ניוזלטר "באות" - ינואר 2020
קהילת נשים מנוסות במחקר ופיתוח במדעי המחשב
חוקרות דאטה ואלגוריתמים בתעשיה
בניוזלטר זה ראיינו חמש חוקרות העובדות בתעשיה. מחקר יכול להיות שונה מאוד ומתנהל לא רק באקדמיה אלא גם בחברות גדולות, קטנות, ועבור מוצרים שונים. תודה רבה לנטלי קוריץ על עריכת הניוזלטר!
Amit Alon, Data scientist @ Khealth
אני Senior Data Scientists. נושא המחקר שלי הוא שימוש ברשומות רפואיות על מנת לקבוע אבחנות מדויקות - AI driven healthcare systems.
איך הגעת לעסוק בזה?
ביליתי שנים רבות באקדמיה (MSc & Ph.D.) במחקרים בהם פיתחתי אלגוריתמים ומודלים של Machine learning לפתרון בעיות מתחומים רבים. בנוסף השלמתי את תכנית Y-data של חברת yandex בה קיבלתי בסיס תיאורטי נרחב לנושאים רבים ומגוונים מהתחום יחד עם התמחות של כחצי שנה בחברת סטארט אפ בה ביצעתי פרויקט של מימוש מודל על דאטה מהעולם האמיתי.
ספרי על אופי המחקר שלך?
בצוות שלנו אנחנו חוקרים את הדאטה ומפתחים מודל שמתחבר ישירות למוצר הראשי שלנו. המשימות שלנו פרושות החל מבניית ה- cohort עליו נתאמן ועד חקירת המודל למציאת בעיות, חוזקות, אינטרפרטביליות ועוד. אנחנו משתמשים במגוון רחב של כלים החל משיטות קלאסיות וdeep learning וגם מכניסים אלמנטים של causal inference.
מה הכלים שבהם את הכי אוהבת להשתמש עבור המחקר שלך?
אחד הכלים הכי חזקים בעבודה של data scientist בחברה עם מגוון רחב של אנשים הוא כלי ויזואליזציה. בעבודה שלי אני צריכה לתקשר תוצאות ובעיות לרופאים אשר לא תמיד יכולים לרדת לסף דעתי כמו חברי לצוות. לכן ויזואליזציה טובה ונכונה יכולה להעביר מסר חזק וברור בקלות ובפשטות.
מה התוצר במחקר שלך?
התוצר של המחקר שלי הוא מוצר. העבודה אצלינו לא מוכוונת רק לפרסומים אך בהחלט אם אנחנו מרגישים שאנחנו עושים משהו בעל פוטנציאל אנחנו נשאף לפרסמו. את עבודת המחקר אנו מתעדים בצורה מסודרת ועקבית על מנת שנוכל במידת הצורך לעטוף אותו כמאמר מדעי בקלות ולצרכים רגולטורים.
מה זה מחקר מוצלח לדעתך?
מחקר מוצלח מבחינתי הוא כזה שמשאיר טעם של עוד. כאשר אני באה לסכם שלב מסוים בעבודה ואני מרגישה שיש עוד הרבה כיוונים והרבה דברים שאפשר לבדוק ולפתח אני יודעת שעשיתי עבודת מחקר טובה. ככה השארתי טעם של עוד וגם בניתי בסיס חזק.
מה המבנה הארגוני של מחקר בחברה שלך?
אצלינו בחברה יש הרבה קבוצות שמבצעות מחקר, כל קבוצה בתחומה ובגבולות הגזרה שלה. הצוותים מורכבים מחברי הצוות וראש צוות ומעליהם יש מנהל נוסף בדרך כלל. אנחנו משתדלים לשתף את הצוותים במחקרים הנעשים על בסיס חודשי. לעיתים העבודה על פרויקט כוללת לפחות חבר אחד מכל צוות כך שכל תחום מביא את מומחיותו לשולחן לצורך מחקר מעמיק ומקיף.
Kedem Snir, Machine Learning Engineer @ Google Research
אני מפתחת בצוות מחקר בגוגל ישראל. הקבוצה שלנו חוקרת אפליקציות של Machine Learning למשימות עיבוד שפה (NLP). בפרט, אני מפתחת פתרונות אלגוריתמיים שמטרתם לעזור לאנשים ללמוד אנגלית או שפות אחרות. היכולת של אלגוריתמים להבין שפה עברה מספר פריצות דרך בשנים האחרונות, והפרויקט שלנו מנסה להשתמש ביכולות החדשות כדי לאפשר גישה לשיטות לימוד מתקדמות ואפקטיביות גם למי שלא יכול להרשות לעצמו מורה פרטי.
