Программирование машинки

Представьте себе программное обеспечение. Которое создает свое собственное программное обеспечение. Вот что такое машинное программирование. Как и другие области искусственного интеллекта, машинное программирование существует с 1950-х годов. Но сейчас оно находится в точке перегиба. По словам Джастина Готтшлиха (Justin Gottschlich). Руководителя отдела исследований машинного программирования Intel Labs. Машинное программирование потенциально может переопределить многие отрасли. Включая разработку программного обеспечения. Автономные транспортные средства или финансовые услуги. Эта недавно созданная исследовательская группа в Intel фокусируется на перспективах машинного программирования. Представляющего собой сплав машинного обучения. Формальных методов. Языков программирования. Компиляторов и компьютерных систем.

В разговоре со Знанием@Уортон во время визита в Пенн Готтшлих обсуждает. Почему он считает исторический способ программирования ущербным. Что движет ростом машинного программирования. Какое влияние оно может оказать и другие связанные с этим вопросы. Он был основным докладчиком на PRECISE Industry Day 2019, организованном PRECISE Center в Penn Engineering.

Ниже приводится отредактированная стенограмма беседы.

Знания@Уортон: Учитывая шумиху вокруг искусственного интеллекта, многие люди знакомы с машинным обучением. Однако большинство из нас понятия не имеет, что такое “машинное программирование”. Не могли бы вы объяснить разницу между ними?

Justin Gottschlich: На самом высоком уровне машинное обучение можно считать подмножеством искусственного интеллекта. Существует много различных типов методов машинного обучения. Одна из наиболее известных в настоящее время называется “глубокие нейронные сетиЭто во многом способствовало тому огромному прогрессу. Который мы наблюдаем за последнее десятилетие. Машинное программирование-это автоматизация разработки и обслуживания программного обеспечения. Вы можете думать о машинном обучении как о подмножестве машинного программирования. Но в дополнение к использованию методов машинного обучения. Которые являются приближенными типами решений. В машинном программировании мы также используем другие вещи. Такие как методы формального синтеза программ. Которые обеспечивают математические гарантии для обеспечения точного поведения программного обеспечения. Вы можете думать об этих двух точках как о спектре. У вас есть приближенные решения на одном конце и точные решения на другом конце. И между ними есть слияние нескольких различных способов. Которыми вы можете объединить их. Каждая из этих вещей является частью более широкого ландшафта машинного программирования.

Знания@Уортон: Значит, машинное программирование-это когда вы создаете программное обеспечение. Которое может создавать больше программного обеспечения?

Готтшлих: Верно.

Знания@Уортон: Как это могло случиться? Не могли бы вы привести пример?

Gottschlich: Основная идея машинного программирования-создание программного обеспечения. Которое создает свое собственное программное обеспечение. Недавно мы построили систему с использованием генетических алгоритмов. Которая позволяет вам взять определенные примеры ввода/вывода, а затем. Запустив их через ряд итераций — мы называем их “эволюциями” в пространстве генетических алгоритмов — она автоматически синтезирует программу. Которая будет соответствовать входу и выходу. Вы делаете это на этапе обучения. Затем он берет новые примеры ввода/вывода, которые он никогда раньше не видел, и генерирует новые типы программ.

“Основная идея машинного программирования-это создание программного обеспечения. Которое создает свое собственное программное обеспечение.”

Знания@Wharton: Какие отрасли промышленности, по вашему мнению. Наиболее подвержены влиянию машинного программирования и в течение какого периода времени?

