«Я МЕЧТАЛ ОБ ИНТЕРЕСНОЙ ЖИЗНИ»

Николай Кобышев

Интервью с создателем стартапа, перевернувшего авиаиндустрию с помощью компьютерного зрения

Искусственный интеллект, технологии будущего, компьютерное зрение – эти футуристичные слова приносят сумасшедшую популярность SciFi фильмам. С интересом и некоторым волнением мы смотрим Black Mirror, представляя, как компьютеры изменят наше будущее и какая роль в нем будет отведена нам самим. Тем временем кто-то создает это будущее прямо сейчас и меняет целые индустрии, находясь буквально в соседнем доме.

Николай Кобышев – доктор компьютерных наук, выпускник ETH Цюрих, создатель стартапа Assaia International AG, член совета директоров компании Spectando. Несколько лет назад он переехал из России в Швейцарию, чтобы учиться в ведущем вузе, а сегодня он управляет инновационным бизнесом мирового масштаба. В этом интервью Николай рассказывает о том, почему алгоритмы надежнее людей, как образование мешает успеху, зачем авиакомпании экономят на оливках, и стоит ли бояться технического прогресса.

Что повлияло на твой выбор профессии?

Когда мне было 15, я мечтал об интересной жизни — такой, чтобы спустя пару десятилетий не пожалеть о своем выборе.  Мне всегда нравились компьютерные технологии. Я считал и считаю до сих пор, что это не только очень перспективная профессия, но и действительно полезное для общества направление, которое объективно меняет наш мир. Кроме того, мне нравилась математика и логичность ее применения в компьютерной сфере: ты вводишь формулу, даешь команду, и компьютер в точности выполняет ее. С такой мотивацией я поступил в Санкт-Петербургский Политех на факультет технической кибернетики. Параллельно с этим я также получал бакалавра экономики.

Почему ты переехал в Швейцарию?

Заканчивая бакалавриат, я не очень понимал, что делать дальше. Мои оценки были лучше, чем у других, а вот на карьерные перспективы это никак не влияло. Работодателям гораздо важнее опыт человека, чем его успеваемость в институте. Реализовать академическое преимущество можно было лишь одним способом – продолжить учебу, попытавшись поступить в топ-вуз. Поэтому я подал документы в разные европейские вузы. Все сложилось наилучшим образом: я поступил в магистратуру ETH и даже получил Excellence Scholarship and Opportunity Award, которая является своего рода грантом и предоставляет стипендию.

Я рад, что получил хорошее образование. При этом я считаю, что само по себе образование достаточно бесполезно в жизни.

Оглядываясь назад, можешь сказать, что ETH был правильным выбором?

Наверное, да. Я говорю «наверное» потому, что мне не с чем сравнить. Я рад, что получил хорошее образование. При этом я считаю, что само по себе образование достаточно бесполезно в жизни. Да, оно развивает способность работать и дает глубокое понимание твоей темы. Но вот акедемические знания, вполне возможно, не так и важны. Есть масса примеров людей, которым отсутствие образования не помешало стать крайне успешными – например, всем известные Цукерберг, Гейтс, Джобс. Более того, академический путь иногда даже мешает: конечно, ты развиваешься, учишься логически думать, но при этом ты упускаешь время.

Понимая, что долгое образование – совсем не обязательное условие для успеха, ты все же пошел еще дальше и поступил на PhD. Это серьезный шаг, что тебя к этому сподвигло?

На самом деле, PhD представляется мне менее категоричным путем, чем работа сразу после получения диплома, потому что он не лишает тебя выбора. Напротив, он дает отличную возможность заниматься чем-то интересным и нужным, не закрывая карьерные двери и не сжигая мосты. Так, после окончания PhD я мог бы работать программистом, или пойти в бизнес, или заниматься научными исследованиями – то есть горизонты становятся шире.

В моем случае было так: окончив магистратуру, я понимал, что у меня достаточно хорошая ситуация — я уже жил в Швейцарии, успешно отучился и точно знал, что смогу найти работу по специальности. Но, как и много лет назад, мне хотелось, чтобы карьера была чем-то нетривиальным. Кроме того, у меня была детская мечта заниматься наукой, получить глубокие знания в какой-то области. Мне хотелось удовлетворить это любопытство, и я рад, что сделал это по полной.

На чем ты специализировался во время PhD?

Уже начиная с магистратуры я изучал компьютерное зрение. Тогда я выбрал это направление просто потому, что оно казалось мне интересным и перспективным. В итоге специализация мне действительно понравилась, поэтому я продолжил работать над ней во время PhD. А спустя год после начала моей докторантуры случился абсолютнейший бум компьютерного зрения: появились глубокие нейронные сети, которые перевернули индустрию и позволили серьезно задуматься над применением компьютерного зрения в широких областях.

