Это часть серии интервью о данных и машинном обучении, которую я начал. Эти интервью взяты от людей, которые вдохновили меня, которые научили меня (прочтите учат меня) этим прекрасным предметам. В основном это делается для того, чтобы получить представление о реальном опыте работы над проектом, о перспективах изучения нового, некоторых забавных фактах и, таким образом, обогатить сообщества в процессе.

Здесь где можно найти все интервью, сделанные на данный момент.

Сегодня со мной Карл Фезер. Карл сосредотачивается на отношениях с разработчиками ИИ и считает, что лучший способ построить - дать другим возможность создавать то, что приносит им радость. В то время как его биография и хобби включают робототехнику и взаимодействие человека с машиной, его карьера сосредоточена на опыте разработчиков. Он крайне верит в открытый исходный код и считает его не только лучшим способом обмена знаниями, но и правильным способом моделирования бизнеса. В настоящее время он работает в Arm в качестве евангелиста экосистемы искусственного интеллекта. До прихода в Arm он работал в Intel менеджером сообщества разработчиков ИИ. У меня была возможность пообщаться с Карлом несколько раз, и он любезно поделился своими отзывами о статьях, которые я написал для Intel Software Innovator Medium channel. Узнать больше о Карле можно здесь.

Я хотел бы от всей души поблагодарить Карла за то, что он нашел время для этого интервью. Я надеюсь, что это интервью послужит цели для улучшения сообществ специалистов по науке о данных и машинного обучения в целом :)

Arm создает всеобъемлющий интеллект. Микросхемы и архитектуры устройств на базе Arm управляют производительностью технологии.

Интервью с Карлом Фезером, евангелистом по экосистемам искусственного интеллекта в Arm

Саяк: Привет, Карл! Спасибо за интервью. Рад видеть вас здесь сегодня.

Карл: Спасибо, что пригласил меня, Саяк. Я всегда рад поговорить об машинном обучении.

Саяк: Может быть, вы могли бы начать с того, чтобы представиться - какова ваша нынешняя работа и каковы ваши обязанности там?

Карл: Так как я только начал 12 августа, я еще многому учусь, но я евангелист по экосистеме ИИ в Arm. Мои основные обязанности (будут) сосредоточены на информировании разработчиков ИИ о IP Arm, который включает в себя как оборудование (CPU, GPU, NPU), так и программное обеспечение, такое как ArmNN и CMSIS-NN. Остальные мои усилия будут связаны с работой с партнерами по программному обеспечению, такими как Google, над такими продуктами, как TensorFlowLite для микроконтроллеров, и с нашими партнерами по экосистеме искусственного интеллекта, которые разрабатывают решения искусственного интеллекта на основе Arm. Наконец, что наиболее важно, предоставление отзывов от всех этих разработчиков для улучшения нашего опыта разработки ИИ в целом.

Саяк: Карл, я рад узнать о ваших новых начинаниях в Arm. Мне очень интересно узнать, как вы заинтересовались машинным обучением?

Карл: Я бы сказал, что изначально это был интерес к робототехнике и человеческому познанию. Обеих я начал изучать в старшей школе, в основном читая философские тексты, такие как «Новый разум Императора», и экспериментируя со схемами и программированием. Я также стал большим последователем Раймонда Курцвейла, Родни Брукса и (немного позже) Себастьяна Труна. После этого я пошел в школу, специализируясь на электротехнике, которая просуществовала недолго, и перешел на философию и психологию, стремясь понять человеческое сознание. В конце концов, в колледже я понял, что машинное обучение объединяет все, что меня интересовало, и полностью погрузился в него.

Саяк: Приятно отметить тот факт, что ваш школьный интерес перешел на то, что сформировало ваши нынешние интересы. Когда вы только начинали, с какими проблемами вы столкнулись? Как вы их преодолели?

Карл: Хороший вопрос. Я бы сказал, что даже в проектах, где я был единственным, кто работал над этой проблемой, обычно речь идет о постепенных изменениях; например, часть, над которой я работал, добавляла что-то еще. Хорошим примером этого является то, когда я добавлял возможности RFID в ROS и нашел на GitHub репозиторий разработчика, у которого был совсем другой проект, но который использовал считыватель RFID для локализации объектов. Это было другое оборудование, и я никогда раньше не писал драйверы, поэтому я обратился и спросил. Он смог сузить мою проблему до нескольких переменных, которые указывали мне в правильном направлении. Тогда я мог бы приступить к работе над дипломным проектом. У меня была похожая ситуация много лет спустя, когда я работал над FPV-гонщиком, который я создавал и настраивал Betaflight. Я бы всегда просил о помощи, но помните, что вас привело к этому, и всегда будьте готовы заплатить вперед. Мы все как бы опираемся на плечи гигантов. В некоторых случаях это действительно не гиганты; просто множество людей нормального роста, поддерживающих друг друга, вроде детей в плаще, пробирающихся в фильм с рейтингом R.

Саяк: Совершенно верно. Просьба о помощи - это не отрицание. Какие из главных проектов вы реализовали в годы становления?