Готтшлих: На самом высоком уровне можно представить, что любая из отраслей. Которые в основном базируются на программном обеспечении. Получит от этого огромную выгоду. В начале этого года (в 2019 году) был проведен опрос, который показал. Что у нас открыто около полумиллиона вакансий компьютерных ученых. Это программные позиции, которые мы должны заполнить. Но мы выпускаем только около 10% академически подготовленных программистов для выполнения этих ролей. То, что мы имеем в индустрии программного обеспечения, по сути, является узким местом в поставках. Если мы сможем автоматизировать некоторые из простых задач — чтение файла, анализ данных. Тестирование разработки программного обеспечения — это значительно ускорит скорость разработки программного обеспечения. Так что это, вероятно, первая область, на которую, вероятно, повлияет машинное программирование.

Другая область, которая, как мне кажется, будет сильно затронута, — это автономные системы. Основным компонентом этих систем является программное обеспечение. Например, большая часть того. Что удерживает нас от достижения уровня автономности 4 или 5 — го уровня — а это точка. Где автомобиль может по существу справиться со всеми нюансами поведения вождения. — большое узкое место-это реализация и алгоритмы систем машинного обучения. Если мы сможем построить их автоматически, эти автономные системы также ускорятся в своем развитии.

Знания@Уортон: Говоря об автомобильной промышленности, как вы думаете. Какое влияние окажет машинное программирование на стремление к автономии?

Готтшлих: Как я уже упоминал ранее, недавно мы создали систему. Которая использует генетический алгоритм для автоматического построения программ. Одной из составляющих генетического алгоритма является “функция приспособленностиВы можете думать об этом как о способе оценки точности программ или результатов. Которые дает генетический алгоритм. Таким образом, генетический алгоритм выдает результат. А функция пригодности говорит: “Вы получаете двойку” Или “Вы получаете двойку”. Исторически функции пригодности были написаны людьми — людьми, которые являются экспертами в машинном обучении. Но часто мы обнаруживаем, что сложность проблемы. Которую вы пытаетесь решить. Напрямую связана со сложностью функции приспособленности. Так зачем же вы пишете фитнес-функцию? Почему бы просто не решить проблему самому? Мы рассмотрели это и нашли способ с помощью машинного обучения автоматически создать функцию фитнеса без участия человека.

Возвращаясь к вашему вопросу, одна из вещей, которая сдерживает нас в автономном транспортном пространстве. — это развитие систем машинного обучения. Исторически, достижения. Которые мы имели с системами машинного обучения, были через людей, создающих их. Но если мы используем машинное программирование, как мы сделали с решением генетического алгоритма. Машина может изобрести свои собственные системы машинного обучения. Которые затем ускорят прогресс этих автономных систем.

Знания@Уортон: Каковы последствия этого? Одна из причин, сдерживающих автономные системы или автономные транспортные средства, заключается в том. Что система может быть не в состоянии принять определенное решение достаточно быстро и поэтому может в конечном итоге ударить кого-то или что-то. Поэтому нам, вероятно, нужно программное обеспечение. Которое может предсказать, что произойдет. Прежде чем это произойдет на самом деле. Это одна из проблем?

“На самом высоком уровне можно было бы представить, что любая из отраслей. Которые в основном основаны на программном обеспечении. Получат от этого огромную выгоду.”

Готтшлих: Совершенно верно. У нас была статья NeurIPS в 2018 году — NeurIPS является одной из ведущих научно — исследовательских конференций в области машинного обучения-которая пыталась решить эту проблему. То, что вы описываете здесь, — это пространство обнаружения аномалий. В автономном транспортном пространстве, когда мы думаем об этих различных поведениях. Мы думаем: “Это аномалия.” В частности. Это аномалия временных рядов. Например, вы пытаетесь предотвратить столкновение транспортного средства с другим транспортным средством или наезд на пешехода. Слишком поздно обнаруживать это, если событие уже произошло. Чтобы решить эту проблему, мы воссоздали математическую основу для обнаружения аномалий. В частности для временных рядов. Мы надеемся, что сообщество примет новую математическую основу, которую мы создали. И применит ее для детекторов аномалий временных рядов.

Знания@Уортон: И машинное программирование помогает во всем этом?

