Казахстанка из аула в Туркестанской области стала AI-исследователем в США
Асель Кембай выросла в ауле почти без доступа к интернету, а первый ноутбук у девочки появился только в старших классах. Однако это не помешало научной карьере в одной из самых сложных ИТ-сфер – в AI-исследованиях нейроморфных (воспроизводящих принципы работы человеческого мозга) технологий. Девушка прошла путь от бакалавриата в Астане до PhD в Калифорнийском университете в США. За несколько лет она успела поработать в Южной Корее, поучаствовать в создании метода прогнозирования эпилептических приступов и попасть на стажировку в венчурном фонде Эндрю Ына – одного из пионеров современного искусственного интеллекта.
Специально для Digital Business Асель рассказала, почему решила стать AI-исследователем и какой вклад уже внесла в науку. Поговорили также о том, в чем ИИ пока уступает человеческому мозгу и почему Казахстану нужны не только стартапы, но и сильная исследовательская среда.
«Уже в 9-м классе подготовила научную работу по математике»
– Выросла в ауле Ынтымак Туркестанской области. С 7-го по 11-й класс училась в школе-интернате «Дарын» для одаренных детей в Тюлькубасском районе. Регулярно участвовала в олимпиадах по математике на региональном уровне. Уже в 9-м классе подготовила научную работу об особых способах вынесения многочленов из-под корня. Думаю, именно тогда во мне родился интерес к исследованиям. При этом ноутбук появился только в 10-м классе – получила его за победу на Президентской олимпиаде. Радость была огромная. Наверное, именно тогда впервые на собственном опыте поняла: методичная работа рано или поздно приносит плоды.
Бакалавриат окончила по специальности «Математическое и компьютерное моделирование» в Евразийском национальном университете имени Л. Н. Гумилева. На меня сильно повлиял период, когда 8 месяцев по обмену училась в Индии. Там изучала программирование на C++ и Java. До этого мой фокус был в основном на теоретической математике. Но через код начала видеть, как абстрактные модели могут превращаться в реальные вычислительные системы.
Студенткой работала в Назарбаев Университете ассистентом-исследователем у профессора математики Дурвудхана Сурагана. Именно он впервые предложил мне всерьез задуматься об академической карьере. В конце концов решила в перспективе поступать на PhD.
«Три года в Южной Кореи закалили меня»
– Следующим этапом стала магистратура в Южной Корее. Получила полную стипендию на обучение и начала исследовательскую работу в Центре вычислительного материаловедения при Корейском институте науки и технологий – KIST. Там повезло трудиться под руководством доктора Сынчула Кима. Занималась компьютерным моделированием материалов: с помощью физических уравнений и программного кода изучала, как взаимодействуют атомы. Было удивительно видеть, что происходящее в реальном веществе можно воспроизвести в цифровой модели.
Тогда задумалась, можно ли научить алгоритм предсказывать поведение атомов и материалов на основе уже известных примеров, не выполняя каждый раз сложные физические расчеты с нуля. Так мой интерес постепенно сместился от вычислительной физики к ИИ.
После этого перешла в Центр искусственного интеллекта KIST, где продолжила обучение и начала заниматься исследованиями в области ИИ и робототехники.
Три года в Южной Корее закалили меня. Была в шоке от требовательности профессоров и того, сколько там принято работать – не по расписанию, а столько, сколько нужно для достижения результата. Но со временем привыкла к интенсивному темпу.
«Пытаемся понять, как мозг может быть таким эффективным»
– Когда выбирала, где получать PhD, обращала внимание на научного руководителя и подходящую исследовательскую среду. Нашла и то, и другое в Калифорнийском университете в Санта-Крузе.
Ощутила гораздо больше свободы. В Южной Корее были важны часы в лаборатории и четкое следование указаниям научного руководителя. В США оценивают прежде всего результат. Здесь можно спорить с профессором, отстаивать свою точку зрения, и это нормально. Для меня это стало важным сдвигом: пришлось учиться формулировать и защищать собственную научную позицию.
Мое основное направление – импульсные нейронные сети и нейроморфные вычисления. Чтобы понять, зачем вообще нужны такие технологии, достаточно посмотреть на то, сколько ресурсов сегодня требует искусственный интеллект. Современные AI-модели невероятно мощные: они могут писать тексты, распознавать лица и даже превосходить людей в сложных играх. Но обучение современных флагманских AI-моделей требует огромных объемов электроэнергии. Например, по оценке исследовательской организации Epoch AI, на обучение Grok 4 ушло около 310 млн кВт·ч — такого объема хватило бы, чтобы целый год обеспечивать электричеством небольшой город с населением около 4 тысяч человек.
А человеческому мозгу нужна энергия со средней мощностью всего около 20 Вт — примерно как светодиодная лампочка. При этом он одновременно успевает обрабатывать то, что мы видим и слышим, управлять движениями, хранить воспоминания и принимать решения. Разрыв в эффективности в пользу мозга колоссальный.
Нейроморфные вычисления пытаются учиться у человеческой центральной нервной системы. По сути, хотим понять, как наше тело может быть таким эффективным.
На самом деле, мозг не обрабатывает информацию непрерывно. Нейроны взаимодействуют через короткие электрические события – так называемые «спайки», или импульсы. Они активируются только тогда, когда это действительно необходимо. Такая событийная и разреженная коммуникация крайне эффективна.
Такие ученые, как я, пытаются воспроизвести этот принцип, чтобы AI мог решать сложные задачи быстрее и с гораздо меньшими затратами энергии.
«Предупреждение о приступе эпилепсии хотя бы за 30 минут может спасти пациенту жизнь»
– Мозг интересен исследователям не только своей энергоэффективностью. Еще один принцип, который попытались перенести в AI, – способность постоянно строить прогнозы и корректировать их, когда появляется что-то новое.
На основе этой идеи вместе с командой разработали метод Future-Guided Learning и проверили его на прогнозировании эпилептических приступов по ЭЭГ.
В системе используются две модели. Одна учится распознавать приступ по данным, полученным непосредственно во время него. Вторая – замечать более ранние изменения в сигнале, которые могут указывать на приближение события. Благодаря такому обучению модель прогнозировала его примерно за 30 минут до начала.
В перспективе подобный подход может лечь в основу систем, которые постоянно анализируют ЭЭГ человека и заранее сообщают о риске приступа. Это могло бы дать человеку время подготовиться и оказаться в более безопасных условиях. Предупреждение даже всего за полчаса может спасти жизнь.
На одном из наборов данных наш метод улучшил качество прогнозирования на 44,8% по показателю AUC-ROC по сравнению с базовой моделью. Результаты опубликовали в научном журнале Nature Communications. Тогда увидела, как исследования могут применяться к конкретным человеческим проблемам. Это было отрезвляюще и вдохновляюще одновременно: с одной стороны испытывала гордость за успех, с другой ощущала груз ответственности. За каждой цифрой может стоять чья-то реальная безопасность.
«В продуктовой среде задаются вопросом: “Нужно ли это пользователю?”»
– Во время PhD много занималась фундаментальными исследованиями, но в какой-то момент стало интересно посмотреть, как AI-разработки превращаются в реальные продукты. Так попала на стажировку в AI Fund – венчурную студию, основанную одним из самых известных исследователей искусственного интеллекта Эндрю Ыном. Это было удивительное чувство: когда только начинала изучать машинное обучение, училась в том числе по онлайн-курсам Ына, а спустя несколько лет уже работаю в его команде. Там работала над технологией отслеживания движений человека. Мы исследовали, как с помощью компьютерного зрения научить AI понимать перемещения в реальном времени и адаптироваться к ним. Это нужно, чтобы AI мог лучше понимать действия человека и реагировать на них — например, в робототехнике, системах помощи человеку и других сценариях взаимодействия человека и машины.
Но самым важным для меня оказался даже не конкретный проект, а изменение подхода к работе. В академической среде главный вопрос часто звучит так: «Можно ли это сделать и есть ли здесь научная новизна?». В продуктовой среде к нему добавляется другой: «А нужно ли это пользователю?». Здесь недостаточно построить технически хорошую модель – нужно быстро проверить ее на практике, получить обратную связь и понять, решает ли она реальную проблему.Вскоре поняла, насколько в продуктовой разработке важна скорость. В академической среде можно месяцами работать над идеей, прежде чем получить какую-то внешнюю проверку. Здесь совсем другой темп: сначала быстро делаешь MVP, выпускаешь его, получаешь обратную связь от пользователей и сразу дорабатываешь.
Сейчас работаю как Research Associate в британской компании Conscium. Она занимается безопасностью AI. Например, проверяет, насколько надежно ведут себя автономные AI-агенты, и параллельно вкладывается в изучение биологических данных. Я разрабатываю и улучшаю модели для анализа последовательности мРНК. Это молекула, которая передает клетке информацию для производства белка. Но разные последовательности работают неодинаково. Машинное обучение позволяет искать закономерности в огромном количестве данных и предсказывать их свойства. В перспективе это может использоваться в разработке лекарств и вакцин.
«Ученые создают фундамент, на котором строятся технологии будущего»
– Недавно получила статус PhD candidate – это означает, что основную учебную часть докторантуры уже прошла и сейчас сосредоточена на диссертации. В ней исследую, как сделать AI-модели более похожими на человеческий мозг: чтобы они могли постоянно учиться, осваивать новые задачи, не забывать старые знания и адаптироваться без полного переобучения.
Асель Кембай вошла в программу DAC Young Fellows для перспективных молодых исследователей в области вычислительных систем
За эти годы поняла, что исследования по своей природе связаны с неопределенностью. Можно месяцами работать над идеей и не знать, сработает ли она. Для этого нужен совершенно другой тип мышления.
На разных этапах жизни у меня были более предсказуемые варианты: стабильная работа в индустрии, знакомая среда, возможность остаться в одной стране. Вместо этого выбирала переезды и работу без гарантированного результата.
Но это точно того стоило. Значение науки огромно. Ученые создают фундамент, на котором строятся технологии будущего.
Сегодня многие молодые казахстанцы стремятся запускать стартапы. Моя же мечта – открыть на родине институт, где можно заниматься AI-исследованиями, которые создадут базу для новых технологических компаний.