Карл: В моем случае годы формирования, вероятно, относятся к аспирантуре, и я работал над несколькими забавными проектами. Это было раньше, чем любая из фреймворков, поэтому один из них обучал созданные вручную нейронные сети предсказывать погоду на основе данных метеостанций за ~ 20 лет. Еще одно увлекательное занятие, которое, вероятно, мне больше всего понравилось, - это работа в команде над разработкой контроллера полета с нечеткой логикой для БПЛА. Самым большим, вероятно, был мой тезис, в котором я использовал генетические алгоритмы для разработки карт поведения домашнего робота, используя RFID-метки в качестве статических ориентиров. Оглядываясь назад, это была фактически GA-версия обучения с подкреплением. В то время я также читал много бихевиоризма, как человека, так и робота.

Саяк: А! Должно быть, это было серьезное развлечение - потеряться в мире машинного обучения, мягких вычислений и обучения с подкреплением! Эти области науки о данных и машинного обучения стремительно развиваются. Как вам удается отслеживать последние важные события?

Карл: Сложный вопрос. Дошло до того, что это практически невозможно. Есть много способов управлять вашими различными новостными лентами, чтобы помочь, но ML - прекрасный пример того, как мы (и вскоре программы) генерируем все больше и больше контента, слишком много, чтобы наши маленькие мясные мозги не отставали. с участием. Вместо этого я стараюсь больше сосредоточиться на разрабатываемых инструментах, которые помогают в разработке алгоритмов машинного обучения. По сути, изучайте инструменты и способы разработки, а не алгоритмы. Есть много веб-сайтов, которые помогают, от PyImageSearch с практическим применением до Distill, который помогает мне понимать темы, которые, возможно, не находятся в моей рулевой рубке, но я мог бы изучить некоторые интересные методики. Также всегда полезно пообщаться с партнерами и разработчиками на мероприятиях. Приятно сформировать хорошую группу людей со всего мира, которые работают над разными темами, которые я могу задать. Я очень универсал.

Саяк: приятно знать, что вы подписаны на PyImageSearch. Я также большой поклонник произведений Distill и Christopher Olah. Как практикующий, я часто сталкиваюсь с проблемой изучения новой концепции. Вы бы хотели поделиться своим подходом к этому процессу?

Карл: Тоже хороший вопрос. Многие новые концепции могут быть трудными для понимания, в зависимости от того, насколько они абстрактны. Я часто использую метафоры, чтобы понять сложные концепции. Помогает то, что в большинстве случаев ML является биомимикрией, поэтому должны быть хорошие практические примеры. Я забыл, как это называется, но есть метод обучения с подкреплением, который дает незначительное вознаграждение агентам, которые не могут сделать полный шаг, но движутся в правильном направлении. Для меня это имело смысл: если вы учили кого-то строить лодку, а он потерпел неудачу, но сумел построить весло, вы все равно немного подбодрили его. На самом деле не имеет значения, не имеет ли это отношение или не имеет смысла ни для кого другого; это все, что нужно, чтобы помочь вам это понять. Все мы учимся по-разному.

Саяк: аналогии из реального мира всегда работают, независимо от того, насколько они сложны и противоречат интуиции. Я вспоминаю, как узнал, почему мы умножаем веса на входные данные, передаваемые нейронной сети, используя превосходную аналогию, приведенную в книге Grokking Deep Learning Эндрю Траск. Есть какие-нибудь советы новичкам?

Карл: Я бы посоветовал сыграть на ваших сильных сторонах и страстях. Как и все остальное, будут моменты, когда вы будете стараться чему-то научиться. Некоторым людям, в том числе и мне, трудно понять большую часть математики, лежащей в основе, но если вы начнете взаимодействовать с ней по-настоящему и строить проект из первых рук, вы, как правило, поймете вещи лучше, или, по крайней мере, я. Вот почему с самого начала меня привлекла робототехника; вы действительно можете наблюдать и видеть, что делает ваш код. К тому же роботы - это круто. Если вы начинаете терять мотивацию, остановитесь и найдите то, что вас привлекает. Найдите друзей, сходите на встречу, вступите в клуб или найдите место для творчества, если вы хотите лично общаться с людьми, имеющими те же интересы. На данный момент существуют тысячи онлайн-сообществ, работающих в сфере машинного обучения, которые одинаково хорошо делятся своими знаниями. Найдите классный проект с открытым исходным кодом на GitHub, изучите его и внесите свой вклад. Также почитайте о байесовской вероятности.

Саяк: Я тоже чувствую это скрежетание всякий раз, когда начинаю читать газету (смеется). Большое спасибо, Карл, за это интервью и за то, что поделился своими ценными идеями. Я надеюсь, что они будут очень полезны сообществу.

Карл: Спасибо за возможность! Я тоже надеюсь, что это будет полезно.

Резюме

Было удивительно слышать о ранних проектах, которые Карл разработал в своей аспирантуре. Я должен сказать, что Карл - настоящий творец наизусть. Он не понаслышке знаком с множеством различных областей, начиная от робототехники и заканчивая машинным обучением и обучением с подкреплением, что превосходно. Как сказал Карл о важности следования за своей страстью, это нормально, когда в процессе есть скрежет, но вам нужно продвигаться и продвигаться дальше, насколько это возможно. Я думаю, что это имеет смысл для всех в сообществе, независимо от того, насколько они маленькие и большие :)

Надеюсь, вам понравилось читать это интервью. Следите за этим местом для следующего, и я надеюсь увидеть вас в ближайшее время.

Если вы хотите узнать обо мне больше, загляните на мой сайт.