Готшлих: Абсолютно. В контексте автономных транспортных средств вы можете использовать эту математическую основу. Чтобы лучше предсказать эти аномалии. Но когда вы думаете о машинном программировании или программировании в целом. Многие проблемы. Которые мы видим с программным обеспечением. Связаны с ошибками корректности. Ошибками безопасности. Нарушениями конфиденциальности. Все они в некотором смысле являются временными рядами в природе. Программа-это последовательность инструкций, одна за другой. Поэтому, если вы возьмете эту математическую основу. Вы также можете применить ее в пространстве машинного программирования. Что именно то. Что мы делаем.

Знания@Уортон: Машинное программирование, как и многие другие области ИИ, существует с 1950-х годов. Почему сейчас возник такой внезапный интерес к машинному программированию? Почему он набирает такие большие обороты? И почему Intel заинтересована в инвестициях в ит?

Готтшлих: Если мы посмотрим, почему он взлетает сегодня, я бы сказал. Что в основном есть две причины. Во-первых, мы находимся в точке перегиба. Вторая причина заключается в том. Что мы с коллегами из Intel Labs и MIT сделали важное наблюдение о том. Как думать о будущем машинного программирования.

Что касается точки перегиба, я считаю, что есть три вещи. Которые создали это. Во — первых, мы достигли огромных успехов в алгоритмах машинного обучения и в формальных методах. Вещи, которые не существовали, скажем, 12 месяцев назад. Теперь имеют фундаментальное значение для развития машинного программирования.

Во — вторых, сегодня мы достигли огромных успехов в вычислительной технике. Как отмечают недавние лауреаты премии Тьюринга Дэйв Паттерсон и Джон Хеннесси. Мы живем в так называемый “Золотой век вычисленийОни называют их “доменно-специфичными архитектурамиДолгое время это был просто центральный процессор (центральный процессор), но теперь. Основываясь на достижениях в области машинного обучения и других областях. У нас есть ускорители. Которые специфичны для этих областей. И поэтому это создает огромную возможность для ускорения этого машинного обучения и формальных методов. Что было невозможно раньше.

Третья часть-это обилие больших и плотных данных. Например, существует репозиторий под названием GitHub, где люди хранят свое программное обеспечение. Еще в 2008 году, по-моему, у него было примерно 33 000 репозиториев. В 2019 году, когда я смотрел на него в начале этого лета, я думаю, что это число составляло более 200 миллионов. Это колоссальный рост. Это почти на четыре порядка больше, чем за десять лет. Данные управляют многими системами машинного обучения. Таким образом, это, по сути, создало транспортное средство. В котором мы можем начать исследовать это пространство.

Переходя к наблюдению, которое сделали мои коллеги и я в Intel Labs и MIT, — в основном мы чувствуем, что способ. Которым мы исторически занимались программированием. Несовершенен. По сути, происходит размытие намерений программиста в отношении этих алгоритмов и деталей системного уровня. Что мы хотим сделать по мере продвижения вперед, так это чтобы программист просто указал свое намерение. Поэтому, если вы хотите создать программу. Которая скажет вам, где находится ближайший Starbucks. Вы просто говорите: “Компьютер. Создайте программу. Которая всегда будет уведомлять меня. Когда я рядом со Starbucks.” Затем компьютер обрабатывает детали реализуемых алгоритмов. Он понимает, как перевести это, чтобы работать на оборудовании. Которое находится на вашем мобильном телефоне или в центре обработки данных. Итак, эти две части, по нашему мнению, создают возможность для огромного роста машинного программирования.

“По сути, мы считаем, что то, как мы исторически делали программирование, является ошибочным.”

