Մեքենայական ուսուցման, տվյալների ու մեր օրերում, թերևս, բոլորի սիրելի «խաղալիք», «օգնական», «հոգեբան», «գործին վայիս լինող» ու կատուների դեմքերը մարդկանց դեմքեր դարձնող արհեստական բանականության մասին DataFest 2025 միջազգային համաժողովը վեցերորդ տարին անընդմեջ, սեպտեմբերի 12-13-ը անցկացվեց Երևանում։ Այս տարի 32 խոսնակ էին ներկայացնում իրենց զեկույցները։

«Հետք»-ը զրուցել է կոնֆերանսի կազմակերպիչների հետ։

- Ինչո՞վ է տարբերվում այս տարվա DataFest-ը նախորդ տարիներից։

Զավեն Նավոյան - Փորձում ենք մեծացնել խոսնակների քանակը, օրինակ, եթե անցած տարիներին երկու զուգահեռ սեսիա էր, հիմա` երեք։ Թեմաների բազմազանությունն ենք մեծացնում․ առաջ եթե մեկ-երկու հիմնական թեմա էր, հիմա մի քանի իրարից տարբերվող թեմաներ են, օրինակ՝ վերջին երկու տարին ավելացրել ենք մեքենայական ուսուցման կիրառությունը քիմիայի և կենսաբանության մեջ, դրա մասին առանձին սեսիա ունենք։

- Օգուսթին Ժիդեկի զեկույցի մասի՞ն է խոսքը, որն անցած տարի ևս այստեղ ելույթ էր ունենում, ու հետո իր թիմի աշխատանքի արդյունքը եղավ քիմիայի բնագավառում Նոբելյան մրցանակը։ 

- Այո, Նոբելյան մրցանակը ստացել է իր թիմը` Ալֆա Ֆոլդը, իսկ կոնկրետ ստացողը թիմի ղեկավարն է եղել՝ Դեմիս Հասաֆիսը՝ «Google Deepmind»-ի գլխավոր գործադիր տնօրենը (C.E.O)։ Ու դա նրանց թեմաներից ընդամենը մեկն էր,  իրենք շատ թեմաներ ունեն, օրինակ՝ Ալֆա գո-ն, որը էլի մեծ աղմուկ էր հանել։

- Նոբելյան մրցանակը սպիտակուցների կառուցվածքի կանխատեսման մասին էր, իսկ ի՞նչ է դա նշանակում հանրամատչելի լեզվով, և մարդկությունը դրանից ի՞նչ օգուտ կարող է ստանալ։

- Շատ կարևոր է իմանալ սպիտակուցների երրորդային կառուցվածքը՝ սպիտակուցների հաջորդականությունից ելնելով․ ի՞նչ է դա նշանակում։ Կենսաբանական պրոտոկոլներով հնարավոր է ցույց տալ, թե սպիտակուցը եռաչափ տարածության մեջ ինչ տեսք կունենա, որովհետև հաճախ տեսքն է, որ սպիտակուցի ֆունկցիան է պայմանավորում։ Այսինքն՝ նույն սպիտակուցը, եթե լրիվ նույն կազմվածքը ունենա, բայց ուրիշ տեսքի գա ինչ-որ պատճառով, օրինակ՝ հիվանդության դեպքում, իր ֆունկցիաները կա՛մ չի կատարի, կա՛մ լրիվ ուրիշ ձև կկատարի, որը հանգեցնում է խնդիրների։

- Մարդու մարմնի՞ սպիտակուցների մասին է խոսքը։

- Ոչ միայն մարդու, այլ, ընդհանուր առմամբ, կենդանիների, բայց եկեք ֆոկուսը վերցնենք դեռ մարդու մարմնի սպիտակուցների վրա․ դա արվում է շատ դանդաղ, այսինքն տարիներ կարող էր տևել՝ մի գիտնականի կամ մի PhD ուսանողի 3-4 տարվա հետազոտության արդյունքում մի սպիտակուցի եռաչափ ստրուկտուրան ստանալ կարողանալը։ Հատուկ ռենտգենաստրուկտուր անալիզի մեթոդներ կան, այդ պրոցեսը դրանց միջոցով է արվում, որը նաև բավականին թանկ է, իսկ դա իր հերթին դանդաղացնում է չբուժվող հիվանդությունների համար նոր դեղեր գտնելու պրոցեսը, որովհետև ոչ միշտ, բայց շատ հաճախ հիվանդությունները պայմանավորված են սպիտակուցների սխալ աշխատանքով, ու եթե դու սպիտակուցների եռաչափ կառուցվածքը իմանում ես, ավելի հեշտ է լինում ինչ-որ դեղ գտնել, որը կգնա, կկպնի այդ եռաչափ  կառուցվածքին ու վերջինիս ֆունկցիան կփոխի։

