Connect with us

Nauka

Naucz się kodować nie czytając książki, ale kodując

Published

on

Sabin Haszmi obecnie pracuje nad stworzeniem systemu wyzwalania opartego na uczeniu maszynowym dla LHCb, CERN.

Pracuje nad aplikacjami Machine Learning i Deep Learning w High Energy Particle Physics.

INDIAai przeprowadził wywiad z Sabinem, aby poznać jego punkt widzenia na sztuczną inteligencję.

To godne podziwu, gdy student fizyki zostaje badaczem sztucznej inteligencji. Co zainspirowało Cię do rozpoczęcia kariery w AI?

Moja pasja do nauki i technologii jest moją główną motywacją do zostania badaczem AI. Zawsze jest ciekawie być w dziedzinie, która rozwija się w szybkim tempie. Społeczność AI obejmuje osoby z różnych dziedzin, w których wszyscy są ciekawi i pasjonują się postępami w technologii i badaniach. Fizyka pomogła mi w krytycznym myśleniu, a badania oparte na sztucznej inteligencji pomogły zapewnić elastyczność w badaniach. Idąc dalej w dziedzinie AI, zaczęło się robić coraz bardziej ekscytująco i postanowiłem wybrać AI jako moją główną domenę badawczą.

Zamiast uciekać od fizyki, moje obecne badania wykorzystują sztuczną inteligencję jako podstawowe narzędzie wsparcia do rozwiązania problemu, który początkowo został wykonany przy użyciu tradycyjnych metod i przekształcenia go w bardziej wydajne rozwiązanie przy użyciu fizyki obliczeniowej i sztucznej inteligencji.

Opowiedz nam o swoich badaniach doktoranckich z fizyki cząstek elementarnych i uczenia maszynowego. Jakie są główne obszary zainteresowania?

W Wielkim Zderzaczu Hadronów w CERN-ie dwie wiązki protonów są przyspieszane do prędkości światła (99,99%) i zderzają się w miejscach eksperymentów zaprojektowanych do badania fizyki subatomowej. Kiedy cząstki zderzają się z bardzo dużą prędkością, spadnie deszcz wielu cząstek subatomowych. Moje badania doktoranckie skupiają się głównie na rekonstrukcji rzadkich cząstek rozpadu powstałych w wyniku zderzenia protonów w eksperymencie. Przyspiesza rozwój systemu wyzwalania wykorzystującego uczenie maszynowe, który wyłapuje ślady rzadkich cząstek rozpadu w czasie rzeczywistym.

Głównym problemem jest olbrzymia ilość danych generowanych w każdej kolizji i zaprojektowanie systemu decyzyjnego działającego w czasie rzeczywistym. Ponadto, ze względu na fizykę rzadkich rozpadów, znalezienie interesujących rozpadów jest trudne, a ML pomaga zidentyfikować i scharakteryzować zakresy rzadkich rozpadów na podstawie innych sygnałów.

READ  Wdzięczność MONAT wspiera rodziny w południowej Florydzie w potrzebie poprzez coroczne wydarzenie wdzięczności

Jakie są Twoje obecne obowiązki i działania w LHCb CERN?

Eksperyment Large Hadron Collider Beauty (LHCb) bada przede wszystkim naruszenia CP i rzadkie rozpady cząstek. Mój obszar badawczy koncentruje się głównie na rozwoju potoku opartego na uczeniu maszynowym dla systemu wyzwalania opartego na oprogramowaniu. Odpowiedzialność dewelopera obejmuje bieżące śledzenie zmian zachodzących w detektorach i bazach kodu oprogramowania, przedstawianie postępów prac badawczych we współpracy z ekspertami oraz przeprowadzanie zmian w gromadzeniu danych w miejscu eksperymentu.

Jakie są zalety i wady prowadzenia badań naukowych w Polsce jako indyjski naukowiec?

Wspaniale jest pracować w dynamicznym środowisku z grupą naukowców, którzy są ciekawi postępów w badaniach. Prowadzenie badań za granicą może otworzyć przed Tobą więcej możliwości, w tym ścisłą współpracę z pionierami i ekspertami w tej dziedzinie. Takie podejście zapewniłoby dużą globalną ekspozycję, która mogłaby skłonić badacza do podjęcia decyzji o dalszym prowadzeniu badań. Ponadto przestrzeń badawcza oferowana przez globalne instytucje badawcze zainspiruje Cię do rozwoju jako naukowca.

Jest mniej minusów poza opuszczeniem kraju i ludzi. Ale bardzo obiecujące jest, że badania i rozwój w Indiach w ostatnich latach prowadzą do zwiększenia możliwości w tym kraju.

Jakie są trzy najbardziej palące problemy społeczne, które masz nadzieję rozwiązać za pomocą uczenia maszynowego? A może chcesz sprawić, by któryś z nich był wyjątkowy?