Intel, очевидно, очень заинтересована в достижениях в области аппаратного обеспечения. Я работаю в Intel уже около десяти лет, и одно изменение. Которое я видел. Является захватывающим: раньше Intel была просто процессорной компанией. Но теперь гетерогенный аппаратный ландшафт. Который мы имеем в Intel, огромен. У нас есть нейросетевые процессоры. У нас есть нейроморфные процессоры. У нас есть графические процессоры (graphics processing unit). У нас есть множество ускорителей. У нас есть FPGA (field programmable gate array), и у нас есть тонна процессоров. Проблема, однако, заключается в программировании этих вещей. Мы можем иметь все это огромное оборудование, но как мы можем ожидать, что средний разработчик запрограммирует их? Вот почему машинное программирование так важно для Intel. Intel понимает, что с этим новым гетерогенным аппаратным ландшафтом, который необходим для развития всех технологий. Которые мы видим. Нам нужен способ. Достаточно простой для среднего программиста. Чтобы использовать этот огромный объем гетерогенных вычислений.

Знания@Уортон: Вы написали статью под названием Не могли бы вы поделиться некоторыми выводами из этого?

Готтшлих: В 2017 году некоторые из нас из Intel Labs объединились с несколькими людьми из Массачусетского технологического института. И мы пришли к такому видению: “Что. Если мы займемся Как будет выглядеть пейзаж?” Основная причина этого заключалась в том, что. Когда люди начинали изучать машинное программирование. Они были дезорганизованы. В мышлении не было никакой структуры.

Три столпа машинного программирования-это, по сути, дорожная карта того. Как мы хотим выразить и исследовать исследовательское пространство. Три столпа-намерение, изобретение и адаптация.

Столп намерения-это то. Что будет делать программист. Я не называю этих людей “программистамиЯ называю их “создателями программного обеспеченияНаше видение голубого неба заключается в том. Что эти люди не напишут ни одной строки кода. Они будут выражать свои намерения естественным языком, жестами и визуальными схемами — тем, что для них лучше. Столп изобретения будет принимать намерение программиста или создателя программного обеспечения и переводить его в программное обеспечение. Это алгоритмы, структуры данных и так далее. Как только это будет установлено, работа будет передана на адаптационный столп. Компонент адаптации возьмет этот код и выяснит: “Хорошо. Как выглядит программно-аппаратная экосистема для этой конкретной программы? Как мы должны дополнить его, чтобы он работал эффективно, надежно. Правильно — и в контексте машинного обучения — точно?”

Знания@Уортон: Помимо Intel, некоторые другие компании также работают над машинным программированием. Есть ли фирмы, с которыми вы сотрудничаете, о работе которых вы могли бы поговорить?

Готтшлих: У нас много сотрудников в промышленности, а также в научных кругах. Среди наших отраслевых партнеров-Microsoft и Facebook. В Microsoft Сумит Гулвани, которого многие считают одним из основателей формального синтеза программ. Разработал систему внутри Excel. Которая автоматически определит намерения пользователя. Они называют это Флэшфиллом. Это конкретный пример, реальное доказательство того. Что машинное программирование-это не просто исследовательская игрушка; вы можете встроить это в реальные продукты. Microsoft глубоко заинтересована в этом.

“…Хотя мы думаем о пространстве машинного программирования как о очень долгом путешествии, есть вещи. Которые мы можем сделать сегодня в промышленности. Которые могут быть чрезвычайно ценными.”

Facebook делает огромную работу в этом пространстве. Недавно они опубликовали статью о системе под названием Aroma. Это работает в том же направлении, что и три столпа. Он в основном сосредоточен на попытке помочь с намерением. Скажем, у программиста есть намерение написать код, но он не знает, как именно его написать. Система Aroma возьмет немного этого кода и проведет анализ по очень большой базе данных. Затем он спросит пользователя: “Это то. Что вы имели в виду?” Это своего рода приближенное решение машинного обучения человека в цикле. Это хорошее раннее доказательство того, что. Хотя мы думаем о пространстве машинного программирования как о очень долгом путешествии, есть вещи. Которые мы можем сделать сегодня в промышленности. Которые могут быть чрезвычайно ценными.