איך הגעת לעסוק בזה?
התחלתי את התואר הראשון בבלשנות ומדעי הקוגניציה באוניברסיטה העברית, אחרי שנה הבנתי שאני רוצה להעמיק גם בצד הריאלי ולכן הצטרפתי לחוג למדעי המחשב. במהלך התואר עבדתי במעבדה לנוירו-בלשנות של פרופ׳ יוסף גרודזינסקי, שם נחשפתי למחקר בתחומים של מוח ושפה. בשנה ג׳ הגעתי להתמחות בגוגל בצוות הנוכחי, ועם סיום התואר בקיץ האחרון עברתי למשרה מלאה.
ספרי על אופי המחקר שלך?
הגביע הקדוש של התחום הוא כמובן מבחן טיורינג, כלומר בוט שמסוגל לנהל שיחה ברמה שלא נוכל להבחין בינו ובין בן-אדם. הטכנולוגיה הקיימת עדיין רחוקה מלהשיג את זה, אבל כבר היום ניתן לעבור את המבחן אם מגבילים את השיחה לתחום צר ומוגדר היטב, למשל להזמין מקום במסעדה. אבל אפילו תחת המגבלה הזאת יש צורך בכמויות דאטה עצומות לאימון המערכת. מטרת הפרויקט שלנו היא לייעל את התהליך כך שיצריך איסוף דאטה מינימלי, ולכן אנחנו לא מודדים רק איכות אלא את האיזון שבין מידת ההשקעה לאיכות המתקבלת.
מה התוצר במחקר שלך?
למרות שאנחנו מפרסמים מאמרים מדי פעם, מטרת הקבוצה שלי היא לרתום את הטכנולוגיה לטובת מוצרים של גוגל: באמצעות שיפור מוצרים קיימים ותרגום המחקר שלנו לבנייה של מוצרים חדשים. לכן המחקר לא נמדד בערכו התיאורטי, אלא בתרגום של התיאוריה לטובת תרומה ישירה למשתמשים.
מה המבנה הארגוני של מחקר בחברה שלך?
קבוצת המחקר משלבת אנשים מרקע מגוון: חוקרים מהאקדמיה, חוקרים צעירים, דוקטורנטים ומסטרנטים, ומהנדסי תוכנה. למרות שכל אחד מתעניין בצדדים שונים של עולם הבעיה, אין חלוקה נוקשה, ובסופו של דבר כולם לוקחים אחריות רחבה על הפרויקט שלהם. הסביבה הזו נותנת לנו הזדמנות להתפתח בכיוונים שונים, וללמוד דברים חדשים כל יום.
Dana Berman, Machine Learning and Computer Vision Algorithm Developer @ SAIPS
אני מפתחת אלגוריתמים בתחום ראייה ממוחשבת, עובדת בחברת SAIPS, שהיא חברת בת של Ford Motor Company. מפתחים אצלנו אלגוריתמים עבור רכבים אוטונומיים, כולל גילוי אובייקטים, עקיבה, זיהוי ועוד. כיום אני ראש צוות אלגוריתמים, המחקר הוא בראייה ממוחשבת עבור autonomous vehicles.
איך הגעת לעסוק בזה?
עשיתי דוקטורט בראייה ממוחשבת ובעיבוד תמונה באוניברסיטת תל אביב.
ספרי על אופי המחקר שלך?
המחקר אצלנו בחברה נעשה לטובת פיתוח עבור רכבים אוטונומיים. לי באופן אישי יצא לעבוד על מגוון פרויקטים בתחומים של סגמנטציה, גילוי וזיהוי אובייקטים בתמונה ובוידאו, עקיבה ועוד. רוב המחקר נעשה באמצעות Deep Learning, אם כי לפעמים יש מקום להשתמש דווקא בכלים אחרים.
מה הכלים שבהם את הכי אוהבת להשתמש עבור המחקר שלך?
כל פרויקט מתחיל בסקר ספרות עדכני, שכולל גם סקירת datasets פומביים אם יש, וקוד פתוח שאולי ניתן להשתמש בו. לאחר מכן שפת הפיתוח היא Python, סביבת הפיתוח שאני עובדת בה היא PyCharm על גבי Ubuntu. אני משתמשת ב- conda לניהול חבילות, וב- git לניהול קוד.
