15 настайдаа MIТ буюу Массачусетсийн технологийн их сургуульд урилгаар орж, 21 настайдаа “Apple” компанийн IPhone гар утасны камерын хөгжүүлэлт дээр судлаачаар ажиллаж буй монгол залуу М.Баттүшиг “Анд глобал” компанийн урилгаар “Machine learning” ба таны оролцоо сэдвээр лекц уншиж, хиймэл оюун ухаан хурдтай хөгжиж байгаа энэ эрин зуунд өөрийнхөө хүссэн мэдээллийг авч, “Machine learning”-ийг өөртөө хэрхэн ашигтай ажиллаж болох талаар салбарын залуустай мэдээлэл солилцлоо. Уулзалтад ирсэн залуусын дийлэнх нь “Machine learning”, хиймэл оюун ухааны чиглэлд судалгаа хийдэг, энэ салбарт хүч сорьж өөрсдийгөө хөгжүүлэх зорилготой байсан тул уулзалтын үеэр ихэвчлэн “Machine learning”-ээр Монгол дахь ямар асуудлыг шийдэж болох, тус салбарын цаашдын хөгжил алсын хараа, дэлхийн зах зээл дээрх боломж зэргийг сонирхож байсан юм.
"Apple" компани ухаалаг утас гаргаж эхэлсний 10 жилийн ойдоо зориулан өнгөрсөн намар iPhone 8, iPhone Plus, iPhone X гэсэн гурван шинэ бүтээгдэхүүнээ танилцуулсан. Тэгвэл ухаалаг утасны цоо шинэ эриний эхлэл болсон iPhone X утасны камерны хөгжүүлэлт дээр М.Баттүшиг ажиллажээ.
Ингээд 21 насандаа дэлхийн технологийн салбарын акул "Apple"-д ажиллаж буй М.Баттүшигийн яриаг тоймлон хүргэж байна.
Үнэтэй цагаа зориулан миний яриаг сонсохоор ирж байгаа залууст зүгээр нэг интернетэд байгаа мэдээллийг ярихыг хүсэхгүй байсан. Тийм болохоор би юу ярих вэ гээд их бодсон. Тэгээд эцэст нь өөрийнхөө тухай ярихыг хүссэн. Миний талаарх мэдээлэл интернетэд байхгүй, дээрээс нь “Machine learning”-ийн чиглэлд судалгаа хийж байхдаа миний олж мэдсэн туршлагыг хэн ч мэдэхгүй, би өөрөө л сайн мэднэ.
Миний хувьд MIТ-ийн InfoLab-д судлаачаар ажиллаж байгаа. Холоос камераар дарсан зурган дээр хүний гар ямар хөдөлгөөн хийж байгааг мэдэх, таних боломжгүй байдаг. Үүнийг “Machine learning” ашиглан хэрхэн таниулах алгоритм дээр ажиллаж, мастераа хамгаалсан. Үүний үр дүнд энэ судалгаа маань өвчтөнүүдэд тэр дундаа эрүүл мэндийн салбарт маш хэрэг болсон. Учир нь өвчтөнүүдийн дархлалын систем муу байдаг болохоор эмчийн гараар дамжин биедээ халдварладаг. Хүүхдийн эмнэлгүүдэд гэхэд энэ төрлийн халдвар нийт өвчлөлийн нэлээдгүй хувийг эзэлж байдаг. Үүнийг шийдэхийн тулд хүний гарын хөдөлгөөнийг камераар харж, тухайн эмч өвчтөний биед хүрсэн үү, хүрсэн бол гараа угаасан уу зэргийг нягталж харах шийдэл хэрэгтэй юм. Миний хувьд энэ чиглэлд судалгаа хийж, үр дүнд нь маш олон эмнэлгүүд сонирхсон.
Инженер хүний хувьд жижигхэн асуудлын шийдлийг олчих юм бол дараагийн боломжууд нээгдээд явдаг юм билээ. Өнгөрсөн зун “Apple” команийн iPhone гар утасны камерын хөгжүүлэлт дээр ажилласан. Тодруулбал, iPhone X утасны камерын хөгжүүлэлт дээр ажиллан, тус утасны хоёр камераар зураг авангуут 3D ээр орчныг бүрдүүлэх боломжтой шийдэл дээр багийнхантайгаа ажилласан. Тухайн камераар зураг авах үед орчинд нь байгаа зүйлүүд тухайлбал, ширээ наана байх уу, цаана байх уу гэдгийг тохируулж, гаргадаг алгоритм дээр ажилласан. “Apple” команийн iPhone гар утасны зөвхөн камерын хөгжүүлэлтийн багт гэхэд 80 орчим доктор, профессор ажилладаг. Би ганцаараа доктор биш, дээрээс нь хамгийн залуу нь. Цаашдаа ч гэсэн энэ багтаа ажиллах төлөвлөгөөтэй байгаа.