Знания@Уортон: Какие страны, по вашему мнению, добиваются впечатляющего прогресса в области машинного программирования? В области ИИ Китай развивается семимильными шагами. Не могли бы вы рассказать о том. Что происходит в других частях мира, и на какие вещи вы обращаете внимание?

Готшлих: Китай делает огромные вещи. Он имеет очень сильную государственную инфраструктурную поддержку ИИ. Я считаю, что у США тоже есть это, но, возможно, не до такого уровня, как у Китая. Как страна мы, вероятно, должны быть более агрессивными и прогрессивными в этом отношении. В Европе происходит много вовлечения и прогресса. У них очень сильные лидеры машинного обучения в академических кругах. А также видение через их правительственную инфраструктуру.

Знания@Уортон: Какие европейские страны, по вашему мнению, делают самую интересную работу?

Готтшлих: Германия делает потрясающие вещи. Отчасти это связано с тем, что они были глубоко вовлечены в транспортные средства. Естественная эволюция-это автономные транспортные средства. И побочным продуктом этого является глубокое участие в ИИ и машинном обучении. Еще одно сильное присутствие в Европе-это Швейцария, особенно то. Что выходит из ETH-Zurich. Они не только производят выдающиеся результаты AI и ML. Они исследуют важные идеи в пространстве машинного программирования.

Знания@Какие инновации в машинном программировании вы считаете наиболее перспективными? И где, по-вашему, в ближайшем будущем произойдут следующие прорывы?

Готшлих: Есть много низко висящих фруктов, где мы можем сделать успехи и построить такие вещи, как аромат или флешфилл. Которые очень полезны. Но есть некоторые основные проблемы — по крайней мере, с людьми, с которыми я взаимодействую в таких местах. Как Стэнфорд, MIT. Google и в лабораториях Intel. — на которые у нас нет ответа. Первый — это структурное представление намерения. Часто, когда мы пишем код, намерение программиста рассеивается по всему коду. Мы хотим понять, как правильно представить намерение пользователя. У нас этого пока нет. Есть много достижений, которые мы сделали исторически с такими вещами. Как компиляторы и инструменты статического анализа. Которые создают различные виды графических или древовидных структур. Но когда мы попытались применить их в пространстве машинного программирования, они не совсем подходят. Мы можем вставить квадратный колышек в круглое отверстие, но это не то, что нужно.

“Одним из обещаний машинного программирования — и мы видим ранние доказательства этого — является то, что код. Который мы можем генерировать с помощью этих автоматизированных методов. Будет сверхчеловеческим по производительности. Правильности и безопасности.”

В Intel мы думаем о том. Что мы называем “абстрактным семантическим графом”. Идея заключается в том. Что эта структура — что бы это ни было. Что мы не совсем понимаем — будет своего рода графическим представлением семантики — по сути. Намерения — того. Что хочет пользователь. Я верю, что как только мы выясним, как построить этот абстрактный семантический граф. Область машинного программирования увидит огромный всплеск роста. Многие люди работают над этим. Я работаю с коллегами как в промышленности, так и в академических кругах — людьми из Пенна, Беркли. Массачусетского технологического института. Мы все глубоко задумываемся об этом. Надеюсь, скоро мы сможем разобраться с этим абстрактным семантическим графом. Пока мы этого не сделаем, мы будем работать с не очень совершенными решениями и постараемся продвигаться вперед.

Знания@Уортон: Если вы выясните это, каковы могут быть некоторые последствия?

Gottschlich: Программы, которые мы сможем создать, вероятно, будут на порядки сложнее, чем те, которые мы можем создать сегодня. Например, в пространстве формального синтеза программ или приближенных решений для машинного программирования мы можем ограничиться, скажем. Программами. Которые содержат до ста инструкций или меньше. Если мы выясним, как построить этот абстрактный семантический граф, я уверен. Что мы перейдем от сотен к тысячам — потенциально миллионам — строк кода. Последствия этого огромны.