רוב הפרויקטים שאני עובדת עליהם בימינו משלבים Deep Learning, ואז אני עובדת עם TF או PyTorch, כתלות בפיצ'רים הנדרשים למשימה וכתלות בקוד פתוח זמין אם יש.
מה התוצר במחקר שלך?
המחקר שלנו הוא אפליקטיבי והתוצרים שלנו נכנסים ל- production. חלק מהפרויקטים הם לטובת בניית מפה עבור רכבים אוטונומיים, ואז הקוד שאנחנו מפתחים רץ offline בשרתים, כך שאנחנו כותבים ישירות את קוד ה- Production. חלק אחר מהפרויקטים רץ ברכב עצמו, ואז אנחנו מעבירים מודל רפרנס, שממומש לרכב על ידי מהנדסי תוכנה שמתמחים בכתיבת קוד בסטנדרט גבוה ביותר לרכב. על חלק מהפרויקטים הוגשו בקשות לפטנט.
מה זה מחקר מוצלח לדעתך?
כשהייתי באקדמיה, מחקר מוצלח היה חדשני הן מבחינת השאלה שמנסים לענות עליה והן מבחינת הפתרון. כיום, כשאני עוסקת במחקר אפליקטיבי, השאלות לרוב מוגדרות על ידי הלקוח, למרות שלפעמים השאלה מעורפלת וצריך להגדיר אותה טוב יותר יחד. מחקר מוצלח בעיניי הוא זה שמוביל לפיתוח של אלגוריתם יעיל שנותן ביצועים טובים. בגלל אופי המוצר, דרישות הביצועים אצלנו מציבות רף גבוה, שיש לו השלכות קריטיות על בטיחות. הפתרונות הקיימים לרוב לא נותנים מענה על הדרישות, והאתגר הגדול הוא לתת מענה לדרישות האלו.
מה המבנה הארגוני של מחקר בחברה שלך?
יש אצלנו מספר קבוצות, שכל אחת מתמחה בתחום מסויים וכוללת כמה מפתחי/ות אלגוריתמים ומהנדס/ת תוכנה. בתוך הקבוצה נוצרים צוותים דינמיים לצורך פרויקטים, שמשתנים כל כמה חודשים בהתאם לפרויקטים הנוכחיים ולשלב שבו כל פרויקט נמצא.
Hadas Kogan, 3D & Computer vision team manager @ Elbit Systems Ltd
מה התפקיד שלך ואיפה את עובדת?
אני מהנדסת חשמל בהשכלתי, בעלת תואר ראשון ושני מהפקולטה להנדסת חשמל בטכניון. ב- 15 השנים האחרונות אני עובדת כחוקרת בתחומים שונים של ראייה ממוחשבת ולמידת מכונה. כיום אני עובדת באלביט כלי טיס. בעברי משרות מחקר ברפא"ל ובHP-labs.
אני ראש קבוצת ראייה ממוחשבת מרחבית בחטיבת כלי טיס. בקבוצה מבוצעת כל עבודת האלגוריתמיקה בתחומים של תלת מימד וניווט ע"ס תמונה בחטיבה.
ספרי על אופי המחקר שלך?
באחד מהפרוייקטים המרכזיים בקבוצה, נעשה ניתוח של ענן הנקודות המגיע מחיישן לידאר הנמצא על פלטפורמה בטיסה. ראשית נאסף ענן הנקודות בצורה מדוייקת, ואז הוא מופרד לנקודות אובייקט ונקודות קרקע, לבסוף מזוהים האובייקטים השונים ע"י שימוש ברשת למידה עמוקה אך ורק תוך שימוש במידע הפיזור המרחבי של הנקודות. בפרוייקט אחר נעשה שימוש במצלמה וחיישנים אינרציאלים, וכן בתמונת תשתית הקרקע, על מנת לזהות את מיקום ואוריינטצית הפלטפורמה המוטסת בעולם נטול GPS, על מנת לאפשר תפקוד תקין של הפלטפורמה גם במתארי חסימת GPS. במודול באותו פרוייקט אותו אני מפתחת אני מנסה לענות על השאלה איך ניתן לזהות בחוסר וודאות התחלתי גבוה ובצורה יעילה ומיידית את המיקום והאוריינטציה המרחביים של הפלטפורמה.
מה הכלים שבהם את הכי אוהבת להשתמש עבור המחקר שלך?
