С кафедры в корпорацию: кто и как сегодня развивает науку в крупных компаниях
Где сейчас занимаются исследованиями
Наука традиционно развивалась в академических центрах (университетах и исследовательских институтах), не всегда учитывая прикладные проблемы. При этом у бизнеса появляются собственные задачи, для которых нужно находить решения, и это актуально для многих сфер: от фармакологии до IT. Поэтому крупный бизнес зачастую развивает собственные R&D-отделы (Research and development. — Forbes). Например, для работы с ИИ у Google есть DeepMind, у Microsoft — Microsoft Research, у «Яндекса» — Yandex Research. Все это подразделения, целью которых является продуцировать научный результат: готовить статьи для рецензируемых изданий, участвовать в профильных конференциях и решать новые задачи.
Индустриальная наука отличается от академической, и в первую очередь это касается ресурсов. Например, для исследований в сфере ИИ нужны большие вычислительные мощности: если первые суперкомпьютеры создавались в основном при научных организациях, то сейчас даже у топовых университетов мира нет таких ресурсов, как у бизнеса. Рейтинг суперкомпьютеров России, к примеру, возглавляют кластеры IT-компаний.
Другое значимое отличие — доступ к данным. Так, существует огромное количество научных статей по графовым нейросетям, но большинство из них разработано на академических датасетах (наборах данных), которые не полностью отражают достоверную реальность. Из-за этого результаты таких исследований могут плохо масштабироваться и приносить не так много пользы, как хотелось бы. Если же у ученых есть доступ к более объемным датасетам с хорошей разметкой, то и результаты их работы потом с большей вероятностью найдут применение в практических задачах.
При этом сама связь с продуктовыми командами ценна для ученых — это источник новых идей, задач, постановок вопросов и гипотез, на основании которых можно готовить статьи. Такая коммуникация позволяет не быть башней из слоновой кости, а поддерживать связь с реальным миром и заниматься тем, что действительно востребовано.
Как устроены научные отделы в корпорациях
Важная особенность современной науки заключается в том, что это командная работа. Образ одинокого ученого, который сидит в своем кабинете и ни с кем не коммуницирует, — это не про современное machine learning (ML). За счет того, что все эксперименты очень дорогие, а идей и гипотез существует много, ученым нужно постоянно общаться, распределять задачи, делиться опытом и экспертизой. Все ключевые научные статьи за последние годы — это статьи с огромным числом авторов.
Другая особенность научных исследований — гибкие сроки. Работа в индустрии всегда нацелена на результат, там есть четкие критерии эффективности и регулярные ревью, однако положение ученых несколько отличается. Научного результата зачастую нельзя добиться последовательным улучшением существующих технологий — нужна определенная научная смелость и время. Такие разработки могут занимать несколько лет и даже десятилетий, и компании учитывают это, когда ставят задачи.
При этом критерии оценки эффективности все же есть. Обычно учитывается high impact научных статей на топовых конференциях по актуальным темам. Второй важный параметр — наукоемкие трансферы экспертизы в продукты компании. Например, диффузионная нейросеть YandexART, которая лежит в основе приложения для генерации изображений «Шедеврум», была создана сотрудниками в Yandex Research.
Как стать исследователем в корпорации
Путь программиста довольно универсален: стажировка, затем позиция джуна и последующий карьерный рост с примерно понятными сроками. В науке все устроено иначе — человек не может прийти после аудиторных курсов и за несколько месяцев стать самостоятельным исследователем. Такие специалисты растут гораздо дольше.
Работа внутри исследовательских отделов часто построена по принципу классических научных школ. Человек с профильным образованием попадает в сильную научную среду: у него есть ментор, руководитель, он общается с коллегами и за счет этого растет.
Научная карьера требует полного погружения, поэтому в исследовательских группах обычно не бывает трехмесячных стажировок и других быстрых форматов входа в профессию. Бизнес стремится самостоятельно растить будущих исследователей. Например, корпорации создают совместные лаборатории с университетами, а их сотрудники становятся научными руководителями для студентов. Это помогает заинтересовать молодежь научной работой — знакомить с задачами и возможностями.
Важное качество исследователя — умение формировать свою повестку, не ожидать указаний от старших коллег, а самому уметь идентифицировать белые пятна в науке и предлагать идеи. Бывает, что профессора используют аспирантов как программистов, просто дают указания по проверке собственных идей. В результате после нескольких лет аспирантуры человек выходит неплохим разработчиком, но не является ученым. Для роста в этой сфере важно уметь самому задавать вопросы и выдвигать гипотезы.
Работа в науке — это всегда вызов. Нужно решать задачи, которые никто до вас не решал. Например, сейчас исследователи в ML работают над ускорением моделей. С ростом популярности нейросетей запросы пользователей растут все больше и больше, чтобы экономика сходилась, модель должна тратить как можно меньше вычислительных ресурсов. Это сложная проблема, но подобные вызовы мотивируют исследователей работать и искать новые пути.
Мнение редакции может не совпадать с точкой зрения автора