«Если человек готов разбираться в сложных проблемах, то мы точно сработаемся»
Научный центр «Яндекса» Yandex Research совместно с НИУ ВШЭ и МФТИ начинает набор на программу ML Residency, предназначенную для студентов и аспирантов в области машинного обучения, а также для исследователей из смежных дисциплин. Программа рассчитана на год и может быть продлена, резиденты будут получать зарплату. Об особенностях программы новостной службе портала рассказал заведующий Научно-учебной лабораторией компании «Яндекс» на факультете компьютерных наук НИУ ВШЭ, руководитель Yandex Research Артем Бабенко.
— Артем Валерьевич, как возникла идея открытия ML Residency? В чем, на ваш взгляд, актуальность этого проекта?
— ML Residency направлена на развитие научного сообщества в России и популяризацию машинного обучения как науки. Она стала расширением программы научной практики, которая существовала в компании «Яндекс» в последние несколько лет. За это время мы успели завершить несколько успешных научных проектов, а участники программы публиковались на ведущих мировых конференциях по машинному обучению.
— Какова роль Высшей школы экономики в предстоящей реализации проекта?
— Она является одним из организаторов ML Residency.
Университет станет одной из площадок программы, и резиденты будут работать в лаборатории «Яндекса» в НИУ ВШЭ
Мы уверены, что в Вышке есть много талантливых исследователей, которые захотят реализовать себя в рамках ML Residency. Есть возможность совместить участие в ML Residency с написанием магистерской или кандидатской диссертации.
— Как будет организована работа резидентов в лаборатории «Яндекса»?
— Резиденты будут работать в паре с сотрудниками лаборатории, которые выступают в качестве наставников. Вместе они выберут исследовательскую задачу и займутся ее решением. Результатом работы может стать публикация на конференциях или в журналах, внедрение в «Яндексе» или выпуск в качестве open-source-проекта.
Мы уверены, что программа будет способствовать профессиональному росту резидентов: довольно быстро они начнут самостоятельно находить темы исследований и сами станут выступать в роли наставников.
— Как будет осуществляться научное руководство с учетом требований «Яндекса» и ВШЭ?
— Научными руководителями (менторами) будут сотрудники лаборатории «Яндекса» в НИУ ВШЭ и Yandex Research — научного центра «Яндекса», который лидирует среди российских технологических компаний по числу публикаций на NeurIPS, ICML, ICLR и других мировых конференциях по машинному обучению. Так что резиденты смогут работать вместе с ведущими экспертами в этой области в стране.
— Какими должны быть исследователи — участники программы? Попробуйте нарисовать портрет идеального кандидата.
— Мы ищем кандидатов, умеющих программировать, с сильным техническим образованием и искренним интересом к машинному обучению. Скорее всего, успешными резидентами станут сильные студенты и аспиранты в области машинного обучения, но мы ждем и специалистов из смежных дисциплин, например математиков и физиков, представителей компьютерных наук.
В целом, если человек готов разбираться в сложных проблемах, мы точно сработаемся.
— Какой, на ваш взгляд, должна быть отдача от проекта?
— Главным результатом будет привлечение новых людей в эту научную область — как молодых исследователей, так и специалистов из смежных отраслей. Мы со своей стороны постараемся создать возможности для их роста.
Подать заявку на участие в программе можно на сайте Yandex Research ML Residency.
Вам также может быть интересно:
Вышка и «Авито» запускают магистратуру по машинному обучению в цифровом продукте
Факультет компьютерных наук ВШЭ совместно с российской ИТ-компанией «Авито» объявляет о запуске новой магистерской программы по машинному обучению (ML) в цифровом продукте. Программа направлена на подготовку специалистов, которые смогут применять передовые технологии машинного обучения для решения реальных бизнес-задач и создания продуктов, используемых миллионами пользователей. Всего пройти обучение в первой волне смогут 35 человек, обучение 30 из них целиком профинансирует «Авито».
