Članak je napisao bivši učenik Gimnazije Srđan Lazendić.
Kada sam dobio poziv da napišem kratak članak o mom naučnom istraživanju, kao i popularnim tehnologijama, rado sam prihvatio. Kao bivši učenik Gimnazije ,,Jovan Dučić”, nadam se da će ovaj članak kao prvi iz odjeljka Profesionalna orijentacija pomoći d̄acima da lakše donesu odluku, ako to već nisu, o svojim budućim studijama. Nažalost, nisam bio svjestan koliko je težak i zahtjevan posao napisati naučno-popularan članak, naročito ako je taj članak namijenjen srednjoškolcima. Nadam se da ću u narednih nekoliko pasusa uspjeti da prenesem dio znanja i interesantnih informacija o oblasti vještačke inteligencije, i posebno o digitalnoj obradi slike i da ću na taj način da vas još više zainteresujem za ovu oblast.
U današnje vrijeme velika je potreba za računarima i računarskim naukama. Svi smo konstantno okruženi elektronskim proizvodima kao što su telefoni, laptop računari i sl. Pored toga, skoro svi smo korisnici društvenih mreža kao i web pretraživača, ali se rijetko pitamo šta se krije u pozadini svega toga i na kojem principu rade programi koji nam npr. na Facebook-u automatski predlože koga da označimo na slici. Autonomna vozila i robotika su izrazi koje je danas nemoguće izbjeći i ne čuti u vijestima, na radiju ili na internetu. Svi novi Tesla automobili imaju hardver koji će u budućnosti omogućiti u potpunosti samostalnu vožnju automobila. Sa samim razvojem teorijskih nauka, pa čak i više, razvijale su se i primjenjene nauke koje su za potrebe vojske i države, zahvaljujući sredstvima koja su se uvijek obezbjed̄ivala za ovu oblast, omogućile da danas postoji tehnika u obliku kakvom jeste. Neminovno je da je ovo oblast budućnosti i da iz dana u dan postoji sve više i više raznih poboljšanja u ovoj oblasti, kao i istraživanja koje se vrši i objavljuje.
Slika 1: Masovni podaci (eng. big data)
U posljednjih 20 godina oblast vještačke inteligencije je doživjela procvat sa razvojem računara i veoma brzih softvera, ali samim tim stvaraju se velike količine podataka koje je potrebno procesuirati. Iako je nekada postojala jedna velika oblast vještačke inteligencije, sada postoji mnogo manjih podoblasti koje se bave specifičnijim problemima. Neke od njih su mašinsko učenje (eng. machine learning), analiza podataka (eng. data mining), učenje u dubinu (eng. deep learning), nauka u podacima (eng. data science). . . Iako su se neke od njih razvile dosta davno, tek sada doživljavaju svoj procvat.
Slika 2: Razvoj nauke o podacima
Mašinsko učenje kao podoblast vještačke inteligencije, koristi vjerovatnoću i statistiku (kao važne oblasti matematike) u cilju učenja na osnovu prethodno dostupnih podataka. Drugim riječima ako našem programu damo dovoljno anotiranih podataka, on bi, u idealnom slučaju, morao da nauči karakteristike (eng. features) iz dostupnih podataka i u budućnosti izvrši predikciju na drugim, do tad, nevid̄enim podacima.
Veliku primjenu mašinsko učenje našlo je u analizi podataka (eng. data mining). U većini problema sa kojima se susrećemo imamo veoma velike baze podataka, pri čemu se javlja problem kako da iz velike količine podataka izdvojimo potrebne i važne podatke. Ovo je svakodnevno slučaj u bankama, bolnicama, telefonskim kompanijama i sl. Kompanije poput Amazona, koje se bave internet prodajom, odavno koriste sisteme za preporučivanje (eng. recommender system) koji na osnovu primjera kupovnih transakcija korisnika uče kako da budućim korisnicima preporučuju proizvode koji bi ih mogli interesovati.
Dok s jedne strane, mašinsko učenje ima za cilj da stvori sisteme koji mogu da uče na osnovu prethodnog znanja i iskustva, s druge strane vještačka inteligencija ima za cilj ne samo da imitira ljudsko razmišljanje kroz učenje nego i da ta mašina ima i apstraktno mišljenje kao i mogućnost rasud̄ivanja. Upravo to je zajednička komponenta velikoj većini najnovijih modela
koji su poznati pod nazivom učenje u dubinu (eng. deep learning) i u kojima sistem ima mogućnost učenja na više nivoa apstrakcije. Iako postoje već dugo, neuronske mreže i učenje u dubinu su 2012. godine značajno prevazišle postojeće metode u problemima kompjuterske vizije (eng. computer vision) i obrade slike. Od tada su neuronske mreže postigle velike uspjehe i u mnogim drugim oblastima, primarno u obradi prirodnog jezika, obradi teksta, igranju igara, obradi slike i sl. Ono što je naročito interesantno, jeste da u nekim problemima, prevazilaze i mogućnosti ljudskih eksperata.
Nakon ovog kratkog uvoda nadam se da sam uspio da vam pokažem da su vještačka inteligencija i mašinsko učenje dio našeg svakodnevnog života, iako toga nismo ni svjesni. U daljem tekstu ću pokušati da ukratko i jasno predstavim neke od originalnih rezultata mog samostalnog istraživanja, ali i rezultata do kojih je došlo u saradnji sa mojim mentorima i master studentima koji su master tezu radili pod mojim mentorstvom.
Zahvaljujući razvoju tehnologije danas nam je omogućeno da različite objekte predstavimo elektronskim putem u obliku višedimenzionalnih podataka pomoću vektora, matrica i tenzora (da, matematika će vam trebati u velikom obimu :-)). Takvi su npr. zvučni i video signali, slike, tekstualni dokumenti, otisci prstiju, hiperspektralni podaci itd.
Slika 3: Dio Gentskog oltara (lijevo), sa detektovanim pukotinama (u sredini) i popunjenim pukotinama (desno).
Jedna od interesantnih tema kojom se trenutno bavim zajedno sa trojicom master studenata jeste virtuelna restauracija i analiza umjetničkih slika. Konkretno, bavimo se virtuelnom restauracijom poznatog Gentskog oltara, kao jednog od najspektakularnijih umjetničkih djela iz 1432. godine koji se nalazi u Gentu, a djelo je braće van Eyck, poznatih flamanskih slikara.
Ovaj projekat uključuje interdisciplinarni rad izmed̄u stručnjaka za obradu slike, matematičara i istoričara umjetnosti kako bi zajedničkim naporima postigli što bolje rezultate. Naš cilj je da približimo kako je slika izgledala prije starenja i da pomognemo istorijskoj i umjetničkoj analizi same slike. Da bismo to postigli, razvijamo alate za detekciju pukotina (eng. crack detection) i popunjavanje piksela koji fale (eng. inpainting). Konkretno, razvijamo inovativne metode zasnovane na učenju u dubinu kako bismo postigli ispravne i vizuelno ugodne rezultate popunjavanja pukotina. Na Slici 3. vidimo dio panela Gentskog oltara na kojem su pukotine detektovane (u sredini) i popunjene (desno) pomoću metoda i algoritama koji se baziraju na učenju u dubinu.
Druga interesantna tema, koja je ujedno i tema moje doktorske disertacije, jesu interpretabilni metodi učenja u dubinu (eng. interpretable deep learning models). Posljednjih godina, neuronske mreže dovele su do brojnih uspjeha kao što smo već prethodno objasnili. Nažalost, često se ovi modeli smatraju ”black box” modelima, što znači da nismo uvijek u stanju da objasnimo proces i način na koji sistem uči. To nam nažalost onemogućava da poboljšamo sam algoritam jer ne znamo kada i zbog čega je algoritam dao pogrešnu predikciju. Upravo ovaj nedostatak interpretabilnosti predstavlja ozbiljnu prepreku za efektivno korišćenje vještačke inteligencije u zdravstvu. Moj rad se bazira na proširenju interpretabilnog okvira prema multimodalnim podacima (kao što su npr. X-ray, CT, MRI) za segmentaciju medicinske slike, sa posebnim akcentom na teorijskoj i praktičnoj analizi ovakvih modela. Kombinacijom različitih modaliteta, možemo detaljnije i preciznije da analiziramo same medicinske slike. Odred̄eni dijelovi koji nisu vidljivi na odred̄enim modalitetima mogu da budu jasno naznačeni na drugim, što je od velikog značaja za proces segmentacije. Jasno je da ovakvi modeli mogu da budu od velike pomoći medicinskim ekspertima.