Маш олон удаа оролдож, бүтэлгүйтэж, туршиж үзсэн хүнийг сайн инженер гэдэг
“Machine learning” гэдгийг энгийнээр тайлбарлавал хүний амьдралыг хялбарчлах, инженерийн ажлыг хөнгөвчилдөг шийдэл гэж би ойлгодог.
“Мянган бээрийн аялал нэг алхмаас эхэлдэг” гэдэг үгэнд би дуртай. Миний хувьд MIT –д хоёрдугаар курст байхдаа “Machine learning”-ийн хичээлийг судалж эхэлсэн. Энэ үедээ долоо хоногт хоёр цагийн хичээл аваад “Machine learning”-ийн үндсэн ойлголтуудын 70 хувийг тэр хичээлээс авсан. “Machine learning”-ийг сурна гэвэл тийм хүнд биш. Заавал MIT –д сурах ч шаардлага байхгүй. Интернетээр MIT-аас эхлээд томоохон сургуулиудын нээлттэй хичээлүүд бүгд бий. Сурах хүсэл тэмүүлэл байгаа бол та гэртээ сууж байгаад ч сурах боломжтой.
Гэхдээ онолоор дамжуулан “Machine learning”-ийн тухай суурь ойлголтуудыг авч болох ч түүнээс илүү чухал, хамгийн сайн сурах ёстой зүйл бол дата цуглуулах процесс. “Machine learning” хийх нь 10 хувь, үлдсэн 90 орчим хувь нь дата цуглуулах процесс байдаг. Дата цуглуулах үед жаахан уйтгартай, хэцүү. Гэхдээ өөрөө түүндээ дуртай бол уйтгартай, хэцүү санагдахгүй гэж бодож байна. “Machine learning”-ээр асуудлыг шийдэхэд үндсэн энгийн ойлголтоос гадна датан дээр ажиллахад асар их цаг, хичээл зүтгэл шаарддаг. Дата цуглуулаад моделио ажиллуулаад юу нь буруу байгааг мэдэхэд асар их туршлага хуримтлуулж байдаг. “Machine learning”-ийн сайн инженер гэж хэнийг хэлэх вэ гэвэл маш олон удаа оролдож, туршиж үзсэн хүнийг хэлнэ.
Боломж хаа сайгүй байдаг, хамгийн гол нь харах нүдээ нээх хэрэгтэй
Хоёрт, хамгийн чухал зүйл бол “Machine learning”-ийн сэтгэлгээ гэж хэлмээр байна. Том дата, том асуудлыг хараад үүнийг хэрхэн “Machine learning”-ээр шийдэж болох вэ, “Machine learning” ашиглан ямар асуудлыг шийдэж болдог вэ гэдэг үндсэн ойлголт, түүнийг харах өнцөг, сэтгэлгээ чухал юм. Үнэхээр “Machine learning”-ээр шийдэж болох асуудал мөн бол оролдоод үзэх хэрэгтэй.
Боломж бол хаа сайгүй байна. Гэхдээ боломжийг олж, харах өөрийнхөө алсын харааг хөгжүүлэх нь чухал. Тэр дундаа “Machine learning”-хийнэ гээд явах юм бол маш олон асуудал, түүнийг шийдэх санаа бий. Амьдрал дээр асар олон проблем байдаг. Асар олон датаг vision-тэй л байх юм бол хийж болно, асуудлыг шийдэж болно. Тухайлбал, Улаанбаатарт ирээд хамгийн түрүүнд олж харсан зүйл түгжрэлийн асуудал. Түгжрэлийг “Machine learning”-ээр шийдэж болох уу гэж бодсон. Эрчим хүчний датаг цуглуулаад, трансформаторын хүчин чадлын төвлөрлийг цэгцэлж, эрчим хүчний ачааллыг тогтворжуулах боломжтой. Гэхдээ энэ нь түгжрэлийг 100 хувь багасгаж чадах шийдэл биш л дээ. Тэгэхээр боломж хаа сайгүй байна, хамгийн гол нь харах нүдээ нээх хэрэгтэй.
Шинэ санаа, шийдэж болох боломжийг олж харахад заавал танд “Machine learning”-ийн, математикийн, компьютерийн асар өргөн мэдлэг хэрэггүй. “Machine learning” гэдэг бол код яаж бичих вэ биш, хүний хөдөлмөрийг яаж хөнгөлөх вэ гэдэг “mind set” л байдаг.
Зөв зүйлийг хийхэд хэзээ ч оройтдоггүй. Тэгэхээр өөрөө дуртай, тухайн зүйл нь үнэхээр ирээдүйтэй байх юм бол одоо ч гэсэн хамаагүй эхэл.
