«Работа с ИИ - далеко не только про обучение моделей. Это решение целого спектра инженерных задач»
Кейс 1. Дообучение модели – комплексная задача
Осенью ко мне обратились коллеги из АНО "Наука и образование" (некоммерческая организация, г. Пенза) — они занимаются профилактикой вредных привычек. Им нужен был сервис для подростков: пользователь загружает свою фотографию, а система показывает, как он будет выглядеть через 20 лет при сохранении вредных привычек. Ранее они пытались реализовать идею в другой региональной организации, но безуспешно. Мы решили попробовать.
В качестве дипломного проекта задачу взял мой магистрант Артём Готовцев. Суть задачи состоит в том, чтобы наложить возможные будущие возрастные изменения на фото подростка с учетом последствий вредных привычек. Задача оказалась непростой: прежде всего, не хватало подходящих данных. Нужны были наборы снимков одного человека в разном возрасте, чтобы модель училась трансформировать именно индивидуальные черты. Собрать такой датасет сложно, особенно с фокусом на подростковый возраст.
Для решения мы сделали упор на открытые модели: НКО предоставила вычислительные ресурсы (сервер на базе Яндекс Облака), но оплачивать токены для коммерческих моделей организация не могла. Мы собирали и обрабатывали открытые данные, в том числе с помощью краулеров, фильтровали и комбинировали датасеты. В итоге применили технологию низкорангового дообучения (LoRA): на небольшом наборе данных мы дообучили большую предобученную модель, перенаправив её общие знания на решение узкой задачи. Так удалось сохранить качество при ограниченных ресурсах.
Отдельный инженерный вызов — оценить результат. Как понять, насколько «правдоподобен» прогноз внешности через 20 лет? Эталонных ответов нет: нельзя точно знать, как конкретный человек будет выглядеть в будущем. Поэтому тестирование тоже стало частью инженерной задачи: нужно было сформировать репрезентативную выборку и выработать критерии оценки реалистичности. Прототип мы развернули на выделенном сервере и передали коллегам.
Этот проект — хороший пример того, как студенты решают прикладные инженерные задачи с ИИ: от сбора и подготовки данных до выбора архитектуры обучения и валидации результата.
Выпускник программы магистратуры "Прикладные модели искусственного интеллекта" Артем Готовцев: "Для меня особенно важно, что этот проект имеет не только исследовательскую, но и реальную социальную ценность. Современные методы персонализированного редактирования изображений позволяют по-новому говорить с подростками о последствиях вредных привычек — не через абстрактные предупреждения, а через наглядный и личный образ возможного будущего. Здорово видеть, что развитие науки и технологий помогает искать новые подходы к таким сложным общественным проблемам."
Андрей Панферов, ведущий специалист АНО "Наука и образование": "Этот проект для нас — важный этап выстраивания эффективной, понятной и интересной профилактики употребления детьми и подростками психоактивных веществ. Нам было приятно работать с ответственными и мотивированными на получение реального результата людьми. А сравнить есть с чем, так как предыдущая команда из другого вуза подошла к реализации формально".
Кейс 2. Сжатие и перенос модели. Поиск разумных компромиссов.
Другой показательный кейс - работа с крупным агрохолдингом. Там стояла задача оценки качества грядок сои. Задача - нетривиальная сама по себе из-за сложности и нерегулярности геометрии - осложнялась качеством и объемом исходного банка данных. Протестировали несколько подходов: детекция, сегментация кустов, zero-shot и SFT, подсчет стручков. Провели ручную и авто-разметку кадров, выработали методологию оценки качества моделей. Далее встала задача переноса большой модели, запускаемой на сервере, на одноплатный компьютер с NPU. Это классический случай, в котором уместно применить технологию дистилляции — сжатия модели и переноса данных от «большой» модели-«учителя» к «маленькой» модели-«ученику» путем обучения «ученика» на псевдо-разметке «учителя». Разумеется, при этом приходится находить оптимальный баланс между размером и качеством «ученика». В этом проекте компромисс оказался удачным — модель хорошо сегментировала растения, оставаясь достаточно легкой для работы на целевой платформе.
"Этот проект показал мне, как сложно бывает сдружить продуктовые запросы бизнеса с технологическими возможностями, и подчеркнул важность инкрементальной итерации от простого решения к сложному. Порой требуется вносить ограничения в сценарий использования продукта для реализации MVP, таковы реалии бизнеса", - Никита Тетерин, выпускник магистратуры "Прикладные модели искусственного интеллекта", участник проекта.
Таким образом,
работа с ИИ - далеко не только про обучение моделей, но и про решение спектра инженерных задач: постановка задачи и определение экспериментов, сбор, анализ и очистка данных, разметка, адаптация под вычислительный бюджет, оценка качества и поиск разумных компромиссов.