- Այսինքն մեկ պացիենտի վրա դա կարո՞ղ է աշխատել։

- Ոչ, խոսքը ոչ թե մեկ պացիենտի մասին է, այլ հիվանդության, որը շատ մարդկանց մոտ կարող է հանդիպել։ Հիմա ի՞նչ արեց Ալֆա ֆոլդը, արեց այն, որ այդ պրոցեսը կարողանում ես վայրկյանների կամ րոպեների ընթացքում անել, ոչ թե 4 տարի սպասելով ու հարյուր հազարավոր դոլարներ ծախսելով։

- Ստացվում է՝ հեղափոխական բան էր դա գիտության մեջ։

- Այո, բայց, իհարկե, պետք է հասկանալ, որ դա, ի վերջո, մեքենայական ուսուցման մոդել է, այսինքն դրա ճշգրտությունը էքսպերիմենտալի պես չէ, որոշ դեպքերում կարող է շատ մոտ լինել, որոշ դեպքերում կարող է այդքան էլ մոտ չլինել, բայց, ամեն դեպքում, եթե դու կարողանում ես շատ մեծ քանակությամբ սպիտակուցների կառուցվածքը վայրկյանների ընթացքում ստանալ, դա, այո, հեղափոխություն է կենսաբանության և բժշկության մեջ։

- Կենսաբանությունից ու քիմիայից բացի, էլ ի՞նչ թեմաներ կան Դատաֆեսթում: Բոլորին հետաքրքրում է AI, ChatGPT, այսինքն արհեստական բանականության հետ կապված թեմաները։

- Անշուշտ, ChatGPT-ի տակ ընկած տեխնոլոգիաները մեծ լեզվական մոդելներն են (LLM - Large Language Models) ու այս տարի բավականին հետաքրքիր դասախոսություններ ունենք LLM-ին նվիրված։ Օրինակ, Միխայիլ Բուրցևը պատմում էր՝ իսկ ի՞նչ, եթե վերցնենք մարդու և բոլոր կենդանիների գենետիկ ինֆորմացիան՝ փաստացի դրանք էլ են, չէ՞, տառերի միջոցով գրվում, ու եթե LLM-ները վարժեցնում ես տարբեր լեզուների, տեքստերի վրա, ի՞նչ կլինի եթե վերցնես ու լեզուների փոխարեն սովորեցնես գենոմի վրա։ Ու ցույց էր տալիս, թե ինչ հնարավոր կիրառություններ կարող են ունենալ ԴՆԹ-ի վրա սովորեցրած LLM-ները։ Դա մեծ, հեղափոխական ազդեցություն կարող է ունենալ կենսաբանության և բժշկության վրա, մասնավորապես՝ Ձեր ասած «Personalized Medicine»-ի դեպքում, երբ կոնկրետ մեկ մարդու համար է դեղը ստեղծվում։ Սովորաբար, դեղերը հիվանդության համար են ստեղծվում․ մեկի վրա մի քիչ լավ է ազդում, մյուսի վրա՝ ոչ այնքան, մեկ այլ անձի վրա ընդհանրապես չի ազդում։ 

- AI-ի ու, ընդհանուր առմամբ, մեքենայական ուսուցման մասին հնչած նոր ինֆորմացիան ինչքա՞ն ժամանակ կարող է դեռ նոր համարվել։ Եթե մի քանի տարի առաջ, պայմանական, վեց ամիսն էր դեռ նոր, հիմա այն կարող է մեկ ամսում դառնալ ժամանակավրեպ։ Որքա՞ն է ակտուալ այս կոնֆերանսում ներկայացված ինֆորմացիան։

