Հնարավո՞ր է ստեղծել համակարգ, որն արհեստական բանականության միջոցով կնույնականացնի մեքենաների համարանիշերը և կօգտագործվի արգելափակոցների (շլագբաում) աշխատանքն ավտոմատացնելու համար։ Հենց այս խնդրին լուծում տալու նպատակով ստեղծվեց ԵՄ Թումո համալիրի Թումո լաբորատորիաներ կրթական ծրագրի և AoByte ընկերության համատեղ նախագիծը։ Այն մեկնարկեց շուրջ երեք ամիս առաջ, իսկ արդեն հիմա դասընթացավար Վարդան Գրիգորյանցը և նախագծի մասնակից ուսանողներն ամփոփում են արդյունքները վիրտուալ տիրույթում։
«Մեզ հաջողվեց լուծել մեր առջև դրած խնդիրը: Իհարկե, ես որպես մասնագետ կցանկանայի էլ ավելի երկար զբաղվել նախագծով և ուսանողների հետ փորձարկել տարբեր ալգորիթմներ ու ընտրել դրանցից լավագույնը, քանի որ դա էլ է շատ հետաքրքիր պրոցես»,֊ ասում է Վարդանը, ով աշխատում է AoByte ընկերությունում որպես Full Stack Developer։
Նախագծին մասնակցում էին 10 ուսանողներ Հայաստանի տարբեր համալսարաններից և այս ոլորտում առաջին քայլերն անող երիտասարդ մասնագետներ։ Նրանք հիմնականում ուսումնասիրել են computer vision և մեքենայական ուսուցում: Հայաստանում ամերիկյան համալսարանի ուսանող Իռեն Օկմինյանը, որը երազում է աշխատել արհեստական բանականության և մեքենայական ուսուցման լաբորատորիայում, նախագծին մասնակցելու որոշումը կայացրել է դիպլոմային աշխատանքի թեման ընտրելիս․ «Մեզ մոտ տարբեր ընկերություններ ներկայացնում էին իրենց նախագծերի թեմաները և մենք պետք է ընտրեինք դրանցից որևէ մեկը մեր ավարտական աշխատանքի համար։ Թումո լաբորատորիաների այս նախագծի թեման միանգամից գրավեց ինձ, բացի այդ միակն էր, որ ուներ հստակ կառուցվածք՝ ի՞նչ ենք սովորելու, որքա՞ն ժամանակում, ի՞նչ ենք ստանալու արդյունքում։ Կարելի է ասել, որ նախագծի ընթացքում ավարտեցի նաև դիպլոմայինս»։
Շաբաթական վեց ժամ տևող հանդիպումները սկզբում անցկացվում էին Թումո Երևանում, իսկ հետո՝ zoom-ով։ Եվ չնայած առցանց ուսուցման մասին կարծրատիպերին, ուսանողների կարծիքը դրական է․ «Բավականին հեշտ տեղի ունեցավ առցանց ուսուցմանն անցումը: Ե՛վ ոլորտն էր թույլ տալիս, և՛ Վարդանն էր նույն ձևով ու որակով անցկացնում դասերը։ Նույնիսկ ավելի հանգիստ էի, քանի որ չէի անհանգստանում ուշանալու համար»,֊ պատմում է Պոլիտեխնիկական համալսարանի ուսանող Լիլիթ Մանուկյանը։
Նախագծի ընթացքում նրանք հասցրել են ուսումնասիրել մեքենայական ուսուցման տեսակները, օպտիմիզացման ալգորիթմները, ճշգրտության չափանիշները (accuracy metrics), փոխանցման ուսուցումը (transfer learning), ինչպես նաև նեյրոնային ցանցեր և խորը ուսուցում ու Python-ի գրադարաններ։ Հետագայում մշակելով CNN (convolutional neural network) մոդելներ՝ կարողացել են լուծել MNIST ձեռագիր թվերի տվյալների բազայի դասակարգման խնդիրը։
«Նախորդ երեք ամիսների ընթացքում հասցրեցինք խորությամբ ուսումնասիրել մեքենայական ուսուցման չորս ենթաբաժիններ։ Թե՛ արագությունը, թե՛ ինֆորմացիայի ծավալը իդեալական էին ինձ համար»,֊ ասում է Անի Գաբրիելյանը, որը կրթությամբ ֆինանսիստ է, բայց վերջին տարիներին որոշել է փոխել մասնագիտությունը և խորանալ ծրագրավորման ոլորտում։ Մինչև նախագծին դիմելն Անին ուսումնասիրել է արհեստական բանականություն և մեքենայական ուսուցում առցանց դասընթացների միջոցով և ինչպես ինքն է նշում՝ կարիք կար տեսականը պրակտիկայում օգտագործելով ամփոփել գիտելիքները․ «Հիմա ավելի վստահ եմ այս ոլորտում և ավելի վստահ կարող եմ դիմել աշխատանքի»։
Նախագծի ավարտին խումբը ստացել է ծրագիր, որի միջոցով հնարավոր է արգումենտներին տրվող արժեքները փոխելով գտնել դրանց օպտիմալ արժեքները, որպեսզի հնարավոր լինի ընդգծել մեքենայի համարանիշները։ Իսկ եթե ավելի պարզ` ծրագիրն ընտրում է մեքենայի համարանիշները և դուրս բերում դրանց տեքստային տարբերակը։ Այնպես որ, շլագբաումային հեղափոխությունը շատ մոտ է: Դիտե՛ք մասնակիցներից Լիլիթի պատրաստած տեսանյութը նկարագրվածն իրականում տեսնելու համար։
Working With the Future of 3D Scanning