Знания@Уортон: Всякий раз, когда появляется какая-либо новая технология. Особенно искусственный интеллект или машинное обучение, или. Как вы описали. Машинное программирование. Очень часто технологам приходится оправдывать эти инвестиции перед финансовым директором или генеральным директором с точки зрения рентабельности инвестиций или того. Как они вписываются в бизнес-стратегию. Каковы некоторые показатели, о которых вы думаете с точки зрения измерения ROI машинного программирования?

Готтшлих: Как руководитель исследовательской группы по машинному программированию в Intel, моя работа заключается не только в том. Чтобы работать над исследованием, но и в том. Чтобы обосновать его ценность для бизнеса. Intel очень заинтересована в производительности. Но нас интересует не только производительность оборудования. Нас также интересует производительность программного обеспечения. Программист, пишущий медленный код, может обвинить процессор Intel в том. Что он медленный. Хотя проблема не в самом процессоре. А в программном обеспечении. Одно из обещаний машинного программирования — и мы видим первые свидетельства этого — состоит в том. Что код. Который мы можем генерировать с помощью этих автоматизированных методов. Будет сверхчеловеческим по производительности. Правильности. Безопасности и так далее.

Одним из конкретных примеров этого является система под названием Галогенид. Которую построили некоторые мои коллеги. Среди них Эндрю Адамс, Джонатан Раган-Келли. Кейвон Фатахалиан — это люди из Массачусетского технологического института. Стэнфорда и Facebook. (Адамс перешел из Facebook в Adobe Research в июне 2019 года.) Halide-это язык программирования. Который отделяет намерение программиста от планирования этого намерения. В своей статье, опубликованной в июне этого года, они впервые показали. Что ведущие мировые эксперты в этом языке программирования не могут конкурировать с машиной. Машина производит код. Который регулярно более эффективен — и я просто собираюсь угадать здесь — по крайней мере на 50%. Это может быть на 100% быстрее. Это первый раз за десятилетие, что они работали в галогениде, что они смогли достичь этого. Это дает нам обещание, что если мы сможем сделать это в галогениде, возможно. Мы сможем обобщить это и начать улучшать эффективность кода везде. Это важно для Intel, потому что мы хотим, чтобы каждое программное обеспечение работало максимально эффективно. Мы не хотим, чтобы люди ошибочно полагали, что наше оборудование работает медленно. Когда проблема находится где-то в другом месте.

Знания@Уортон: По мере внедрения систем искусственного интеллекта влияние на рабочие места может быть значительным. Например, существует опасение, что водители грузовиков могут потерять работу. Если автономные транспортные средства начнут перевозить товары по шоссе. Как вы думаете, есть ли риск, что если машинное программирование взлетит. То же самое может произойти и с работой программиста? Это то. Что должно касаться компьютерной индустрии?

— С помощью машинного программирования мы создадим много рабочих мест. Возможно. Миллионы или сотни миллионов рабочих мест.”

Готшлих: Этот вопрос мне задают довольно часто. Мое честное мнение, что обратное произойдет. С помощью машинного программирования мы создадим много рабочих мест, возможно. Миллионы или сотни миллионов рабочих мест. Рассуждение простое. У нас есть мировое население в миллиарды, но пул программистов-очень маленький процент. Я думаю, что это примерно около 1% мирового населения. С помощью машинного программирования мы пытаемся добиться того. Чтобы все мировое население могло создавать программное обеспечение.

Например, моя мама-невероятный предприниматель. Она создала несколько компаний и достигла фантастических успехов, но она не программист. Весь мир программного обеспечения для нее закрыт. Я вижу кого-то вроде нее, кто дико креативен, у нее есть несколько удивительных идей, но из-за того. Что программное обеспечение закрыто. Эти идеи не реализуются. Будем надеяться, что с помощью машинного программирования, с той интенциональностью, о которой мы говорили ранее. Это создаст десятки и сотни миллионов рабочих мест. Это также сохранит программистов, которых мы сегодня наняли. Потому что предстоит работа по созданию этих очень сложных систем. По мере расширения интенциональности мы будем требовать от этих людей — мы называем их “Ниндзя” в Intel — чтобы все подсистемы. Входящие в эти три столпа. Развивались соответствующим образом.

Знания@Уортон: Энди Гроув, бывший генеральный директор Intel, однажды сказал. Что для каждой метрики должна быть еще одна парная метрика. Которая учитывает неблагоприятные последствия первой. Когда вы думаете о некоторых метриках. Которые вы бы использовали для измерения успеха или рентабельности машинного программирования. Каковы могут быть некоторые из неблагоприятных последствий машинного программирования? Какие метрики вы бы использовали, чтобы гарантировать, что ситуация не выйдет из-под контроля?

Готшлих: Я большой поклонник Энди Гроува. Замечательно быть в компании с таким сильным наследием лидерства. Возвращаясь к вашему вопросу о неблагоприятных последствиях — мы говорим об этом в нашей статье Это одна из причин. По которой мы написали эту статью.

Например, один из моих коллег, Элвин Чунг, профессор Беркли. Занимается работой под названием “верифицированный лифтинг.” Это. По существу. Использует формальные методы синтеза программ. Чтобы поднять код из одного языка программирования и опустить его на другой язык программирования. Это очень полезно для устаревших систем, которые невозможно поддерживать. Потому что у нас нет запаса программистов. Мы можем извлечь этот код и перевести его на новый язык, где у нас много программистов. Однако одна из вещей, которую мы заметили, заключается в том. Что существует потенциальный побочный продукт этого подъема. Который может уменьшить интенциональность. Мы бы сказали. Что его работа в основном относится к колонне “изобретение”, а затем к колонне “адаптация”. Исходя из того. Как этот код трансформируется, интенциональность этого кода может быть уменьшена. Например, такие вещи, как имена переменных, имена функций — вещи. Которые важны для программистов. — могут неправильно соотноситься с новой структурой. Поэтому, добиваясь прогресса в машинном программировании. Мы попросили сообщество мыслить в контексте трех столпов и попытаться понять. Не повредили ли вы случайно другой столп. И если да, то уточните это, чтобы мы поняли, что это еще одна вещь, которую нам сейчас нужно продвигать.

Знания@Wharton: Не могли бы вы рассказать о том, какую работу вы планируете сделать здесь. В Penn и в PRECISE (Penn Research in Embedded Computing and Integrated Systems Engineering)?

Готтшлих: Многие лидеры мысли в области компьютерных наук, в формальных методах. В машинном обучении являются частью ТОЧНОГО центра. Недавно я принял приглашение помочь возглавить Техническую промышленную группу PRECISE и выступить в качестве их исполнительного директора по искусственному интеллекту. Моя роль в Первый — с ТОЧНОСТЬЮ. У них очень сильный технический консорциум отраслевых коллаборационистов. Я хотел бы убедиться, что все промышленные партнеры работают взаимодополняюще, что мы понимаем. В чем заключаются основные проблемы. И что мы не работаем таким образом. Чтобы дублировать и дублировать усилия. Это одна часть.

Другая часть, которая важна для меня. Заключается в том. Что сейчас у нас нет инженеров по машинному программированию и исследователей. Несмотря на то, что эта область существует с 1950-х годов, она изо всех сил пытается достичь той точки. Где находится сегодня. Мы работаем с Penn и другими академическими институтами. Чтобы начать вносить изменения в учебную программу и познакомить с ней наших студентов и аспирантов. А затем генерировать новые ведущие умы с помощью докторских программ. Которые будут управлять исследованиями. Происходящими как в академических кругах. Так и в промышленных лабораториях.