News - Ինչպես USC-ը կրթում է վերջին AI ալգորիթմների հետևում կանգնած մարդկանց

Արհեստական բանականությունը կարող է հրաշք թվալ, բայց յուրաքանչյուր չատբոթի, ինքնակառավարվող մեքենայի, պատկերի գեներատորի և թվային օգնականի հետևում կանգնած է մաթեմատիկա՝ շատ մաթեմատիկա: Երբ AI‑ն փոխակերպում է ոլորտներ առողջապահությունից ֆինանսների մինչև զվարճանք, աճում է այն մասնագետների պահանջարկը, որոնք հասկանում են տեխնոլոգիայի հետևը կանգնած մաթեմատիկան: USC Dornsife College of Letters, Arts and Sciences‑ը չի թողնում այդ կարիքն անտեղյակ մնա և ներկայացնում է Մաթեմատիկական տվյալների գիտության մագիստրոսական աստիճան՝ մի ծրագրային գիծ, որտեղ ուսանողները նպատակ ունեն ոչ միայն օգտագործել AI‑ն, այլ հասկանալ և կառուցել אותו: «Տվյալների գիտությունը մաթեմատիկան է», ասել է Աարոն Լաուդա, ֆիզիկական գիտությունների և մաթեմատիկայի բաժնի դեկանն ու մաթեմատիկա, ֆիզიკა և աստղագիտության պրոֆեսորը: «Եթե ուզում եք հասկանալ AI‑ն, պետք է հասկանալ այն մաթեմատիկան, որն այս տեխնոլոգիան գործի դնում է: սա է ծրագրի յուրահատկությունը»: Ծրագրի յուրօրինակ մոտեցումն աստիճանորեն խորանում է AI‑ի մեխանիզմների մեջ: Մեծ մասի շրջանավարտական ծրագրերը կենտրոնանում են գոյություն ունեցող ալգորիթմների կիրառման վրա՝ տվյալներ դնել, մոդելներ գործարկել և ելքերըinterpretել, բայց այդ գործիքները արագորեն հնանում են, ասում է Լաուդան: «Արդեն այն ժամանակ, երբ ավարտում եք ծրագիրը, որը պարզապես կիրառություններ է աշաջեցնում, սովորած ալգորիթմները կարող են արդեն հնացած լինել»: Այս ծրագրը գնում է այլ ճանապարհով. նրա նպատակն է ուսանողներին տրամադրել վերջին ալգորիթմները կիրառելու, հասկանալու թե ինչու են դրանք աշխատում և ապագայի սարքեր设计ելու մաթեմատիկական հիմքեր: Այս աշնանը մեկնարկած տեղակայված ծրագրը (on‑campus), որը երեքից չորս սեմեստր է տեւում, առանձնացնում է հավանականության տեսություն, օպտիմիզացում, գծային ալգեբրա և վիճակագրական մոդելավորում` այսօրվա մեքենայական ուսուցման բոլոր սիլոշների հիմք հանդիսացող կի՞ծակները: Ուսանողները նաև ստանում են գործնական փորձ իրական տվյալների հավաքածուներով աշխատանքի միջոցով՝ ոլորտներից ինչպիսիք են Երկրաբազմություն գիտությունները, բիոլոգիա, քիմիա և ֆիզիկա: «Մենք ուզում ենք ուսանողներին տանել տեսությունը դեպի իրական խնդիրներ», ասում է Xiaohui Chen-ը, ծրագրի համատեղ տնօրենը: «Այդ փորձառական ուսուցումը ստեղծում է պորտֆոլիո, որը կարող են ներկայացնել ապագա գործատուներին կամ PhD ծրագրերին»: Chen-ը, մաթեմատիկայի դոցենտ, նշում է, որ ծրագիրը միտված է ներկայացնել աճող կարիք բազմատեսակ ոլորտներում: «Յուրաքանչյուր ոլորտ հիմա ազդում է տվյալների վրա՝ որոշումների ընդունելու համար, և ոչ միակ ծրագրերը կրթում են ինչպես օգտագործել գոյություն ունեցող կոդային գրադարաններ, մեր ծրագիրը խթանում է ուսանողներին ստեղծել նոր տեխնիկաներ և ալգորիթմներ: Ավարտողները կցնեն աննախադեպ համադրություն բարձր մակարդակի մաթեմատիկա և վիճակագրական հմտությունների, խառնած գործնական փորձի հետ»: Ուսանողները նշում են, որ այդ մոտեցումն յուրահատուկ է: Նգենիւանը reinforcement learning–ի նախագծերով է զբաղվում` կենտրոնացված են bandit theory‑ի և քաղաքականության օպտիմիզացիայի վրա: Նրա դասընկեր, Viraj Bansal–ը, հետազոտում է տեսական մաթեմատիկան` ներկայացուցչության տեսության ոլորտներ և այնպիսի տեսություններ, որոնք կարող են ազդել մեքենայական ուսուցման մոդելների վրա: «Այս ծրագիրը մեզ հնարավորություն է տալիս փորձարկել և քննել», — ասում է Բանսալը: «Մենք` չենք լինի միայն AI‑ի գործադրողներ, այլ ստեղծողներ և նորարարներ»: Դա հենց այն տեսանկյունն է, որի կյանքը ծրագրի նպատակն է խթանել, ասում է Սթանիսլավ Մինսկերը, մաթեմատիկայի պրոֆեսորը և ծրագրի համատեղ տնօրենը: «Եթե ցանկանում եք գնալ առարկայական տվյալների գիտության ծրագրի սահմաններից դուրս և հասկանալ ու կառուցել AI‑ն սկզբից մինչև վերջ, սա տեղն է դա անել՝ ր»