Эксперт по искусственному интеллекту, который присоединился к Stanford HAI в качестве заслуженного научного сотрудника по образованию, обсуждает создание инклюзивного образования и расширение доступа для студентов.

Эксперт по искусственному интеллекту Питер Норвиг присоединится к Стэнфордскому институту человеко-ориентированного ИИ этой осенью в качестве заслуженного научного сотрудника с задачей разработки инструментов и материалов для объяснения ключевых концепций искусственного интеллекта.

Норвиг помогал запускать и создавать ИИ в организациях, считающихся новаторами в этой области: в качестве директора по исследованиям Google он курировал алгоритмы поиска технологического гиганта и создавал команды, которые сосредоточились на машинном переводе, распознавании речи и компьютерном зрении. В NASA Ames, его команда создала автономное программное обеспечение, которое первым управляло космическим кораблем и послужило предшественником нынешних марсоходов.

Норвиг — также известное имя в образовании, связанном с искусственным интеллектом. Он стал соавтором вводного учебника «Искусственный интеллект: современный подход», который используют около 1500 университетов по всему миру, и он обучил сотни тысяч студентов на своих курсах на платформе онлайн-образования Udacity.

В этом интервью он рассказывает о своем переезде в Стэнфорд, создании учебной программы по ИИ, ориентированной на человека, и расширении доступа к образованию.

В нашем последнем AI Index мы отметили переманивание специалистов из университетов. Ученые, работающие в сфере технологий, покидают университеты, чтобы присоединиться к хорошо обеспеченным ресурсами компаниям. Что побудило вас пойти по противоположному пути?

На протяжении всей своей карьеры я перемещался между основными доменами высшего уровня: .edu, .com и .gov.

После 20 лет работы в одной компании и 18 месяцев работы из дома я подумал, что сейчас хорошее время, чтобы попробовать что-то новое и сосредоточиться на образовании.

Как, исходя из вашего опыта выглядит человеческий ИИ?

Один из способов думать про ИИ — это как процесс оптимизации — нахождение курса действий в неопределенном мире, что приведет к максимальной ожидаемой полезности. Раньше интересные вопросы касались того, какой алгоритм лучше всего подходит для этой оптимизации. Теперь, когда у нас есть отличный набор алгоритмов и инструментов, более актуальные вопросы ориентированы на человека: Что именно вы хотите оптимизировать? Чьим интересам вы служите? Ты со всеми честен? Кто-нибудь остался в стороне? Являются ли собранные вами данные инклюзивными или необъективными?

Одним из приоритетов HAI является создание и развитие программ обучения разнообразию, равенству и инклюзивности. Какие виды образовательных программ эффективны для улучшения представления в технических областях искусственного интеллекта?

Я думаю, есть три отдельные проблемы.

Первая — это создание цепочки квалифицированных специалистов, выходящих на рынок. Это требует усилий, чтобы дать незадействованному населению чувство сопричастности и гостеприимства.

Мне повезло, что у меня были наставники, которые не только смоделировали для меня работу в технической сфере, но и заставили меня подумать: «Это будет весело — я хочу проводить время с крутыми людьми. Вот так, и они, кажется, меня принимают.

«У меня были эти возможности потому, что я вырос в семье, которая ценила образование, и жила в университетском городке. Для тех, кто этого не сделал, нужны программы и правила, чтобы удерживать их в школе, обучать их учителей быть лучшими наставниками и более осведомленными в областях STEM, а также дать им понять, какой у них путь.

Вторая проблема — это справедливый поиск и оценка людей, когда дело доходит до найма. Мы видим, что многие компании расширяют свой подход, обращаясь не только к нескольким лучшим учебным заведениям при приеме на работу, но и рассматривают кандидатов с более разным опытом.

И, в-третьих, нам нужно удерживать нанятых людей.

Вы не можете притвориться: если некоторые люди в компании относятся к числу неприветливых, неблагодарных и пренебрежительно относящихся к незадействованному населению, они не останутся. Компаниям необходимо обучать своих сотрудников осознавать ценность, которую приносят друг другу сотрудники.

Не у всех есть доступ к занятиям в Стэнфорде, Калифорнийском университете в Беркли или Массачусетском технологическом институте. Как расширить доступ к образованию в области искусственного интеллекта?

Я стал заниматься онлайн-обучением именно по этой причине. В 2010 году мы с Себастьяном Труном проводили вводный курс искусственного интеллекта для студентов Стэнфорда, а когда в 2011 году нас попросили преподавать его снова, мы подумали, что должны сделать шаг вперед и попытаться охватить аудиторию со всего мира, которая не смогла посетить Стэнфорд. В каком-то смысле это сработало великолепно, 100 000 студентов записались на курс и 16 000 завершили его. Но в другом смысле подход все еще был ограничен избранной группой высоко самомотивированных учащихся. Следующая задача — охватить людей, которым не хватает уверенности в себе, которые не считают себя способными учиться новому и добиваться успеха.
Которые думают, что мир технологий предназначен для других, а не для них. Для этого требуется нечто большее, чем просто хорошее содержание курса. Нам также необходимо развивать чувство сплочённости посредством отношений между коллегами и наставниками.

Сегодня мы видим много программ, которые обучают детей от детского сада до 12 класса программированию. Стоит ли это делать? Это правильный подход для начальной школы?

Обучение программированию — полезный навык. Когда я учился в средней школе, у нас не было программирования, но от меня требовалось выучить слепой набор текста. Это тоже был полезный навык. Но обучение умению печатать не меняет вашего взгляда на мир, как и само по себе изучение синтаксиса языка программирования. Важная часть — это то, что вы делаете, когда пишете код: переходите от небольших механических упражнений к серьезным проектам, состоящим из нескольких частей; научиться выбирать собственные проекты; научиться моделировать некоторые аспекты мира, выдвигать гипотезы и проверять их; совершать ошибки и исправлять их, не расстраиваясь; работа в команде; создание чего-то полезного, что будут использовать другие, дающего вам гордость за свои достижения. Если вы можете делать все это с помощью программирования, отлично.

Если вы можете сделать это, отправив детей на природу, чтобы они исследовали и проводили эксперименты самостоятельно, тоже отлично.

Чего не хватает работающим профессионалам в своем образовании в области искусственного интеллекта?

В образовании с искусственным интеллектом учителя ставят простую четко определенную задачу с заданным набором данных и заранее определенной целью.

Затем студенты видят свою работу в построении модели, которая максимизирует целевую функцию. Но в реальном проекте профессионалам необходимо определить цели и самостоятельно собрать или сгенерировать данные. Вам не засчитывают выбор особенно умной или математически сложной модели, вы получаете заслугу за решение проблем своих пользователей.

Вы были руководителем нескольких ведущих технологических компаний. Что вы узнали из отрасли, что повысило ваш уровень как преподавателя?

Теперь я чувствую, как решаются масштабные проблемы в технологических компаниях. Я помню, как однажды разговаривал с другом, который написал книгу в соавторстве с одним ученым. Я спросил: «Что было самым сложным в написании книги?» Ответ был таков: «Когда мой коллега по академической науке написал: «Крупные компании должны делать это так», они ошибались. Мне пришлось тонко сказать: «Нет, угадайте еще раз», не раскрывая конфиденциальную информацию.

«Для многих таких проблем мне больше не нужно гадать».

Что вы посоветуете студентам Стэнфордского университета в области искусственного интеллекта?

Вы находитесь в прекрасном положении, когда получаете знания и опыт, которые можете использовать, чтобы изменить мир. Обязательно измените его в лучшую сторону.