Говоря простыми словами: что такое компьютерное зрение?

Это компьютерное декодирование визуальной информации, скажем так. Есть задачи, которые решались с его помощью уже достаточно давно. Самая классическая из них – штрих-код, символы которого компьютер понимает очень хорошо. Потом был достаточно большой успех с распознаванием индексов на конверте и автомобильных номеров. Затем появились хорошие способы распознавания лиц, что позволило добавить в фотоаппараты функцию автофокуса на лицах. Но при этом задачи, которые звучат супертривиально для человека – например, отличить фотографию цветка от фотографии собаки, – были невыполнимы для компьютера примерно до 2012 года. Именно тогда глубокие нейронные сети вывели компьютерное зрение на новый технологический уровень.

Как работают глубокие нейронные сети?

Компьютерные нейронные сети работают так же, как человеческий мозг, насколько он изучен сегодня. Сеть состоит из огромного множества связанных друг с другом искуственных нейронов, которые постоянно и самостоятельно обучаются тому, при каких электрических сигналах им возбуждаться, а при каких нет. Например, один нейрон оценивает яркость небольшой группы пикселей изображения и возбуждается, если она становится выше определенного значения, либо бездействует при показателях ниже этой границы. Внутри сети есть миллионы нейронов, которые взаимосвязаны и активизируются в зависимости от активности их соседей. На выходе есть последний нейрон, который возбуждается, если на картинке изображен цветок, и не возбуждается, если на нем собака.

Изначально нейронные сети запрограммированы только на то, какой нейрон говорит с каким. А вот то, когда он будет или не будет слушать предыдущий нейрон, является частью обучения. Таким образом, нейроны самостоятельно пытаются найти максимально эффективный способ решения поставленной задачи. При тренировке в нейронную сеть загружаются большие объемы данных для анализа. Чем больше вводных данных получит сеть, тем лучше она будет работать и тем более точных результатов сможет достичь. Все это и является искусственным интеллектом на примере нейронных сетей.

Если есть неопровержимые доказательства того, что машина работает лучше человека, я бы абсолютно точно лучше доверял машине.

С безобидной сортировкой картинок понятно. А как думаешь, достаточно ли совершенны современные системы, чтобы люди могли полагаться на них при принятии действительно серьезных решений?

Резонансными обычно становятся истории именно об ошибках алгоритмов. Такие, как сеть, распознавшая женщину как гориллу; или сеть, определявшая невиновных людей как преступников. Однако очень важно понимать, что сеть не хочет никого обидеть, она работает на основе тех данных, которые в нее загрузили. Если вводные данные были недостаточными или некорректными, сеть только повторит их и усилит человеческие ошибки. Это очень похоже на детей, воспитываемых плохими родителями.

Я считаю, что доверие алгоритмам – вопрос получения знаний. Если есть неопровержимые доказательства того, что машина работает лучше человека, я бы абсолютно точно лучше доверял машине. То есть если система распознает раковые опухоли по скану лучше, чем человек, я буду настаивать, чтобы мои сканы исследовала машина. Просто потому, что при таком выборе у меня будет больше шансов выжить.

А как ты относишься к пугающей многих идее внедрения компьютерного контроля в повседневную жизнь – например, такого, как система социального рейтинга в Китае?

С одной стороны, я вижу определенные положительные стороны такого похода: например, если эта система поможет отслеживать и ловить преступников. Но жить в таком обществе я бы хотел только при условии, что я на 100% доверяю автору этих технологий. Думаю, правда, что такого не будет никогда ни в одном обществе.

Если же говорить о технических инновациях в целом, то я, конечно, всегда на стороне прогресса. Я понимаю, что часто неизвестность пугает людей, но думаю, что точка невозврата пройдена. Технологии стремительно меняют мир, делают его проще и доступнее. Сегодня ты знакомишься через Tinder, общаешься через Facebook, едешь домой на Uber, звонишь через WhatsApp в любую точку мира. Конечно, у этого есть как плюсы, так и минусы, но все же технология приносит слишком много пользы, поэтому бояться или сдерживать ее развитие не имеет смысла.

Ты лично активно участвуешь в развитии технологий уже много лет. Расскажи, какие проекты ты создавал?

