ML Space появилась в конце 2020 года, как единственная в своем роде облачная платформа полного цикла, которая представлена на рынке целой линейкой продуктов для бизнеса. Проще говоря это рабочее пространство для аналитиков данных и дата-сайентистов. Специалистам любой сферы стал доступен самый мощный российский суперкомпьютер “Кристофари” для машинного обучения. Какие сценарии использования есть у отечественного бизнеса и какие перспективы в связи с этим появляются у рынка рассказал Software Developer, программист, разработчик ML Space Сергей Красочкин.

Справка: ML Space был впервые представлен широкой общественности на ежегодной конференции AI Journey 2021 компанией SberCloud. Простыми словами ML Space - это облачный сервис для специалистов в области машинного обучения (machine learning). Платформа была анонсирована, как уникальный цифровой продукт, способный ускорить, оптимизировать и облегчить процесс разработки и применения моделей машинного обучения и нейросетей.

Сергей, вы признанный эксперт в сфере программирования, а на вашем счету разработка ряда инновационных решений. Расскажите, над какими проектами вы работали?

Я занимался созданием порталов и платформ для «Лукойл» и Mail.ru, запуском суперкомпьютеров Christofari и Christofari Neo, платформы для совместной ML-разработки с ускорением до более 1700 GPU Tesla v100 и A100, а также интеграцией проекта суперкомпьютера с технологиями Intel. В 2020 году занялся разработкой ML Space – единственной в своем роде облачной платформы полного цикла, созданной для аналитиков данных и дата-сайентистов.

Как появился “Кристофари” и какие перспективы его коммерческий запуск дает российским предпринимателям?

К моменту создания суперкомпьютера компания Сбер поняла, что потребление серверных мощностей для решения собственных задач стало настолько огромным, что целесообразнее было создать свой суперкомпьютер. Так и появился “Кристофари”. Его основная цель – обучение нейросетей, коммерческие и научно-исследовательские расчеты. Запас его мощности на порядок больше собственного потребления Сбера, поэтому появился запрос на коммерциализацию деятельности — тогда и родился облачный ML Space. Сначала это был очень специфический сервис, заточенный под высококвалифицированные кадры. Им могли пользоваться единицы. Постепенно мы работали над тем, чтобы сделать платформу более демократичной. Это существенно расширило список потенциальных клиентов. Как следствие, сегодня любой бизнес может использовать платформу для решения своих задач с помощью машинного обучения.

Расскажите подробнее, что такое “машинное обучение” и как его использует бизнес?

Если говорить простым языком, то “машинное обучение” – это прикладной инструмент с широким диапазоном возможностей для решения различных бизнес-задач. С таким объемом данных работают дата-сайентисты, которые создают специальные микросервисы. Эти сервисы с помощью машинного обучения обеспечивают работу нужной функции в приложениях. Иными словами с помощью ML создаются системы, которые развиваются, скажем так, самостоятельно, используя для этого результат анализа большого объема структурированных и неструктурированных данных. В несколько кликов можно проверять гипотезы, всего за несколько часов испытывать новые проекты, разрабатывать алгоритмы. Это на порядок сокращает время вывода на рынок нового продукта, соответственно снижает издержки, в первую очередь финансовые.

Примеры использования машинного обучения сегодня есть практически во всех сферах бизнеса. Если вы посмотрите на список 500 крупнейших мировых компаний и проверите их кадровый состав, то увидите, что каждая имеет в своем штате дата-сайентистов. На основе их результатов работы и создаются программные продукты, которыми вы пользуетесь каждый день.

Приведите пример результатов работы machine learning? Какие сферы бизнеса уже сейчас могут использовать ML Space?

В современной жизни примеров использования машинного обучения масса. Чат-боты, голосовые помощники, интеллектуальные мобильные приложения и магазины без кассиров. Звучит вполне современно, но один из самых известных примеров машинного обучения знает каждый взрослый современник 90-хх. Знаменитая победа компьютера в шахматном поединке над Гарри Каспаровым в 1996 году вошла в историю как первая машина победившая человека.

Если говорить о сферах бизнеса, то сейчас это, в первую очередь, — банки, страховые компании, телеком и все, кто имеет в распоряжении большой объем накопленных данных. Помимо этого, экосистемы крупного бизнеса и разного рода ML стартапы. В этом смысле ML-Space является грантодателем для малого бизнеса, предоставляя им возможность воспользоваться ранее не доступными технологиями, которые помогут получить больше прибыли за счет снижения затрат на сервис, складскую деятельность, обслуживание и прочее. Стоимость аренды мощностей ниже рынка, кроме этого абонентам доступна посекундная тарификация.

Как сегодня оценивается потенциал ML рынка?

Основным барьером на пути повсеместного использования возможностей искусственного интеллекта является неосведомленность предпринимательской сферы. Бизнес или не знает, что такие альтернативы существуют, или не понимает, как их правильно применить. Поэтому сейчас работа направлена в первую очередь на информирование и на созданием приемлемых финансовых предложений на ML рынке.

Платформа ML-Space способна существенно снизить порог входа в сферу машинного обучения. И бизнес моментально это ощутит, поэтому при сегодняшних темпах внедрения и развития мы ожидаем взрывной рост эксплуатации через 2-3 года. Применение платформы возможно практически в любой сфере бизнеса. Мы ожидаем, что следующими за бизнесом сегментами экономики, вошедшими на этот рынок станут наука, транспорт и государственный сектор.

Сергей, расскажите, а кем вы были в начале своей карьеры?

Я учился на программиста, но к работе по специальности я пришел не сразу. Долгие годы я работал в банковской сфере, а точнее в трейдинге. Позже я занялся программированием. Я довольно легко принимаю решение о смене места работы – однажды я уволился через три дня после трудоустройства. Для продвижения в профессии всегда очень важно четко понимать, к чему ты идешь и чем хочешь заниматься, а не растрачивать впустую время и силы – только тогда станешь специалистом высокого уровня.

Вы работали senior software engineer в VK, тогда еще Mail.ru Group. Чем вы занимались там?

В Mail.ru Group мы с командой делали портал. Это корпоративная сеть, которая решала повседневные трудовые и нерабочие вопросы сотрудников компании от заказа обеда на рабочее место или покупки билетов в театр до замены оборудования на рабочем месте. Моя часть функционала в дальнейшем касалась написания софта. Задача была довольно объемная. Мы собирали пожелания, строили архитектуру программы, писали, тестировали, а затем переписывали и снова тестировали. На выходе получился крутой продукт, которым пользовались все сотрудники Mail.ru. Потом мы писали подобную программу для крупнейшей нефтегазовой Лукойл. И тут речь идет не просто и копировании программы со сменой логотипов, а ее полном переписывании. Поскольку внутреннее исполнение очень сильно зависит от количества пользователей и уровня развития технологий в отдельно взятом моменте. Это как создавать сайт, который посмотрят хорошо если 10 человек в неделю, против сайта для тысяч пользователей в час. Снаружи все одинаковое, а внутри все смоделировано иначе.

А как вы считаете, какие знания нужны специалисту, чтобы стать таким востребованным и признанным в сфере специалистом, как вы?

На личном примере убедился, что необходимо обрести навык не только формировать успешную команду, но и мотивировать ее на положительный результат, работать в условиях ограниченного дедлайна, быстро осмыслять поставленные техзадачи, уметь предлагать заказчику дополнительные возможности в рамках уже поставленной задачи. Конечно, нужно всегда стремиться к изящной интегрированной архитектуре при разработке платформ и создавать интеллектуальную Web-упаковку.

Интервью провела Алиса Маркова