«Головне завдання класних ML-фахівців — сказати, де ML не потрібне». Інтервʼю з CEO Gathers Богданом Пономарем
«Головне завдання класних ML-фахівців — сказати, де ML не потрібне. Бо всі хочуть тепер ШІ, навіть там, де його не має бути», — розповідає Богдан Пономар, CEO проєкту Gathers.
Gathers — це EdTech-продукт, що входить до екосистеми технологічних компаній Roosh. Мета проєкту — покращувати навички спеціалістів із ШІ. SPEKA поговорила з Богданом про те, чому компаніям краще платити за освіту працівників, а не шукати нових на ринку, як ChatGPT змусив світ цікавитись ШІ, як це вплинуло на індустрію та чому на курси Gathers не можна потрапити, просто заплативши гроші.
Як виникла ідея проєкту Gathers?
Раніше я був CEO AI HOUSE — некомерційної організації, яка запускала офлайн-ініціативи для розбудови української спільноти штучного інтелекту та машинного навчання. З початком війни ми перевели частину івентів в онлайн.
Ми хотіли запустити навчання для людей, які хочуть знайти свій шлях в ML, і вже у квітні 2022-го почали розбудовувати платформу Gathers. За місяць, у травні, я потрапив на EdTech-програму Transcend, на яку відбирають засновників освітніх стартапів зі всього світу. На програмі отримав купу ідей та нових методологій, що допомогло мені сформувати бачення проєкту, а вже у вересні ми запустились в Україні.
Тому ми пропонуємо компаніям вкладатись у своїх працівників, а не полювати за головами на ринку. Швидкість ітерації нових підходів і рішень у ШІ надто висока, і щоразу наймати нових людей під ці запити неефективно. Ми пояснюємо компаніям, що підвищення кваліфікації власних працівників допомагає їм накопичувати ШІ-експертизу.
Тобто ваш проєкт більше орієнтований на те, щоб надавати послуги комплексно компанії, а не конкретному розробнику?
У нас є B2C-курси, але із фокусом на рішення для бізнесу. Тобто ми пропонуємо компаніям курси, ініціативи, paper-клаб, де обговорюємо останні розробки та дослідження в індустрії.
Нам важливо, щоб наші студенти не платили із власної кишені, а використовували бюджети на навчання своєї компанії.
При цьому ми не беремо усіх підряд, існує відбір. Переважно навчаємо професіоналів, які вже працюють у сфері ML. Обмін знаннями між студентами також дає нам доступ до унікальної експертизи. Ми шукаємо людей з класних компаній, з класним досвідом, який можна екстраполювати. Навіть якщо колеги нашого студента не можуть застосувати його кейси напряму, це хороший привід для генерування нових ідей.
Дослідження не обов'язково розв'язує певну проблему. Грубо кажучи, 90% досліджень не розвʼязують жодну. Але цей кейс може зтригерити нове дослідження чи ідею і простимулювати появу неординарного рішення.
Як організований Gathers зараз? Скільки людей працює над проєктом, як відбираєте студентів та викладачів? Як перевіряєте їхній фаховий рівень?
Головний виклик для нас полягав у тому, що ми запустили проєкт фактично з початком повномасштабного вторгнення та ще й віддалено. Деякі члени команди ніколи не зустрічалися наживо. Впроваджувати ідеї та організовувати процес у подібних обставинах надзвичайно складно.
Проте ми рухаємось дуже швидко: у грудні минулого року нас було четверо, а зараз одинадцятеро. Мій колега Богдан Питайчук відповідає за технічний аспект навчання й добре розуміється на тому, куди йде індустрія, що зараз актуально та на яких ринках. Він технічний візіонер і затверджує теми курсів.
Підписуйтеся на наші соцмережі
Викладачів намагаємось відбирати із провідних компаній та з досвідом, який неможливо нагуглити. Натепер завершуємо домовленості з фахівцями з Meta, PayPal, Amazon та іншими.
Ми вважаємо, що не тільки викладач дає знання та ідеї, а й студенти одне одному. Тому для нас важлива взаємодія студентів у межах групи і на кожен курс ми відбираємо студентів відповідно до їхнього досвіду та мотивації, щоб цінність отримували всі учасники та викладач.
Як відбувається підготовка курсу та навчання?
Ми шукаємо експертів із ШІ і в Україні, і на її межами — зараз спілкуємось із викладачами з топових університетів, з працівниками з OpenAI. Зокрема, плануємо запуск курсів із провідними експертами індустрії, що працюють у найкращих ШІ-лабораторіях світу. Хочемо, щоб їхній досвід екстраполювався на інших людей і наші студенти не просто здобували знання та навички, а створювали нові рішення та моделі.
Коли ми обираємо експерта, то запрошуємо його до нас, вивчаємо його бекграунд. Людина може бути дуже розумною, але не вміти правильно донести свої знання. Від процесу, коли ми знайомимось із викладачем, до створення курсу минає приблизно два місяці.
Як триває навчання: спершу експерт дає нам knowledge pills — збірну інформацію щодо конкретних бізнес-завдань. Потім студенти діляться на групи, де обговорюють ідею, шукають, як ще можна розв'язати це завдання, або намагаються створити прототип першої моделі. Далі — новий knowledge pills і нова ітерація. Тобто тебе навчає не тільки викладач, а однокурсники.
Як відбираєте студентів?
Заплатити недостатньо, щоб потрапити на курс. Спочатку потрібно заповнити аплікаційну форму, де є запитання про бекграунд і мотивацію, а також технічні питання. Звертаємо увагу на експертизу кандидатів, оскільки студент також може ділитись досвідом і давати цінні знання однокурсникам.
Як укладаєте програму курсу?
З викладачем та нашою командою ми опрацьовуємо деталі, щоб весь процес був як за сценарієм і не було простоїв. У нас є розроблена методологія когортного навчання, підходи, але, через те що у кожного курсу вони різні, немає загального темплейту.
Що плануєте зараз і кого це може зацікавити?
Восени ми запустили перший курс з MLOps. Так сталося, що всі студенти були Senior DevOps та Senior ML engineers — це була ідеальна комбінація досвіду, вони круто співпрацювали й підтягували одне одного.
Тоді ж ми планували запустити ще два курси, але перенесли їх через обстріли й проблеми з електроенергією.
Цього року стартував курс Fake News Detection — про боротьбу з пропагандою з використанням ML. Цей проєкт ми зробили на 70% грантовим — давали можливість долучитися всім. Щосесії явка студентів становить 90% — це класний показник. На онлайн-платформах Courserа або Udemy кількість людей, яка завершує курси, сягає 3%. У нас — понад 75%.
У березні запустили новий курс продакт-менеджменту для ML-експертів, тому що лише знань технічних аспектів уже недостатньо. На стадії розроблення моделі дуже важливо розуміти, для чого її застосують, як побудувати гіпотези, як забезпечити ефективність моделі та створити MVP.
Також плануємо вийти на європейський ринок з трьома курсами для MLOps та актуальним курсом з Large Language Models (однією з яких є саме GPT-4). Курс матиме назву Advance LLM to Create Robust Solutions. Розпочнемо зі скандинавського ринку — держави та компанії там дуже підтримують індустрію ШІ. Наприклад, у Фінляндії кілька років тому заснували Finnish Centre for Artificial Intelligence Research, а держава виділила йому на дослідження 250 млн євро на вісім років. Наступні — інші країни Європи — Швейцарія, Нідерланди тощо.
Ми хочемо продовжувати розвивати Gathers в Україні, але зараз у нас не такий динамічний ринок, проте в Європі є великі можливості.
Коли плануєте виходити на ці ринки?
Перші два курси стартують вже у травні. Це дуже непросто, оскільки вся команда, окрім одного працівника, в Україні. Але ми маємо велике бажання показати, що це українська команда та український продукт, і демократизувати освіту доступнішими курсами.
Ви зазначили, що намагаєтеся співпрацювати з компаніями. Хто з них відправляв своїх працівників на ваші курси?
Я був дуже здивований, але за тиждень чи два після запуску мені на пошту прийшла пропозиція від МХП (агротехкомпанія «Миронівський хлібопродукт». — Ред.). Це вперше велика компанія звернулася до нас із запитом навчити співробітника.
Зараз тривають перемовини з кількома компаніями, щоб організувати персоналізовані курси, базовані на потребах компаній, але поки що не можемо їх назвати.
Як вам вдається переконати компанії інвестувати у зовнішнє навчання співробітника?
В Україні кілька місяців тому компанії заморожували бюджети на навчання співробітників. Але, якщо не інвестувати в людей, то через пів року чи рік у компаній не буде замовлень і вони не будуть встигати за індустрією. Великі аутсорс-компанії починають це розуміти і знову інвестують у своїх колег.
Які, на вашу думку, основні переваги та загрози розвитку ШІ-індустрії як для бізнесу, так і для розробників?
Прогнозувати доволі складно. Поки що ШІ — це допоміжний інструмент, тому що він ще не може критично мислити, генерувати нові знання. Натомість він дуже добре автоматизує робочі процеси.
Як доступно пояснити, що таке штучний інтелект людині, котра ніколи про нього не чула?
Як винайти таблетку від болю в животі? Раніше потрібно було провести купу експериментів на мишах, витратити кілька мільярдів доларів та років на пошук сполуки, яка подіє і не буде токсичною.
А тепер є нейромережа, яка підбирає речовину, визначає, як вона впливає на інші сполуки в нашому тілі, й за кілька хвилин прогнозує результат лікування. Не потрібно витрачати мільярди доларів і людиногодин та мучити мишей. Звичайно, щоб створити та натренувати модель, також потрібен час, але швидкість та ефективність у тисячу разів вищі.
Як вважаєте, вплив ChatGPT на ML-працівників та індустрію стартапів переоцінений?
Зараз відбувається нова постінформаційна революція. Вплив відчують, безперечно, не тільки ML-інженери, але й ті, хто раніше не був пов'язаний із технологіями.
Знайти хорошого фахівця, який працює з ML, складно та дорого для компанії, але ми бачимо великий запит. Чи зросли потреби компаній наймати таких працівників?
Яскравий приклад — компанія на 100 людей, що робить автогенерацію відповідей для листів. Риторика керівництва така: заплачу будь-які кошти за людину, яка прийде до мене й автоматизує мій процес. Усі зараз хочуть ШІ-імейл, та проблема у тому, що у багатьох людей немає розуміння навіщо їм штучний інтелект. Головне завдання класних ML-фахівців — сказати, де ML не потрібне. Бо всі хочуть тепер ШІ навіть там, де у ньому немає потреби.
