نام: آپالا گوها
عنوان: مهندس نرم افزار در مایکروسافت
مکان: ردموند، واشنگتن، ایالات متحده
تحصیلات: لیسانس علوم کامپیوتر از دانشگاه جادوپور. کارشناسی ارشد، مهندسی کامپیوتر از دانشگاه ویرجینیا؛ دکتری، مهندسی کامپیوتر از دانشگاه ویرجینیا
ناحیه مورد علاقه ML: بهینه سازی عملکرد در استنتاج هوش مصنوعی
آپالا گوها یک مهندس ارشد کامپایلر یادگیری ماشین در Lightmatter، یک استارت آپ در منطقه بوستون است. قبل از آن، او یک دانشمند کامپیوتر بود که همیشه به یادگیری عمیق علاقه داشت. هنگامی که او شغل قبلی خود را در ابتدای سال 2020 رها کرد تا بچه دار شود، از "زمان مرخصی" استفاده کرد و Deep Learning Specialization را انتخاب کرد. او با ما در مورد اینکه چگونه در حین مراقبت از یک نوزاد وقت پیدا کرد تا به یادگیری ادامه دهد، چگونه دانش او از هوش مصنوعی در طراحی تراشه های کامپیوتری کمک می کند و چرا تخصص یادگیری عمیق به او کمک کرد تا برای اولین بار احساس ارتباط عاطفی با حرفه خود کند.
قبل از شروع به کار در زمینه هوش مصنوعی در حرفه خود چه می کردید؟
آپالا گوها : من در علوم کامپیوتر، دکتری دارم. در اینتل و به عنوان محقق برای چندین دانشگاه کار کرده ام. در ابتدا، کار من ربطی به هوش مصنوعی نداشت، اما به مرور زمان هوش مصنوعی مطرح شد و در نهایت، تمرکز ما به ساختن سیستم‌های مخصوص هوش مصنوعی معطوف شد. برای مدتی می‌خواستم Specialization را بگذرانم، اما فرصتی نداشتم تا اینکه بلافاصله بعد از شروع همه‌گیری، بعد از بچه‌ام در خانه ماندم.
چگونه توانستید در این دوره شرکت کنید و در عین حال از یک نوزاد تازه متولد شده نیز مراقبت کنید؟
آپالا گوها: درست قبل از بچه دار شدن کارم را رها کرده بودم، بنابراین مراقبت از آن شغل تمام وقت جدید من بود. اما من کمی نگران بودم که در آن مدت با کار بی ارتباط باشم و به این فکر می کردم که چگونه از اوقات فراغت خود به طور مؤثر استفاده کنم. خوشبختانه، مطالب در Specialization به صورت لقمه های کوچک تحویل داده شد، که تمام چیزی بود که من داشتم. بله، مراقبت از نوزادان تازه متولد شده یک شغل تمام وقت است، اما آنها نیز زیاد می خوابند. من کنترل زمان و مدت زمان خواب کودک را نداشتم، اما ذهنیتی در من ایجاد شد که می توانم این برنامه نامشخص را دور بزنم. بچه چرت می زد، من کمی پیشرفت می کردم و این کار را روز به روز ادامه می دادم.
با توجه به تجربه قبلی شما در زمینه علوم کامپیوتر، چرا لازم دانستید که در رشته تخصصی شرکت کنید؟
آپالا گوها: من بیشتر دوران حرفه ای خود را از دیدگاه سیستم صرف کرده ام. من همچنین علم داده تدریس می کردم، اما عمدتاً بر روی داده کاوی تمرکز کردم. من هرگز روی چیزی صرفاً یادگیری ماشینی کار نکرده بودم، و احساس کردم که اکنون زمان مناسبی برای انجام این کار است. من در حال ساختن سیستم هایی برای یادگیری ماشین بودم و احساس می کردم که حتی می توانم از یادگیری ماشینی برای کمک به ساخت سیستم استفاده کنم. به نظر می رسید این بالاترین اولویت چیزی بود که در آن زمان می توانستم یاد بگیرم.