Да, я всегда старался заниматься чем-то параллельно с учебой. Сначала мы делали хакатон HackZurich в Цюрихе ‑ это соревнование для программистов, где им дается 48 часов на то, чтобы придумать идею и воплотить ее в прототипе. Такой формат очень помогает креативному процессу, который часто блокируется в повседневной жизни. Поскольку обычно, если ты хочешь создать хороший продукт, тебе нужно делать его качественно. Разработка занимает много времени, а насколько нужен сам продукт – неизвестно. В режиме Хакатона ты заранее говоришь: я делаю тяп-ляп, из палок, из пластилина, просто чтобы прототип как-то работал. Это способствует генерации интересных идей.

Также уже во время учебы я создал свой первый самостоятельный проект – компанию Spectando, которая занимается виртуальной реальностью для визуализации недвижимости. Идея в том, что когда ты ищешь квартиру, поездки на просмотры отнимают массу времени. Мы же предлагаем посмотреть виртуальные аналоги квартир, чтобы сузить фокус выбора и сразу определить, куда ты точно хочешь съездить, а какие варианты тебе не интересны. Сегодня Spectando находится в стабильном состоянии и имеет определенное количество клиентов. Я все еще вхожу в совет директоров компании.

Твой основной бизнес сегодня – компания ASSAIA. Когда и как появилась идея о ее создании?

В октябре 2017 я заканчивал PhD и понимал, что в дальнейшем хочу заниматься именно компьютерным зрением. Это желание разделил со мной мой давний друг Дмитрий, с которым мы уже делали несколько совместных проектов, и наш бизнес-партнер Макс. Мы верим в компьютерное зрение и в то, что оно может радикально изменить конкретные индустрии. Поэтому мы решили вместе создать компанию, предлагающую эту технологию.

На какой именно индустрии фокусироваться, мы тогда не знали, но сразу ориентировались на B2B рынок. Чтобы определиться с направлением, мы предлагали разные продукты и просто исследовали рынок в целом, пытаясь найти, где мы можем быть полезны.

Мы говорим об индустрии, где American Airlines сэкономили 40 тысяч долларов в год, всего лишь уменьшив количество оливок на одну в обеде пассажиров первого класса.

То есть вместо того чтобы разработать продукт и начать предлагать его бизнесу, вы сделали наоборот: спросили у компаний, что им нужно, и на основании этого разработали решение?

Да, и все последующие бизнесы я буду делать точно так же, потому что это более устойчивая модель. Для сравнения, компанию Spectando мы строили, основываясь на идее. Оглядываясь назад, я понимаю, что в течение всего времени разработки продукта мы пытались убедить себя в том, что он нужен рынку. Сейчас я считаю, что правильнее – найти, в чем потребности рынка, и на этом основании создать целевой продукт.

Как вы анализировали рынок, чтобы найти свою нишу?

Мы действовали стандартными методами: организовывали воркшопы с клиентами, а также просто звонили в компании, пытаясь понять, в каких решениях есть потребность; потом придумывали определенный продукт и смотрели, насколько хорошо он продается.

Все это в конечном итоге вывело нас на авиаиндустрию. Сложилось большое количество факторов, показавших нам, что у этого рынка есть высокая потребность в оптимизации. Во-первых, это измеряется в субъективных вещах: насколько быстро тебе отвечают на письма, сколько огня в глазах у людей. Но и объективные сигналы, разумеется, тоже подтверждают наличие проблемы. Ведь мы говорим об индустрии, где American Airlines сэкономили 40 тысяч долларов в год, всего лишь уменьшив количество оливок на одну в обеде пассажиров первого класса. Не нужно сложного анализа, чтобы заметить, что максимальная экономия на процессах крайне необходима для выживания на этом рынке.

Над оптимизацией каких процессов работаете вы?

Пока мы концентрируемся на обороте (turnaround) – это все, что происходит с самолетом после приземления в аэропорту. Сейчас это настоящий черный ящик: практически никто не знает точно, что именно происходит с самолетом, и как это контролировать. А понимать это критически важно, потому что любая нестыковка может привести к задержке вылета, что приносит колоссальные убытки.

Второй аспект – проблемы с безопасностью. На взлетном поле часто происходят всевозможные инциденты: от ситуаций, когда забывают загрузить багаж, до физических столкновений самолетов. И наконец, есть сложности с пропускной способностью аэропортов. Количество перелетов возрастает, по прогнозам оно удвоится в ближайшие 20 лет. А емкость аэропортов остается прежней, поскольку физически разрастить аэропорт – очень сложное решение. Поэтому часто единственным способом увеличения пропускной способности аэропорта становится повышение эффективности его внутренних процессов.

Именно в этом я вижу красоту работы с данными: ты можешь менять текущие индустрии не с помощью новых механизмов, а просто оперируя данными.

Какой продукт предлагает ASSAIA, какие проблемы помогает решить?