כלי העבודה המרכזי שלי הוא פייתון, ואני משתמשת גם הרבה במטלב. העבודה כוללת גם סקירות ספרות באופן שגרתי, הבנת הstate of the art, ולצורך זה כלי העבודה העיקרי הוא כמובן גוגל.
מה התוצר במחקר שלך?
תוצר העבודה שלנו הוא קוד המשמש כ- golden שעובר לקבוצת תוכנה, שם הוא עובר קידוד ומשולב במערכת. מעת לעת אנחנו כותבים מאמרים ופטנטים, אך לא באופן שגרתי.
מהו מחקר מוצלח לדעתך?
מחקר מוצלח בחברה תעשייתית הוא שונה בעיני במהותו ובעיקרו ממחקר מוצלח באקדמיה. בעיני מחקר מוצלח בחברה תעשייתית הוא בראש ובראשונה כזה שמיתרגם ליכולת חדשה בעלת ערך אמיתי ובר מדידה למוצרי החברה. בניגוד למחקר מוצלח באקדמיה שיכול להיות כזה שעובד היטב על חמש דוגמאות ומייצר תוצאות יפות ואסתטיות אך לא עובד בכל שאר המקרים, מחקר מוצלח תעשייתי צריך להיות בעל התנהגות רובוסטית לאורך זמן ולא לגרום לנזקים. בנוסף, מחקר תעשייתי מוצלח נסוב פעמים רבות סביב הבעיות הספציפיות של מוצרי החברה, שיכולות להיות נישתיות לחלוטין עבור שאר העולם.
מה המבנה הארגוני של מחקר בחברה שלך?
המבנה הארגוני באלביט הוא מבנה מטריציוני, והקבוצה שלי היא קבוצה רוחבית המעורבת במספר רב של פרוייקטים. ממשקי העבודה של חברי הקבוצה הם מחד עם הנדסת מערכת וניהול טכני שהם בעיקרם פרוייקטליים, ומאידך עם קבוצות רוחביות נוספות דוגמת אלקטרו-אופטיקה. פרוייקט באלביט מערכות, מעצם היותו "מערכת", מערב מגוון רחב של דיסיפלינות הנדסיות והעבודה בין הדיסיפלינות השונות מתבצעת כשת"פ בין צוותים. קיימות גם פעילות שהן יותר מחקריות באופיין, בדיקות התכנות קטנות ומוגבלות בזמן, שהן מתבצעות רק בתוך הצוות. בדיקת התכנות מוצלחת היא כזו שתוביל בסופו של דבר לפיתוח והעשרת מגוון היכולות המשמשות את הפרוייקטים השונים.
Inbar Naor, Algorithms Team Lead @ Taboola
ראש צוות אלגוריתמים בטאבולה. המקצוע הכללי שלי הוא data scientist, או מפתחת אלגוריתמים. הרקע שלי הוא באלגוריתמי machine learning באופן כללי ובטאבולה אני מפתחת מערכות המלצה.
איך הגעת לעסוק בזה?
באמצע התואר הראשון התקבלתי די במקרה למשרה של פיתוח אלגוריתמים בחברת פרויקטים לראייה ממוחשבת. התחום מאוד עניין אותי והייתי בשלב מספיק מוקדם בקריירה שלי כך שיכולתי לבנות את סט היכולות שדרוש לכך על פני כמה שנים - עבדתי כמפתחת כדי שיהיו לי כישורים הנדסיים טובים, עשיתי תואר שני במדעי המחשב שבו התמקדתי בmachine learning ועבדתי על מגוון רחב של בעיות - עיבוד אותות EEG להתאמת טיפול לחולי אפילפסיה, זיהוי אלמנטים בDNA, עיבוד טקסט וכו׳.
ספרי על אופי המחקר שלך?
התחום של מערכות המלצה עוסק בשאלה איך להמליץ למשתמש מסוים על דבר מסוים (כתבה, סרט, שיר, מוצר, פרסומת) בקונטקסט ספציפי. בטאבולה אנחנו עוסקים במערכות המלצה לכתבות ולפרסומות ואני מתעסקת בשאלות שקשורות לאקספלוריישן - במערכות המלצה יש בעיה שנקראת cold start problem: כשמגיעים פריטים חדשים למערכת היא עוד לא מכירה אותם ולכן עלולה לתת פרדיקציות לא נכונות עליהם. בגלל שהמערכת לומדת על סמך החלטות שהיא עשתה בעבר (כלומר, דברים שהציגה והאם המשתמש אהב אותם או לא) היא עלולה להתקע בfeedback loop בו היא לא נותנת הזדמנות בכלל לדברים חדשים. כדי לשבור את זה צריך ליצור מנגוני אקספלוריישן - מנגנונים בהם המערכת לא מנסה להציג את הדבר הכי טוב אלא לתת הזדמנות לדברים חדשים. בשנה האחרונה המחקר שלי התמקד באיך לבנות מנגנוני אקספלוריישן יעילים, איך מודדים את זה בכלל ואיך למדל אי ודאות של מודלים (כלומר, שמודל לא רק ייתן פרדיקציה אלא גם יגיד כמה הוא בטוח בה).