پس از پایان مرخصی زایمان، یافتن کار برای شما چقدر چالش برانگیز بود؟
آپالا گوها: هیچ مشکلی نداشت. با سه شرکت مصاحبه کردم و دو پیشنهاد شغلی گرفتم. این اولین کار من بعد از بچه دار شدن و استراحت طولانی بود، اما مصاحبه های من خیلی راحت پیش رفت. من بسیاری از آن ها را به اصول صحیح در یادگیری عمیق نسبت می دهم که می توانستم در مدت زمان کوتاهی به دست بیاورم.
در مورد نقش فعلی خود کمی بیشتر توضیح می دهید؟
آ.گ: من در یک استارت آپ مستقر در بوستون به نام LightMatter کار می کنم که شتاب دهنده های استنتاج یا inference هوش مصنوعی را با استفاده از رایانه های نوری می سازم که از نور به عنوان سیگنال به جای برق استفاده می کنند. این کاری است که ما در سطح سخت افزار انجام می دهیم. در سطح برنامه، ما هوش مصنوعی و در درجه اول یادگیری عمیق را هدف قرار داده ایم. سه سال است که وجود دارد و من شش ماه است که اینجا کار می کنم. در مورد نقش خاصم، من در تیم کامپایلر هستم. کار من این است که مثلاً یک شبکه یادگیری عمیق را که با PyTorch یا TensorFlow نوشته شده است بگیرم و آن را به سخت افزار خود منتقل کنم. بنابراین من باید درک خوبی از اصول یادگیری عمیق داشته باشم، و Specialization به من کمک کرد تا این شغل را پیدا کنم.
آیا جنبه‌هایی از تخصص وجود داشت که به نظر شما تأثیرگذار بود؟
آ.گ: از دیدگاه من، من می خواهم کاربر هوش مصنوعی باشم اما احتمالاً نوع جدیدی از معماری را اختراع نمی کنم. این عالی بود که دقیقاً آنچه را که نیاز داشتم به من ارائه داد و چیزهایی را که نداشتم کنار گذاشت. به عنوان مثال، مطالب بدون عمیق‌تر شدن ریاضیات، چیزهایی را توضیح می‌دهند، چیزی که در چنین لقمه‌های کوتاهی برای من سخت بود. من در موارد سطح بالا می‌دانم که چرا Resnet اتصالات را نادیده می‌گیرد یا اینکه چگونه YOLO بدون گرفتار شدن در جزئیات دقیق هر چیز کوچک، تشخیص تک‌شات را انجام می‌دهد. اندرو معلم بزرگی است، و او در توضیح مفاهیم با ارتباط دادن آنها با چیزهایی که قبلاً درک کرده ایم، کار فوق العاده ای انجام داد.
آیا راه هایی وجود دارد که Specialization به شما در کارهای روزمره کمک می کند؟
آ.گ: قطعا به دنبال کردن سریع پروژه های من کمک می کند. برای ساختن این سیستم های کامپیوتری لزوماً به درک یادگیری عمیق نیاز ندارید، اما زمان زیادی طول می کشد. من یا از قبل در مورد شبکه هایی که در پروژه هایم روی آنها کار می کنم می دانم، یا می توانم برای آشنایی با خودم بروم و سخنرانی ها را مرور کنم. نیازی نیست روزها یا هفته ها را برای درک نحوه انجام کاری یک شبکه تسریع کنم. به عنوان یک استارتاپ، ما افراد زیادی نداریم، بنابراین صرفه جویی در زمان بسیار مهم است.
در حال حاضر نسبت به قبل از شروع تخصص چقدر از شغل خود راضی هستید؟
آ.گ: قبل از گذراندن دوره، من یک دانشمند کامپیوتر بودم و همیشه با سیستم های کامپیوتری کار کرده ام. اما من برای پیدا کردن برنامه ای که بتوانم با آن ارتباط برقرار کنم به سختی تلاش کردم. از زمانی که به کار برگشتم و کامپیوترهایی را به طور خاص برای هوش مصنوعی طراحی کردم، نسبت به کاری که انجام می‌دهم اشتیاق بیشتری پیدا کردم زیرا احساس می‌کنم با آنچه در جامعه می‌گذرد مرتبط هستم. برای مثال، اگر تشخیص چهره در اخبار باشد، احساس می‌کنم با بحث مرتبط هستم زیرا سیستمی که من می‌سازم تشخیص چهره را انجام می‌دهد. من نسبت به این مسائل بسیار علاقه مند هستم زیرا آنها مستقیماً به من مربوط می شوند.