В первую очередь, мы позволяем без добавления сложных сенсоров, а просто с помощью установленной видеокамеры получить очень четкую картину того, что происходит с самолетом во время оборота: когда он приехал, когда начали выходить пассажиры, когда началась уборка, заправка, подключение электричества и еще сотня вещей. Это не преувеличение: список параметров, которые мы можем контролировать, включает 110 показателей. Такая система мониторинга позволяет принимать более правильные решения при координации.

Во-вторых, мы предлагаем систему поддержки принятия решений, которая советует диспетчерам, на какой самолет обратить больше внимания, какой рискует задержаться. Мы преследуем три цели: повысить эффективность, безопасность и экологичность оборота самолетов в аэропорту.

Как именно задействован искусственный интеллект в вашей системе?

Решение на 100% завязано на искусственном интеллекте, который работает здесь на двух уровнях. С одной стороны, наша система компьютерного зрения, точно как на примере с собакой и цветком, смотрит на картинку самолета и определяет, что с ним происходит в данный момент. С другой стороны, у нас есть система, которая понимает, как в целом работает аэропорт, и умеет предсказывать, что произойдет с ним через полчаса, час и так далее. Ее точность уже сейчас выше человеческой, и она оптимизируется каждый день.

Кто ваши основные клиенты?

У нас есть три ключевых типа покупателей: аэропорты, которые хотят улучшить свою пропускную способность и эффективность; авиакомпании, которых интересует примерно то же самое; и хэндлеры – компании, занимающиеся непосредственно операциями (загрузкой багажа, пассажиров и проч.). Все они выигрывают от большей прозрачности и предсказуемости действий.

Наша система универсальна, подходит для любых аэропортов и компаний, технические требования для подключения минимальны: необходимо лишь установить камеру, которая будет видеть самолет.

Есть ли у вас конкуренты?

Насколько нам известно, мы единственная компания в мире, которая занимается системами искусственного интеллекта исключительно для аэропортов. Это достаточно нишевый продукт, и мы верим, что такое решение – делать качественный продукт для конкретных клиентов, – является оптимальным.

Какие у вас планы на ближайшие 5-10 лет?

Мы уже вышли на мировой уровень, а в планах роста — стать мировыми лидерами. Я думаю, у нас есть такой шанс, поскольку мы работаем в конкретной нише и хорошо выполняем свою функцию. Поэтому я могу быть достаточно оптимистичным и ожидать, что в будущем наша система будет по умолчанию ставиться во все аэропорты.

Кроме того, мы стремимся еще лучше понять, как функционирует аэропорт, чтобы связать все технические системы в одну. Это позволит не только получать кристально четкую информацию обо всех процессах, но и предсказывать развитие событий при изменении тех или иных параметров. Чем большее количество данных может анализировать система, тем больше выигрывают ее пользователи для оптимизации работы. Это одно из приоритетных направлений нашего развития.

А каким ты видишь будущее авиаиндустрии в целом? Каких изменений стоит ожидать?

Сегодня в авиаиндустрии есть определенные экологические проблемы, над решением которых наверняка будут работать в ближайшие десятилетия. Кроме того, будет стремительно расти количество самолетов, что потребует еще большей оптимизации всех процессов. На самом же деле я очень рад тому, что индустрия будет разрастаться. Я считаю, что сети, объединяющие людей, очень важны для развития общества. Главная сеть – конечно, интернет; но физическая транспортировка людей и предметов тоже играет колоссальную роль.

Может ли случиться, что самолеты устареют и им на смену придет принципиально новый вид транспорта?
Я не думаю, что в ближайшие 10-20 лет самолеты устареют. Нет никаких причин для появления радикально новых технологий. Авиаиндустрия – достаточно консервативный рынок, это можно увидеть по истории ее развития: так, 20 лет назад самолеты не сильно отличались от сегодняшних. К слову, именно в этом я вижу красоту работы с данными: ты можешь менять текущие индустрии не с помощью новых механизмов, а просто оперируя данными.

Как изменится международный обмен данными – станет ли он более открытым?

Появление сети интернет уже сделало обмен данными беспрепятственным между всеми людьми мира. Сложнее, конечно, с чувствительными данными – ими никто не хочет делиться, но все хотят получать синтезированные из них знания. В этом смысле машинное обучение – хороший компромисс, потому что сырые данные сами по себе никому не интересны; интересно то, что из них можно сделать. Если есть машина, которая абсолютно безлично, без корыстных интересов анализирует данные и выводит знания, которые полезны для всех, то это здорово. И это действительно сильно способствует развитию человечества.

Что ж, пусть человечество развивается! Спасибо тебе за интервью и успехов во всех проектах!

Добавить комментарий