איתנו באולפן אורי, אמרי קיסוס ואנוכי רן.

והפעם נדבר על החלק של המחקר שבמחקר ופיתוח.

אימרי הוא חוקר ורק אחר כך מתכנתת התמחה באלגוריתמים, עיבוד תמונה ו-Machine Learning.

כיום אימרי עובד בחברת FDNA שמתמחה בתמיכה באבחון מורפולוגי של מחלות גנטיות על סמך תמונה.

כשהאלגוריתמים מהאוניברסיטה באו לפתור בעיות אף שהוכח מתמטית שזה אפשרי התברר שכשיש נתונים לא מדוייקים (רעש) האלגוריתמים בפני עצמם לא מדוייקים מספיק.

כיום החוקר משתמש באלגולריתמים יחד עם סטטיסטיקה למידת מכונה והנדסת תוכנה מהמעלה הראשונה כדי להתמודד עם מידע רב ככל האפשר.

במאמר שפירסמה גוגל התברר שהחוקר הוא גם המפתח. כבר בשלב הוכחת ההיתכנות הקוד נכתב ברמת Production כיוון שהחוקר בסופו של דבר גם ינתח את המידע וגם יוכיח את הביצועים, ובסופו של דבר גם יתחזק. העברת האחריות תעכב את הפיתוח, מניסיונו של אימרי זה יכול להגיע לעד שלוש שנים בין כתיבת האלגוריתם ללקוח.

לעיתים חברות מושיבות את החוקר בצד ואף שהוא מגלה ומביא אלגוריתמים מתקדמים, בשלבי המעבר השונים: הנהלה, תיכנות, מימוש התגלית מאבדת את ערכה כפי שקרה בחברת Bell.

אותו דבר קורה בפניה לחוקרים, שעושה את דרכה דרך אנשי מכירות שמעבירים למתכנתים למעבירים לחוקרים שמפתחים משהו שהלקוח לא צריך.

בחברות מודרניות מקרבים את המחקר והפיתוח ומרוויחים מהירות ולמידה אצל החוקר והמפתחים כאחד.

ובהיכל התהילה: יהודה קורן ישראלי זכה בתחרות שפתחה Netflix לשיפור האלגוריתם לניבוי העדפות צפייה בקרב משתמשים.

המידע שחשפה Netflix ואיפשרה לחוקרים להתנסות עם Big Data אמיתי ובכך משכה חוקרים אפילו מהאקדמיה לעסוק בתחומי המחקר במחשבים.

Deep Learning - המערכת אומנם לומדת לאט אך הופכת מדוייקת יותר. בעבר מערכות זיהוי פנים הסתמכו על למידה מקדימה על סט למידה קטן יחסית (10,000 דגימות), בלמידה עמוקה האלגוריתמים ממשיכים להשתפר אפילו כשהסט גדול מאד (2,000,000 דגימות).

הקובץ נמצא כאן, האזנה נעימה ותודה רבה ליוסי על התמלול

References: