Когда встречаются математическая оптимизация, машинное обучение и энергия

«По сути, мы количественно оцениваем такие важные вопросы, как энергетические модели или глобальные выбросы в масштабах планеты, используя передовые научные достижения и спутники нового поколения. Если вы ученый, это все равно что крэк», — со смехом сказал Александр д'Апремон, лидер в области математической оптимизации и соучредитель Kayrros.

Александр присоединился к Kayrros, когда это была всего лишь идея. Проработав более 20 лет, специализируясь на математической оптимизации и машинном обучении, прыгая между США и Европой в академических кругах — с оттенком финансов и промышленности — Александр получил телефонный звонок от своего первого начальника, вернувшегося со стажировки в Лондоне. Звонок касался идеи новой компании, а звонивший? Жан-Мишель Ласри, уважаемый французский математик и еще один соучредитель Kayrros.

Идея заключалась в том, чтобы количественно оценить энергетический рынок, используя спутниковые снимки и алгоритмы машинного обучения для извлечения данных из земли, которые ранее были непрозрачны. Он был в.

Александр является мировым лидером в области математического программирования и машинного обучения, исследований и преподавания между Национальным центром научных исследований Франции (CNRS) и Ecole Normale Superieure (ENS), одной из лучших «великих школ» Франции. Для Кайрроса Александр является направляющей силой в области обработки сигналов и возможностей машинного обучения.

«Машинное обучение в основном связано с автоматизацией несколько абстрактных задач, таких как классификация изображений или текста. Вы учите машину подражать человеку в определенном количестве четко определенных задач, таких как классификация изображений или распознавание объектов.

«Для нас в Kayrros это имеет решающее значение. Для многих наших продуктов мы хотим автоматизировать обработку изображений, в частности спутниковых, и машинное обучение отлично справляется с этой задачей. Четко определенные, специализированные задачи на относительно богатых наборах информации, смешивание изображений и данных с других датчиков. Именно для этого было создано машинное обучение», — пояснил Александр.

Но для Александра Кайрос представляет собой нечто большее, чем просто машинное обучение, возможность провести грань между теорией и промышленностью.

«Если вы можете смешивать интересную теорию с тем, что имеет прямое промышленное применение, я думаю, это очень полезно, потому что вы затем охватываете весь конвейер от теории к практике, и не так уж много областей, где вы можете сделать это относительно легко. В оптимизации или машинном обучении действительно существует континуум работы между теорией и промышленностью, и интерфейс между ними очень тонкий. Таким образом, вы в конечном итоге много общаетесь с практиками, работаете с реальными наборами данных, работаете в очень широком наборе дисциплин, таких как физика, визуализация молекул, биология, секвенирование ДНК, обработка естественного языка и другие, поэтому разнообразие приложений довольно велико. увлекательно, — объяснил Александр.

Сочетание теории и практики — это то, что соткано из ткани Кайрроса, что находит отражение в духе компании; создавать новые технологии с успешным коммерческим применением.

«В исследованиях вы сосредоточены на том, чтобы первым заставить что-то работать хотя бы один раз. В каком-то смысле это сильно отличается от индустрии, где вы всегда хотите быть первым, кто заставит что-то работать. И между ними действительно значительный разрыв.

«Вы можете видеть это в автономных автомобилях, верно? Люди были слишком взволнованы, и они смогли запустить потрясающие демонстрации, но переход на что-то, что работает постоянно и что вы можете реализовать в пробках, — это совсем другая история. И люди как бы утверждали, что разница была в несколько лет, но я уверен, что это намного больше.

«Если вы хотите оказать влияние, вам нужно производить цифры в режиме реального времени, постоянно отслеживая сайты по всему миру. Для нас это очень важная задача. И это то, к чему люди в академических кругах не привыкли, потому что у них просто нет ресурсов для доступа к данным. Так что это действительно разница в миссии между научными кругами, которые расширяют границы, и промышленностью, которая заставляет вещи работать в реальной жизни. Я думаю, что главная задача в высокотехнологичной отрасли — это примирить эти два понятия», — сказал Александр.

Kayrros развертывает новые технологические возможности, которые превосходят возможности энергетического рынка, применяя аналитику наблюдения Земли и машинное обучение к динамическому набору приложений по всему миру. Одной из таких новых возможностей является мониторинг выбросов. Kayrros использует данные Sentinel-5P для мониторинга концентрации газов и загрязняющих веществ, окружающих промышленные предприятия, но это только начало.

«Я думаю, что проект по выбросам — отличный пример, потому что это коммерчески значимый проект с исключительным влиянием в планетарном масштабе. Сейчас это важная глобальная проблема, и у проекта есть шанс стать действительно жизнеспособным коммерческим продуктом».

Количественное наблюдение Земли — это не миссия, которую можно выполнить вручную. Вот где машинное обучение делает это возможным.

«Я думаю, что текущие модели выбросов не используют весь потенциал машинного обучения, применяемого к спутниковым снимкам. Это то, что люди еще не начали делать с выбросами в промышленных масштабах. Академические круги проявляют большой интерес к опыту машинного обучения в области выбросов, потому что у них есть опыт в традиционных областях, таких как механика жидкости и модели атмосферы, но у них нет опыта в области машинного обучения», — пояснил Александр.

Столь сильное руководство, стоящее за компанией, расширяет границы возможного, открывая новые горизонты, привнося в Kayrros новые теории и глубокие знания прямо из лаборатории. Правильное применение математики и машинного обучения может изменить то, как мы измеряем наш мир, способствуя лучшему пониманию в то время, когда Земля и особенно изменение климата находятся в центре глобального внимания. Большее понимание способствует большим изменениям. Будущее начинается сейчас.