Արսեն Եղիազարյան - Իրականում ինֆորմացիայի վերին շերտը կարող է տարուց տարի փոխվել, բայց ֆունդամենտալ, սկզբունքային գիտելիքները դանդաղ են փոխվում, զարգանում, այդ շերտում գիտելիքներն ավելի դանդաղ են ավելանում։ Հիմա, օրինակ, այն, ինչ որ GPT3.5-ով հնարավոր էր անել, այսօրվա GPT-5-ով հնարավոր է 5 անգամ ավելի շատ բան անել, բայց դրա տակ գտնվող սկզբունքները՝ ինչպես թրեյն անել LLM, ինչպիսի դատա է պետք, որոնք են բարդությունները, ինչպիսի կիրառություններ կարող են ունենալ այնպիսի անսպասելի ոլորտներում, ինչիպիսին, օրինակ, գենոմիկան է, որը նշվեց, այսպիսի բաները, միևնույն է, մնում են կարևոր, ակտուալ, դանդաղ են փոխվում։ Բացի այդ, գիտելիքը, որը մարդկանց շփման ու  ինֆորմացիայի կիսվելու ու քննարկումների ձևով հավաքվում է, կարևոր քար է դառնում հաջորդ աստիճան բարձրանալու համար։

- Կոնֆերանսի վերջում ցանցային քննարկում է լինում․ դրսի մարդկանց կարծիքով՝ մեզ մոտ ո՞նց է վիճակը՝ տեղի մասնագետները, գիտնականները, ընդհանուր վիճակն ինչիպիսի՞ն է ըստ նրանց։

Զավեն Նավոյան - Ցանցային քննարկումն ամենակարևոր կոմպոնենտներից մեկն է այս կոնֆերանսի, իհարկե, կարևոր է, որ դու ինչ-որ դասախոսություն ես լսում, սովորում ես, բայց մի այլ, շատ կարևոր կոմպոնենտ կա, դա այն է, երբ դասախոսություններից հետո շփվում ես այդ մարդկանց հետ, հարցեր ես տալիս․ քննարկումների ժամանակ միշտ ինչ-որ նոր իդեաներ են առաջանում։

Շատերը մեզ դիմում են, ասում են՝ կլինի՞ մենք օնլայն խոսենք, այսինքն չգանք հասնենք Հայաստան, մենք դրան բացասական ենք վերաբերվում, որովհետև այդ դեպքում երկրորդ կոմպոնենտը՝ ցանցային քննարկումը, դուրս է մնում։ Էլի կարող է ինչ-որ հետաքրքիր թեմաներ պատմեն օնլայն վեբինարի տեսքով, բայց այդ մթնոլորտը, որը կա քննարկումների ժամանակ մի գավաթ գինու շուրջ, չի լինում։ 

- Նաև ամեն զեկույցի վերջում լինում է Q&A՝ հարց ու պատասխան։

- Ոչ միայն դա, նաև լանչի ժամանակ են խոսում, սուրճի ընդմիջման ընթացքում։ Հաճախ լինում է, որ զեկուցողները կիրակի օրերը գնում են արշավների Հայաստանում, հետո մեր գործընկեր-ներդրողները միմյանց հետ շփվում են օֆլայն, այդտեղ էլ են հետաքրքիր գաղափարներ առաջանում։

Արսեն Եղիազարյան - Բացի դրանից, փորձում ենք այնպիսի խոսնակներ կանչել, ումից սովորելու բան, գիտելիք քաղելու ցանկություն կլինի, բացի ցանկությունից նաև կարիք էլ կլինի։ Տեսնում ենք, որ այս կամ այն ոլորտում Հայաստանում կա շարժ, ու կա գիտելիքի պակաս, հենց այդ տեսակի մարդկանց ենք հրավիրում։ Օրինակ՝ Bio ML-ը ինչո՞ւ որպես ուղղություն առաջացավ, որովհետև մենք գիտենք, որ կան կազմակերպություններ, որոնք զբաղվում են դրանով, ու այդ մարդկանցից իրապես գիտելիք քաղելու կարիք ու պահանջ կա։

- Հայտնիներից՝ «Meta»-ից ներկայացուցիչ կա՞, «Google Deepmind»-ի՞ց։

Արսեն Եղիազարյան - Նաև Hugging Face, NVIDIA, որի ներկայացուցիչը՝ Էրիկ Առաքելյանը, ի դեպ, Հայաստանից է։