מה הכלים שבהם את הכי אוהבת להשתמש עבור המחקר שלך?
אני די אדישה לכלים - אני כבר די הרבה שנים בתחום ועבדתי בהרבה מקומות ועל הרבה בעיות אז באופן טבעי יצא לי לעבוד עם מגוון רחב של כלים, כתבתי לפרנסתי באיזה 7 שפות שונות וכו׳. יש לי העדפות מסוימות אבל הן קלות וה״כלי״ הכי אהוב עליי הוא להתייעץ עם אנשים סביבי. כל חוקר, לא משנה כמה הוא חכם, יכול להרוויח מלהתייעץ עם חוקרים אחרים, להראות להם את התוצאות שלו, לבדוק אם הוא פספס דברים, אם יש להם רעיונות שהוא לא חשב עליהם. זה ממש חשוב, ממש משפר את איכות המחקר ואני מקפידה לעשות את זה.
מה התוצר במחקר שלך?
התוצר שלנו, כמו ברוב המשרות בתעשייה נכנס ישירות למוצר. אנחנו מפרסמים בכנסים (בmachine learning הפרסום בכנסים נחשב יותר מפרסום בכתבי עט) לפעמים אבל אני חייבת להודות שהoverhead די גדול ביחס לרווח. יש מספר סיבות לפרסם בכנסים כשאתה חברה מוצרית - למשוך חוקרים טובים, ליצור מוניטין, לטייב את המחקר, לחזק את הקשר עם חוקרים מהתחום. במקרה שלנו (בניגוד לחברות בתחומי רפואה למשל) המוניטין של טאבולה לא נשען על פרסומים, ואנחנו מצליחים למשוך חוקרים מצוינים. יצא לי להציג בשנה שעברה את העבודה שלנו באחד הכנסים הגדולים בתחום (ICLR) וזו היתה חוויה מאוד טובה. אני עוסקת הרבה בשאלה איך לשפר את שיתוף הפעולה שלנו עם הקהילה הבינלאומית (הן באקדמיה והן בקבוצות מחקר בחברות כמו גוגל, נטפליקס, ספוטיפיי וכו׳) ועובדת על דברים בהקשר הזה כבר לשנה הקרובה.
מהו מחקר מוצלח לדעתך?
קצת קשה להסביר את זה אבל אני יכולה להצביע על דברים שעשויים להפוך מחקר אפליקטיבי ללא מוצלח - רצון של האלגוריתמאי להשתמש בטכניקות מגניבות שלפעמים מסבך פרויקטים יותר מדי, מדידה לא נכונה, ניתוק גדול מדי מהביזנס, ניתוק מהאספקטים ההנדסיים שיכול לגרום לעבודה ב״בועה״ שאחר כך אי אפשר לתרגם לקוד עובד בפרודקשן, לשכוח את המטרה הראשית, לחקור לעומק שלא נדרש רק כי סקרנים להבין הכל, אפשר להמשיך די הרבה :)
מה המבנה הארגוני של מחקר בחברה שלך?
אנחנו קבוצת אלגוריתמים של כ-50 איש, מחולקים ל-3 תתי קבוצות כשבכל קבוצה 2-3 צוותים. הצוותים בגודל של 3-5 אנשים. החלוקה היא מוצרית אבל צוותים לפעמים משנים את הייעוד שלהם ואין התמחות מבחינת יכולות מחקריות. אנחנו מאוד מאמינים בלעבוד ביחד, משתפים אחד את השני בתוצאות, עובדים לפעמים על פרויקטים משותפים של כמה אנשים, לפעמים גם מצוותים שונים ועובדים על אותו code base. כולנו יושבים באותו מקום והחלוקה להיררכיות ניהוליות היא בעיקר כדי לאפשר לאנשים לקבל את תשומת הלב הניהולית שמגיעה להם כדי שיוכלו להתפתח ולהיות מרוצים.