Uczenie maszynowe jest wciąż na wczesnym etapie. Rozumiem, że rozwój sztucznej inteligencji jest znaczący, ale jeśli weźmiemy pod uwagę potencjał sztucznej inteligencji w dobrej sprawie, jeszcze do tego nie doszliśmy. Istnieje wiele problemów, które możemy rozwiązać za pomocą sztucznej inteligencji. To tutaj wiedza międzydomenowa sprawia, że ​​sztuczna inteligencja jest bardziej widoczna. Na przykład postępy w opiece zdrowotnej oparte na sztucznej inteligencji to nowe przypadki, które wzbudzają nasze zainteresowanie. W przeszłości mieliśmy postępy w opiece zdrowotnej, ale sztuczna inteligencja przyjęła inne podejście do rozwiązywania problemów, które mieliśmy od dziesięcioleci. Niektóre z najnowszych osiągnięć w dostarczaniu leków w oparciu o sztuczną inteligencję, identyfikacji celu raka itp. znajdują się na szczycie listy. Co więcej, sztuczna inteligencja obiecuje przewidywać pogodę i klęski żywiołowe dokładniej niż tradycyjne metody, które mieliśmy w przeszłości.

READ  Szeryf John Fuson wygrywa reelekcję, Oliver mówi, że wróci za 4 lata

Krótko mówiąc, potencjał AI jest ogromny. Zamiast uważać to za zupełnie inną dziedzinę, chciałbym uznać to za narzędzie pomocnicze, które pomaga badaczom spojrzeć na problem z innej perspektywy. Stopniowo przekształcamy istniejącą technologię w nowy system wbudowany z ML i AI.

Co sądzisz o indyjskim systemie edukacji AI? Jak to się ma do sytuacji na świecie?

Rozwój sztucznej inteligencji w Indiach ma skalę globalną. Istnieją kursy krótko- i długoterminowe, o które można się ubiegać w prestiżowych uczelniach i innych instytucjach w Indiach. W zależności od kariery, przy pewnych badaniach, łatwo jest zdecydować się na kurs. Istnieje również wiele innych możliwości studiowania kursów online prowadzonych przez ekspertów.

Co Twoim zdaniem powinno zostać ulepszone na indyjskich uniwersytetach, aby rozwijać sztuczną inteligencję? Jaki powinien być twój kierunek działania?

Badania nad sztuczną inteligencją to rozległa dziedzina, więc kurs może być tak szeroki, jak ta dziedzina. Niektóre kursy koncentrują się na tych samych koncepcjach i sposobie ich opracowywania po stronie programowania badań. Ale sztuczna inteligencja opiera się na solidnych podstawach matematyki i statystyki. Uczelnie zajmujące się zaawansowaną sztuczną inteligencją powinny być miejscem dla studentów zainteresowanych poznawaniem i rozwijaniem swoich problemów oraz znajdowaniem rozwiązań za pomocą zaawansowanych narzędzi obliczeniowych.

Ponadto uniwersytety mogą tworzyć powiązane laboratoria badawcze, w których eksperci mogą projektować krótkie kursy i wspierać naukowców zajmujących się sztuczną inteligencją, którzy naprawdę lubią sztuczną inteligencję. Pamiętaj, że lepiej byłoby opanować umiejętności obsługi komputera i nowe narzędzia, takie jak sztuczna inteligencja, w innym środowisku niż tradycyjne sale lekcyjne.

Jaką radę dajesz indyjskim studentom pracującym lub aspirującym do wejścia na pole ML?

Istnieje wiele możliwości badawczych. AI jest na wczesnym etapie rozwoju i szybko się rozwija i rozwija. To jeden z najciekawszych obszarów, nad którymi pracowałem. Perspektywy pracy są otwarte, podobnie jak konkurencja. Jesteśmy na ścieżce, na której przed nami długa droga i potrzebujemy więcej osób zainteresowanych kontynuowaniem podróży. Pytanie brzmi, czy chciałbyś to zrobić? Jeśli tak, proponuję zacząć od dobrego zrozumienia matematyki, prawdopodobieństwa, rachunku różniczkowego i statystyki. Następnie uzyskaj krótki przewodnik po tym, czym są badania AI, wypróbuj małe projekty, które są zgodne z Twoim obecnym projektem i jak możesz rozwiązać problem za pomocą ML lub nawet prostej analizy danych za pomocą programowania.

READ  Polska wysyła kolejnych 500 żołnierzy do odizolowania granicy białoruskiej

Przede wszystkim naucz się kodować nie czytając książki, ale kodując!

Jakie książki i zasoby poleciłbyś aspirującym do ML?

Dostępnych jest wiele zasobów. Piękno społeczności polega na tym, że większość badań to open source, w którym można zobaczyć bazę kodu, a nawet przyczynić się do projektu.

Na początek wybierz miniaturowe kursy wprowadzające, które możesz wziąć za darmo, pracować nad projektami i powoli zwiększać wyzwania w projektach, uczyć się git i budować portfolio git. Weź również udział w konkursach ML i hackathonach, w których możesz krzyżować różne podejścia od innych uczestników. Z tego wszystkiego wypróbuj różne metody i projekty i zachowaj ciekawość.

Continue Reading
Click to comment

Leave a Reply

Twój adres e-mail nie zostanie opublikowany.