. Por ejemplo, existen riesgos de un posible calentamiento y crecimiento de la temperatura en 3 grados. Hay una industria que se dedica solo a este problema. NTL: ¿Qué opinas sobre el futuro de la investigación de redes neuronales? ¿Qué se supone que se implementará exactamente con tecnologías basadas en redes neuronales en un futuro muy cercano? N.: Creo que en los próximos 2−3 años tendremos muchos procesos: reconocimiento de lenguaje, producción de lenguaje natural, diálogo de lenguaje natural, reconocimiento de video, predicción de video, etc., etc., estarán bien automatizados. NTL: ¿Y que es la predicción de video? N.: Cuando se puede predecir lo que sucederá después solo por primer movimiento. En la mayor parte de la producción de películas y dibujos animados, en los que intervienen los gráficos de computadora, todo será lo más automatizado posible. Por otro lado, creo que va a crecer «Internet de las cosas». Habrá dispositivos en la casa que minimizarán el consumo de energía, agua. El sistema se configurará para apagar automáticamente la calefacción, planchas olvidadas, etc. Ahora casi solo la gente rica tiene casas inteligentes. Pero en el futuro, estos nuevos productos “inteligentes” serán baratos y asequibles para todos. Creo que esto sucederá pronto. Ahora, muchas compañías de energía están trabajando para garantizar que las personas minimicen el consumo de energía. La transición al consumo “inteligente” de recursos es inevitable, ya que cada vez somos más y necesitamos minimizar nuestro impacto al medio ambiente. Esto provocará la aparición no solo de casas inteligentes, sino también de autos inteligentes, la técnica se estimará por sí sola cuando sea mejor ir a la ducha para que tengamos suficiente agua caliente. Y cuanto más se sienta la falta de recursos, se desarrollarán mejores tecnologías para utilizar estos recursos. Al final del día no tendremos otra opción, porque la falta de recursos en el futuro se sentirá cada vez más, y lo que ahora vemos como la norma en términos de gasto de recursos se considerará salvajismo, ignorancia, algo completamente irracional. Idealmente, también tendremos estimados a nuestros deportes, dietas, etc. En el restaurante sacarás fotos de tu plato y recibirás información sobre cuantos kilometros necesitas correr para quemar estas calorías. Tales desarrollos ya existen, pero serán masivos, una parte integral de nuestra vida. Para algunos casos particulares, se inventarán dispositivos. Ya hay lentes para los ciegos en forma de una aplicación que le dice a una persona lo que está enfrente de él. Y esto es solo el comienzo. NTL: ¿Y hablando del futuro más lejano? ¿Te imaginas algo que parece absolutamente fantástico por el momento, pero qué se puede lograr en algún momento por el desarrollo de nuestro conocimiento de las redes neuronales? N.: Hablando del futuro más lejano y la ciencia ficción, supondría el desarrollo de dispositivos, por ejemplo, que serían semi transparentes y portables. Lo más probable es que sea algo integrado en lentes o algo que eso ponga en la muñeca, integrado en una lente de contacto, etc. Ya lo estamos avanzando. Los sistemas de recomendación serían más inteligentes que ahora, todas estas recomendaciones sobre salud, lectura, tiempo libre, sistemas de adivinación, predicción de deseos. NTL: ¿Qué hay que hacer? ¿En que tenemos que enfocarnos que este futuro llegue? N.: Es absolutamente necesario enfocarnos en las redes neuronales, porque este ramo ahora está convirtiéndose de la ciencia en la tecnología. Existe un concepto como la tecnología S-curve [1] [2], que describe muy bien el desarrollo de tecnologías innovadoras. Hoy están en el punto donde comienza el desarrollo rápido, pero después de un año será demasiado tarde para esta área, por lo que hay que hacerlo ahora. Si hay conocimiento, deseo, suficiente experiencia, hay que desarrollar redes neuronales. Ya sea reconocimiento facial, lenguaje natural, análisis de imágenes satelitales. NTL: ¿Es posible crear una apariencia absoluta de la vida humana, ser humano artificialmente? N.: No, por supuesto. Ahora es imposible, pero no creo que sea necesario. Si llegamos al punto donde es posible crear un parecido absoluto, entonces seguramente sería posible crear algo mejor, más perfecto, algún tipo de superhombre, el “quinto elemento”, si lo desea. Es decir, ahora vale la pena pensar no en copiar a nosotros mismos, sino en crear una criatura, digamos, más superiora. NTL: Natasha, te preguntaron desde a fuera y no podemos evitar mencionarla: ¿hay alguna razón para temer la singularidad y cuándo vendrá? N.: A menudo escucho esta pregunta. En pocas palabras, debo decir que es una singularidad. Este es un momento tan hipotético cuando la información acumulada se volverá tan compleja que no podremos entenderla. Quizás pasemos al siguiente nivel de desarrollo humano después de la creación de inteligencia artificial o la creación de un mecanismo en el que nosotros mismos adoptemos forma digital y existamos en algún tipo de espacio de información cuando el cuerpo no sea necesario. Los científicos creen que así será el fin del mundo. Hay varias teorías al respecto del tema (mi favorita es la inteligencia artificial auto desarrollada de «Neuromancer» de Gibson). Si te interesa mi opinión, me parece que esta es una percepción exagerada de la realidad. Sobrepoblación, calentamiento global, agotamiento de los recursos, de los cuales hablamos anteriormente, y desastres similares, están mucho más cerca. Estoy más inclinado a creer que en el futuro los recursos se agotarán tanto que ni siquiera podremos comprar computadoras, y el problema de la singularidad desaparecerá por sí solo. Viviremos, cultivaremos zanahorias, repollo, y esto es si tenemos suerte y el calentamiento global no llega. Apostaría menos por una singularidad que por una catástrofe ambiental global, por triste que sea. NTL: Perspectivas muy alegres, no hay que decir más. ¿Y podemos prevenir o superar esta catástrofe global. N.: Dependerá de cuando la gente empiece a tomar en serio sus problemas. Ahora estamos en una era de negación de estos problemas. Espero que esto termine pronto. NTL: interesante. Entonces hay esperanza, y el futuro no está predeterminado. Sabes, Natasha, es difícil terminar nuestra conversación. N.: ¡Pon una continuidad! NTL: Con mucho gusto, realmente quiero volver a nuestra conversación pronto. Natasha, muchas gracias por la plática fascinante, por compartir tu opinión con nuestros lectores. ¡Que tengas un gran éxito en todos tus esfuerzos y trabajo! Geroski, P.A. (2003). The Evolution of New Markets. Oxford: Oxford University Press Ventresca, M. J & Zhao, M. (2012). Course Note: «System-builders and the evolution of large-scale technology: Lessons for ecosystem and infrastructure».
Volver a alimentar