Մաթեմատիկա` սիրո, արդարության եւ զարգացման շարժիչ: Այսպես են կառուցվածքների, հաջորդականությունների և հարաբերությունների մասին գիտությունն ընտրած մարդիկ բնութագրում այն:

Մեդիամաքսը եւ VOLO ընկերությունը համատեղ սկսում են նոր խորագիր` Մաթարվեստ: Այն պատմելու է Մաթեմատիկայի երկիր Հայաստանում այդ գիտությունը զարգացնող տաղանդավոր մարդկանց ու նրանց աշխատանքի մասին: Այսօր աշխարհում մաթեմատիկան առանցքային նշանակություն ունի, եւ մենք հույս ունենք, որ Մաթարվեստը կնպաստի նրան, որպեսզի հայ երիտասարդները ընտրեն այս մասնագիտությունը:

Արհեստական բանականություն, որի շնորհիվ կարելի է վերակենդանացման բաժանմունքում հայտնվելուց 48 ժամ հետո կանխատեսել` հիվանդը կմահանա՞, թե՞ կապաքինվի: Առաջին հայացքից գիտաֆանտաստիկ ֆիլմի սցենար է հիշեցնում, այնինչ այս ուղղությամբ աշխատում են բազմաթիվ գիտական խմբեր ամբողջ աշխարհում, այդ թվում` YerevaNN լաբորատորիան:

YerevaNN` ուղեղների համախմբում մեքենայական ուսուցման շուրջ

Լաբորատորիան հիմնադրվել է 2016թ.-ին` ԵՊՀ Ինֆորմատիկայի եւ կիրառական մաթեմատիկայի ֆակուլտետի ասպիրանտ Հրանտ Խաչատրյանի ջանքերով:

Ծրագրավորման հանդեպ հետաքրքրությունն էր Հրանտին բերել այդ ֆակուլտետ, բայց հետագայում հասկացավ, որ մաթեմատիկան ավելի հետաքրքիր է եւ շեղվեց այդ ուղղությամբ:

Արդյունքում ծնվեց YerevaNN հետազոտական լաբորատորիան, որի նպատակը մաթեմատիկայի եւ համակարգչային գիտությունների խաչմերուկում գտնվող ճյուղի` մեքենայական ուսուցման ոլորտում հետազոտությունների իրականացումն է:

«Համալսարանում տեսանք, որ ուսանողների մեջ հետաքրքրություն կա  դեպի արհեստական բանականություն, սակայն այդ թեմաները չեն դասավանդվում: Հասկացանք, որ մի հարթակ է պետք, որտեղ ուսանողները կարողանան այդ թեմաներով զբաղվել ավելի պրոֆեսիոնալ կերպով»,- ասում է լաբորատորիայի ղեկավար Հրանտ Խաչատրյանը եւ հավելում, որ YerevaNN-ի չորս աշխատողները պարբերաբար շփվում են ուսանողների հետ եւ դասընթացներ կազմակերպում:

Հրանտ Խաչատրյանը

Լուսանկարը` Մեդիամաքս

Լաբորատորիայի ֆինանսավորման համար ստեղծվել է հիմնադրամ, որի հոգաբարձուներն են Teamable-ի համահիմնադիր Վազգեն Հակոբջանյանը, Fimetech-ի հիմնադիր Գոռ Վարդանյանը եւ Arminova Technologies ընկերության հիմնադիր Ռուբեն Մեսչյանը:

Նվիրատվություններով աշխատող հիմնադրամն այժմ ապահովում է լաբորատորիայի աշխատանքը, հետագայում նպատակ կա ներգրավվել դրամաշնորհային ծրագրերում, այդ թվում` այլ գիտական կենտրոնների հետ համագործակցության միջոցով:

Խորը ուսուցման ալգորիթմներ. աշխարհի օրինակները

Մեքենայական ուսուցումը, որով զբաղվում են YerevaNN-ի հետազոտողները, աշխարհում լայն կիրառություն ունի: Դրանցից են, օրինակ, ավտոմատ թարգմանություն կատարող ժամանակակից ծրագրերը:

«Ծրագրին տրվում են մեծ թվով նախադասություններ, որոնք նախապես թարգմանվել են պրոֆեսիոնալ թարգմանիչների կողմից, իսկ մեքենայական ուսուցման ալգորիթմները այդ օրինակներին նայելով կարողանում են «սովորել» օրինաչափություններ, դրանք կիրառել այլ նախադասությունների համար: Այսպիսի համակարգերի որակը մեծապես կախված է ծրագրին տրված օրինակների քանակից:

Մասնավորապես, անգլերեն-հայերեն ավտոմատ թարգմանիչ ծրագրերի ցածր որակը հիմնականում պայմանավորված է թարգմանված օրինակների փոքր թվով»,- ասում է Հրանտ Խաչատրյանը:

YerevaNN լաբորատորիայի անդամները

Լուսանկարը` Մեդիամաքս

Վերջին տարիներին մեքենայական ուսուցման ոլորտը մեծ թափ է ստացել` կապված խորը ուսուցման (deep learning) ալգորիթմների հետ, որոնք, ինչպես պարզվել է վերջին հինգ տարիների ընթացքում, մեծ հաջողությամբ հաղթահարում են բազմաթիվ բարդ խնդիրներ:

Այսօր Facebook-ը խորը ուսուցման միջոցով ավտոմատ ճանաչում է լուսանկարներում մարդկանց դեմքերը, ինչպես նաեւ կարողանում է որոշել, թե ինչ է պատկերված լուսանկարում: Այս ծրագրի միջոցով կույր օգտատերերը կարողանում են «լսել», թե ինչ է պատկերված լուսանկարում:

Մեքենայական ուսուցումն ու առողջապահական խնդիրների լուծումները

Կարեւոր ուղղություններից մեկն առողջապահությունն է: Ինչպես նկատում է Հրանտ Խաչատրյանը, բազմաթիվ բժշկական խնդիրներ կարելի է հաջողությամբ լուծել մեքենայական ուսուցման մեթոդներով, օրինակ` տոմոգրաֆիայի նկարներում ուռուցքի հայտնաբերում կամ կլինիկաներում բուժվող հիվանդների տվյալների հիման վրա տարաբնույթ կանխատեսումներ:

Լուսանկարը` Մեդիամաքս

Բժշկական ոլորտում մեքենայական ուսուցման կիրառությունների հիմնական խոչընդոտը, Հրանտի բնորոշմամբ, տվյալների անհասանելիությունն է: Բոլոր խոշոր բուժհաստատությունները հավաքում են հիվանդների մասին մեծ ծավալի տվյալներ, սակայն դրանք հասանելի չեն հետազոտողներին: Տարբեր խմբեր հատուկ պայմանագրերով կարողանում են աշխատել այդ տվյալների հետ, սակայն փորձը ցույց է տալիս, որ մեքենայական ուսուցման մեծ հաջողությունները գրանցվում են այն ժամանակ, երբ միեւնույն տվյալների բազան հասանելի է լինում ամենատարբեր գիտական լաբորատորիաներին:

YerevaNN-ի առաջին պտուղները. կանխատեսելով հիվանդի մահը

YerevaNN լաբորատորիան այժմ համագործակցում է Հարավային Կալիֆորնիայի համալսարանի հետ: Համագործակցության համար հիմք է դարձել Մասաչուսեթսի տեխնոլոգիական ինստիտուտի (MIT) թողարկած MIMIC-III բազան: Այն պարունակում է ավելի քան 40 հազ. հիվանդների մասին մանրամասն տեղեկություններ՝ հիվանդանոցի վերակենդանացման բաժնում արված բոլոր չափումները, բժիշկների կատարած գրառումները, դիագնոզները եւ այլն:

«Մեր նպատակն էր այս ահռելի բազայի հիման վրա ձեւակերպել մի շարք խնդիրներ, որոնք մեծ նշանակություն ունեն բժիշկների եւ հիվանդանոցների համար, եւ ստեղծել հենանիշներ (benchmarks), այսինքն՝ սահմանել հստակ չափանիշներ այդ խնդիրների լուծումները գնահատելու համար, որպեսզի տարբեր հետազոտողներ կարողանան աշխատել միեւնույն չափանիշներով եւ վերարտադրել այլ հետազոտողների արդյունքները»,- ասում է լաբորատորիայի ղեկավարը:

YerevaNN-ն առանձնացրել է չորս խնդիր`

1.    Ռեանիմացիայում հայտնվելուց 48 ժամ հետո կանխատեսել, թե հիվանդը կմահանա, թե կապաքինվի:

2.    Ռեանիմացիայում գտնվող հիվանդի համար ժամը մեկ անգամ կանխատեսել, թե արդյոք կա մահվան վտանգ առաջիկա 24 ժամում:

3.    Ռեանիմացիայում գտնվող հիվանդի համար ժամը մեկ անգամ կանխատեսել, թե որքան ժամանակ դեռ նա կմնա ռեանիմացիայում (սա կարեւոր է հիվանդանոցի ռեսուրսները ճիշտ բաշխելու համար):

4.    Ռեանիմացիայում կատարված չափումների (մարմնի ջերմաստիճան, արյան ճնշում, արյան անալիզի տվյալներ եւ այլն) հիման վրա կանխատեսել դիագնոզները (առանձնացրել են 25 հիվանդություն):

Ցանկացած հետազոտող YerevaNN-ի ծրագրի միջոցով կարող է MIMIC-III բազայից զտել այս չորս խնդիրների համար անհրաժեշտ տվյալները եւ փորձարկել ամենատարբեր ալգորիթմներ:

«Բացի այս տվյալների նախապատրաստման ծրագրից, մշակել ենք խորը ուսուցման մեթոդներով աշխատող ալգորիթմներ` այս բոլոր խնդիրները որոշակի ճշտությամբ լուծելու համար: Մասնավորապես, 48 ժամվա տվյալների հիման վրա մահացության կանխատեսման եւ մի քանի հիվանդությունների ախտորոշման խնդիրներում ստացել ենք բավական բարձր ճշտություն: Համեմատաբար վատ են աշխատում ռեանիմացիայում մնացած ժամանակը կանխատեսող մոդելները: Ակնկալում ենք, որ մի քանի ամիսների ընթացքում այլ հետազոտողներ եւս կմշակեն իրենց ալգորիթմները եւ կհամեմատեն մեր թողարկած մոդելների հետ»,- ասում է Հրանտը:

YerevaNN լաբորատորիայի անդամները

Լուսանկարը` Մեդիամաքս

Խորը ուսուցման ոլորտում, ինչպես նշում է Հրանտը, հաճախ հանդիպում են դեպքեր, երբ միաժամանակ մի քանի խնդիր լուծել սովորող ալգորիթմները ավելի լավ են աշխատում խնդիրներից յուրաքանչյուրի վրա: Կարծեք թե մի խնդիր լուծել կարողանալը օգնում է մյուս խնդիրներին: Google Brain-ի հետազոտողները ցույց էին տվել, որ անգլերենից գերմաներեն թարգմանող ծրագիրը, եթե բացի թարգմանությունից սովորում է նաեւ կատարել նախադասությունների քերականական վերլուծություն, ապա թարգմանության որակը բարձրանում է: Լաբորատորիայում փորձել են համանման արդյունք ստանալ բժշկական տվյալների պարագայում:

«Այս գործի մեծ մասն արվել է YerevaNN-ի աշխատակից, ԵՊՀ ինֆորմատիկայի եւ կիրառական մաթեմատիկայի ֆակուլտետի մագիստրանտ Հրայր Հարությունյանի ջանքերով: Նա մշակել է խորը ուսուցման մեթոդներով աշխատող մոդել, որը միաժամանակ սովորում է լուծել բոլոր չորս ձեւակերպված խնդիրները: Պարզվել է, որ այս «բազմախնդիր» մեխանիզմը ավելի լավ է լուծում մահացության կանխատեսման խնդիրը, քան այն ծրագրերը, որոնք աշխատում են միայն մահացության կանխատեսման վրա»,- ասում է Հրանտ Խաչատրյանը:

YerevaNN լաբորատորիայի անդամները

Լուսանկարը` Մեդիամաքս

Այս աշխատանքների մասին Հարավային Կալիֆորնիայի համալսարանի հետազոտողներ Դեյվիդ Քեյլի եւ Արամ Գալստյանի համահեղինակած հոդվածի նախնական տարբերակը տեղադրվել է arxiv.org կայքում:

«Տեղեկացրել ենք բժշկական ոլորտում մեքենայական ուսուցմամբ զբաղվող բազմաթիվ հետազոտողների: Առայժմ ստանում ենք բավական դրական արձագանքներ՝ բոլորը հաստատում են, որ այս ոլորտում նման հենանիշների կարիքը շատ էր զգացվում»,- ասում է մաթեմատիկոսը:

Արհեստական բանականության հայկական ապագան

Հրանտ Խաչատրյանի խոսքով` մեքենայական ուսուցումը շատ ակտուալ եւ զարգացող ոլորտ է: Գիտական աշխարհին միշտ հետաքրքրում է, թե ինչպես կարելի է ստեղծել բանականություն, ինչպե՞ս է աշխատում մարդու ուղեղը, արդյո՞ք կարելի է նույնը ստանալ համակարգչի մեջ: Կա նաեւ տնտեսական բաղադրիչը: Ամենատարբեր արդյունաբերական ընկերություններ, տնտեսության տարբեր ճյուղեր մեծ օգուտներ են ստանում այս ոլորտից: Դրանք, առաջին հերթին, ինտերնետային հսկաներն են, որոնք շատ ակտիվ օգտագործում են այդ հնարավորությունները: Այդ տեխնոլոգիաներն աստիճանաբար տարածվում են նաեւ մյուս ոլորտներում, օրինակ` առողջապահության, գյուղատնտեսության, ռոբոտաշինության, ֆինանսական, ռազմական եւ այլն: Աշխարհում կա մեքենայական ուսուցման բարձրակարգ մասնագետների մեծ պահանջարկ, եւ Հայաստանն այդ ոլորտում առկա պակասները լրացնելու իրական շանսեր ունի:

Մարի Թարյան

Նախագծի գլխավոր գործընկերը VOLO ընկերությունն է