U doba kada veštačka inteligencija oblikuje ekonomije, nauku i svakodnevni život, pitanje više nije da li, već kako će AI uticati na našu budućnost. Od automatizacije rutinskih zadataka do pomoći u rešavanju najkompleksnijih naučnih problema, veštačka inteligencija nije više samo alat, već postaje saputnik u razumevanju i transformaciji sveta. Međutim, iza svakog naprednog modela stoje godine istraživanja, fundamentalna znanja i ljudi. Upravo oni, istraživači koji se nalaze u središtu ovog tehnološkog pomaka, oblikuju granice onoga što AI danas može.
Dr Petar Veličković je jedan od najistaknutijih srpskih naučnika u oblasti veštačke inteligencije čiji rad ima direktan uticaj na razvoj nekih od najnaprednijih AI sistema današnjice. Kao istraživač u kompaniji Google DeepMind i pridruženi profesor na Univerzitetu Kembridž, dr Veličković učestvuje u projektima koji povezuju fundamentalna istraživanja sa stvarnim primenama, od unapređenja algoritama za predviđanje vremena putovanja u Google Maps-u do razvoja modela koji pomažu u dokazivanju matematičkih teorema i dizajniranju kompleksnih sportskih taktika.
U intervjuu za Serbian Researchers, Petar otkriva kako izgleda rad u samom epicentru svetske AI industrije, koji su ključni izazovi u razvoju fundamentalnih modela, ali i na koji način istraživači iz Srbije mogu aktivno da doprinesu globalnoj naučnoj zajednici.
Kako je započeo Vaš akademski put?
Doktorirao sam računarske nauke na Triniti koledžu Univerziteta Kembridž, pod mentorstvom dr Pietra Lia. Moja istraživanja su direktno primenjena u poboljšanju predviđanja vremena putovanja u Google Maps servisu, vođenju intuicije matematičara ka dokazivanju novih teorema, prvom potpunom sistemu veštačke inteligencije za fudbalsku taktiku (TacticAI), kao i u kombinatornom takmičarskom programiranju koristeći veštačku inteligenciju.
Na čemu se trenutno fokusira Vaše istraživanje i koji su najvažniji projekti na kojima radite u kompaniji Google DeepMind?
Moje istraživanje je pretežno usmereno ka poravnanju neuralnih mreža sa klasičnim izračunavanjima, u svrhu ocenjivanja i poboljšanja njihove generalizacije izvan podataka nad kojima su obučene. Dugoročna želja mi je da značajno poboljšam sposobnosti rezonovanja modernih sistema veštačke inteligencije – s obzirom da trenutno ti sistemi, iako impresivnih sposobnosti, pokazuju zabrinjavajuć nivo nerazumevanja osnovnih računskih operacija.
Bavite se razvojem grafovskih neuronskih mreža – koje su njihove najznačajnije primene u industriji i akademskim istraživanjima?
Grafovske neuralne mreže su široko rasprostranjene u industriji, između ostalog zato što su grafovi univerzalna struktura podataka za modeliranje ljudskih sistema. Samim tim, kada god interagujete sa aplikacijom koja se oslanja na interakcije između ljudi, dobre su šanse da (potajno) interagujete sa modelom grafovskog mašinskog učenja. Od primera kompanija koje su objavile svoje prihvatanje ovih tehnologija, nalaze se Pinterest, Google, Uber Eats, Airbnb, Amazon, Alibaba, Spotify, LinkedIn, Snapchat…
Kada su u pitanju akademska istraživanja, posebno do izražaja dolazi opšta zastupljenost grafa kao osnovne gradivne jedinice živog sveta – od atoma u molekulu, sve do neuronskih veza u mozgu. Shodno tome, grafovske neuralne mreže su već uveliko korišćene za otkrivanje novih lekova, generisanje strukture proteina i sličnih problema.
Koje glavne izazove vidite u daljem razvoju fundamentalnih AI modela i njihovoj praktičnoj primeni u narednim godinama?
Ključni izazov su, prema mom mišljenju, sposobnosti rezonovanja ovih modela, pogotovo nad dugačkim trajektorijama. Trenutni sistemi veštačke inteligencije su izuzetno sposobni da reše teške probleme – ponekad i probleme koji su izvan domašaja mnogih doktorskih studenata u nekoj oblasti – ali ti problemi pretežno moraju biti zatvorenog tipa. Pri rešavanju problema koji imaju nekoliko odvojenih dugačkih stadijuma, modeli uglavnom počinju da zaboravljaju ključne informacije i ne mogu na pravi način izaći na kraj sa prevelikim kontekstom. Prema mom mišljenju, rešavanje problema generalizacije na velike kontekstne dužine je stoga ključan problem za buduća istraživanja.
Na koji način istraživači iz Srbije mogu da uspostave jače veze sa globalnom naučnom zajednicom i kako da budu aktivniji na međunarodnoj sceni?
Najbolji način za uspostavljanje ovih veza – barem u računarskim naukama, a verujem i šire – je proaktivnost! Ukoliko vas interesuje neka naučna oblast, nemojte čekati da vam je neko drugi objasni – počnite sami da istražujete, implementirate, reprodukujete rezultate o kojima čitate. Kada napravite prve korake, stupite u kontakt sa autorima vaših omiljenih radova, pokrenite diskusiju sa njima. Ovakve diskusije neretko mogu prerasti u saradnje, pozive na prakse i slične prilike. Neverovatno je koliko često ovakve suptilne akcije mogu značajno uticati na vašu buduću trajektoriju!
Kada se osvrnete na svoju karijeru, koji su ključni trenuci ili odluke koje su oblikovale Vaš profesionalni put?
Ključni momenti, u skladu i sa prethodnim pitanjem, su gotovo uvek bili momenti kada sam odlučio da sa nekim stupim u kontakt i da se raspitam za potencijalne saradnje, čak iako nisam imao izuzetne radove iza sebe:
- Kada sam direktno kontaktirao Pietra Lia sa upitom da mi bude mentor za projekat iz bioinformatike – Pietro mi je kasnije obezbedio mesto na doktorskim studijama u njegovoj grupi, sa potpunom stipendijom.
- Kada sam spontano započeo razgovor sa Raiom Hadsell na jednoj konferenciji o sličnosti između njenog naučnog rada i mog ličnog projekta – Raia je kasnije postala moj prvi menadžer u kompaniji DeepMind.
- Kada sam poslao “hladan email” Jošui Bendžiu (osvajaču Tjuringove nagrade) – Jošua me je kasnije pozvao na praksu na Mila institut u Montrealu, gde sam napisao moja dva najcitiranija naučna rada.
Koji savet biste dali mladim istraživačima iz Srbije koji žele da izgrade karijeru u veštačkoj inteligenciji i mašinskom učenju? A koji savet biste dali mlađem sebi koji tek započinje svoju naučnu karijeru?
Pre svega bih savetovao naše mlade istraživače da se ni po koju cenu ne ustručavaju da se prijave za neku praksu ili nekome pošalju mejl, ma koliko oni mislili da je takva prilika/osoba nedostižna. U Srbiji imamo izuzetno talentovane studente, samo jako često nemamo dovoljno samopouzdanja. Identičan savet bih dao i mlađem sebi, jer sam i sâm napravio ovu grešku mnogo puta u prošlosti.