Анализ генетической информации поможет избежать осложнений после инфаркта
Исследователи из НИУ ВШЭ разработали модель машинного обучения, которая предсказывает риск развития осложнений у пациентов, перенесших инфаркт миокарда. В модели впервые учли генетические данные, что позволило точнее оценить риск долгосрочных осложнений. Исследование опубликовано в журнале Frontiers in Medicine.
Fall into ML 2024: взгляд в будущее машинного обучения
25–26 октября в Москве состоялась конференция Fall into ML, организованная Институтом искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ совместно с Центром ИИ при поддержке титульного партнера — Сбера. На протяжении двух дней ведущие специалисты в области искусственного интеллекта обсуждали перспективы развития фундаментальных технологий ИИ.
«Наша система позволяет предотвращать сбои в работе центров обработки данных»
Студент первого курса магистерской программы «Продуктовый подход и аналитика данных в HR-менеджменте» Константин Балцат с командой единомышленников разработали систему прогнозирования отказов жестких дисков на основе машинного обучения. С этим проектом они второй год подряд входят в число лучших на хакатоне «Цифровой прорыв». «Вышка.Главное» побеседовала с Константином о разработках инноваций и учебе в университете.
НИУ ВШЭ и ПСБ провели хакатон по ИИ для студентов ведущих вузов страны
В конце сентября онлайн-кампус НИУ ВШЭ и ПСБ организовали хакатон для студентов, которые увлекаются анализом данных, визуализацией и машинным обучением, а также студентов креативных индустрий. На хакатон зарегистрировалось 620 человек, приняло участие 428 человек из разных регионов РФ. За первое место боролись студенты лучших российских университетов, а также учащиеся из других государств. Победителями турнира стала команда из Вышки.
«В третий раз соберем на площадке ВШЭ лучших ученых и исследователей ИИ в России»
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Центр ИИ 25–26 октября в Москве организуют конференцию Fall into ML 2024. Главной темой ежегодного мероприятия станут перспективы развития фундаментального искусственного интеллекта. Титульным партнером конференции выступит Сбер.
Школа по ML в биоинформатике: «отличная возможность для нетворкинга и изучения нового материала»
Факультет компьютерных наук НИУ ВШЭ провел ежегодную летнюю школу по машинному обучению в биоинформатике, слушателями которой стали более 300 человек из разных университетов, институтов и организаций. Всего на событие зарегистрировались более 800 человек. Трехдневная программа включала в себя лекции и семинары.
Ученые НИУ ВШЭ показали эффективность машинного обучения при прогнозировании инфляции
Инфляция — один из ключевых показателей экономической стабильности, и точное прогнозирование ее уровня в различных регионах имеет большое значение для государства, бизнеса и домохозяйств. Татьяна Букина и Дмитрий Кашин из НИУ ВШЭ в Перми выяснили, что машинное обучение для прогнозирования инфляции превосходит классические эконометрические модели в долгосрочных прогнозах. Исследование проводилось на примере субъектов Приволжья. Результаты опубликованы в журнале HSE Economic Journal.
Ученые НИУ ВШЭ предложили модель, лучше других определяющую тематику текстов
Тематические модели — алгоритмы машинного обучения, способные сортировать большие объемы текстов по темам. Исследователи из НИУ ВШЭ в Санкт-Петербурге сравнили пять тематических моделей и определили, какие из них работают лучше. Наименьшее число ошибок показали две модели, одна из которых, GLDAW, — разработка Лаборатории социальной и когнитивной информатики НИУ ВШЭ в Санкт-Петербурге. Статья опубликована в журнале PeerJ Computer Science.
«Цель школы Spring into ML — объединить молодых ученых, занимающихся математикой ИИ»
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Университет Иннополис провели для студентов, аспирантов и молодых ученых недельную школу, посвященную применению математики в машинном обучении и искусственном интеллекте. 50 участников Spring into ML прослушали 24 доклада о машинном обучении, участвовали в тематических питч-сессиях и прошли два мини-курса по диффузионным моделям — развивающейся области ИИ для генерации данных.