Զավեն Նավոյան - Համալսարաններից ունենք խոսնակներ՝ Մյունխենի, Բրեմենի։ Հնդկաստանի Դելիի համալսարանից։ Անցած տարիներին՝ Ամազոնից։

Լինում են դեպքեր, որ երկրորդ-երրորդ անգամ են գալիս, ընկերներին են խորհուրդ տալիս։ Մի խոսնակը, բացի իրենը պատմելուց, ուրիշին է նստում-լսում։

- Հրանտ, դու ամենակտիվն ես սոցցանցերում։ Հիմա, որ գնաս տուն, ի՞նչ ստատուս ես գրելու «Datafest»-ի մասին, առաջին թարմ տպավորությունները որո՞նք են։

Հրանտ Խաչատրյան - Ահագին բազմազան բաներ տեսանք ու սովորեցինք՝ AI-ի տեսությունից մինչև ամենակիրառական՝ ով, որտեղ, ոնց է կիրառում մեքենայական ուսուցումը, կրթությունում ոնց են կիրառում, ներդրումներում ոնց են կիրառում, Picsart-ի նկարներում, դեղեր գտնելու մեջ, նոր նյութեր սարքելու մեջ ոնց են կիրառում, և թե ոնց կարելի է արհեստական բանականությունը կապել ֆիզիկայից եկող տեսությունների հետ։ 

Նաև ահագին հասկացանք, թե Հայաստանում ինչ է կատարվում, օրինակ, «Picsart»-ից պատմեցին, թե ինչ գործեր են անում, որ միջազգային կոնֆերանսներում հնչեղություն է ստանում, թե ոնց են իրենց նկարները խմբագրում կամ տեքստից վիդեոներ սարքում։ «Metric»-ը ներկայացրեց փաստաթղթերի անալիզի ուղղությամբ աշխատանքները, թե ուր են հասել, ոնց է իրենց մոդելը մի քանի ամիս աշխարհում լավագույնը եղել ինչ-որ չափանիշներով։ Ինձ ահագին տպավորեց, որ արդեն Հայաստանից դուրս եկող կոնտենտ կա։

- Երկու բառով «Yerevann»-ի մասին էլ կպատմե՞ս, որը ղեկավարում ես։

-  «Yerevann»-ը գիտական լաբորատորիա է, որը զբաղվում է արհեստական բանականության կիրառություններով, ԱԲ սարքելով քիմիայի, կենսաբանության ու ռոբոտաշինության ոլորտում ու այդ ուղղություններով երկու աշխատանք այստեղ ներկայացվեց՝ արբանյակային նկարների հետ կապված ու մի հատ էլ ռադիոյի կապի, Wi-Fi-ի ալեհավաքի թեմայով՝ թե ինչպես ԱԲ-ով կարող ես հասկանալ, թե ալեհավաքի դիրքից կախված ոնց կլինի ռադիոսիգնալը շենքի մեջ։ 

Անդրանիկ Խաչատրյան - Հրանտի նշած այդ հոդվածները շատ կարևոր են ու, ինձ թվում է, եթե օբյեկտիվ ուզենաք նայել ու հասկանալ, թե երկիրը ինչ վիճակում է՝ դա պայմանավորված է լավ տեղերում տպվող հոդվածների քանակով, որը գնալով շատանում է։ Դա շատ կարևոր է, որովհետև այդ մարդիկ, այդ հետազոտողներն են, որ հետազոտական աշխատանքներից հետո կարող են գնալ ինչ-որ ֆիրմա շատ բարձր որակավորմամբ գործ անել, նրանք նաև դաս են տալիս, հաջորդ սերնդի ուսանողներն են սովորում այդ ամենը։

Այսինքն՝ դա մի ամփոփ թիվ է, որը կարևոր է, կան լաբեր, որոնք սիստեմատիկ աշխատում են, ունեն հոդվածներ և այլն։ Դրա համար փորձում ենք դրսից ակադեմիական ոլորտի թեմաներ անպայման բերել, որովհետև դա հիշեցնում է, թե ուր է պետք ձգտել։