Slika 4: Uspješna segmentacija različitih klasa tumora na mozgu. Koriste se medicinski podacisa različitim modalitetima (CT, X-ray, MRI…).
Na kraju članka opisaću moj razvojni put i kako sam uopšte odlučio da studiram matematiku, a onda i da se bavim ovom temom. Oduvijek sam znao da volim matematiku iako nisam uvijek imao najbolje ocjene iz matematike. Baš naprotiv, moje ocjene su varirale. Matematika pored talenta uvijek zahtjeva ogroman rad i predanost, ali kada sam u trećem srednje počeo predano da radim, shvatio sam koliko u matematici apsolutno sve ima smisla i koliko je sve mnogo više od pukog rješavanja zadataka. Veza izmed̄u različitih koncepata, način na koji se sve uklapa jedno u drugo je prosto nevjerovatan. U trećem srednje sam odlučio da želim da studiram matematiku, jer sam naprosto znao da želim da nastavim da ispitujem te ljepote koje sam sasvim malo dotaknuo u srednjoj školi. Niko od nas u srednjoj školi ne zna šta da očekuje od studija i da li je upravo to ono u čemu ćemo biti uspješni i u čemu ćemo uživati. To je sasvim drugi nivo, sasvim drugačiji pristup i sada kada sam držim nastavu studentima, vidim da veliki broj njih shvati da odred̄eni studijski program nije ono u čemu se pronalaze i da nakon jednog semestra ili jedne studijske godine odluče da promijene smjer ili studijski program. Najbitnije je da ste srećni u tome što radite. Ja sam imao sreću da izaberem ono što volim i nisam se pokajao što sam izabrao matematiku i zasigurno da ponovo sad biram, izabrao bih isti program na istom fakultetu.
2011. upisao sam studije matematike na Univerzitetu u Novom Sadu. Tokom studija, shvatio sam da najviše volim oblast matematičke analize (dio toga vi vidite sada u četvrtoj godini – funkcije, limesi, izvodi, integrali. . . ). I od prve godine i Uvoda u analizu, stalno sam pokušavao da proširim svoje znanje, tako da sam predmete uglavnom birao u skladu sa svojim afinitetima.
Naravno, tu je uvijek veliki broj obaveznih predmeta koji vam daju osnove iz različitih oblasti, ali uvijek imate odred̄en broj predmeta koje možete da birate u skladu sa onim što vas zanima.
Birao sam seminarske radove, dodatne projekte tako da uvijek mogu nešto dodatno da naučim iz realne analize, funkcionalne analize, diferencijalnih jednačina i drugih oblasti matematičke analize. Nakon osnovnih studija shvatio sam da podjednako volim i nauku i da držim nastavu, tako da sam iskombinovao program teorijske matematike i program nastavne matematike, kako bih jednog dana imao mogućnost da držim nastavu.
Još dok sam bio na prvoj godini master studija, konkurisao sam za odlazak na doktorske studije u inostranstvo. Imao sam želju da vidim kako se nauka radi na evropskim univerzitetima, kako mogu da donesem nekom univerzitetu svoju ekspertizu, ali isto tako da naučim mnogo od njih o samoj oblasti kojom se bave, ali i o njihovom pristupu radu. Nakon što sam završio rad na master tezi, 2016. godine sam otišao na doktorske studije na Univerzitet u Gent u Belgiji.
Tokom prve dvije godine mog boravka u Gentu bio sam zaposlen kao istraživač. U med̄uvremenu sam dostigao traženi nivo holandskog jezika, a s obzirom da volim da držim nastavu, konkurisao sam za asistentsku poziciju u istoj grupi. Od tad sam držao ili držim nastavu iz 8 različitih predmeta za studente osnovnih i master studija inženjerstva, matematike i arhitekture. Pored toga, radim sa master studentima tokom njihove završne godine kao mentor za rad na master (završnoj) tezi.
Ono što će biti od velike koristi budućim studentima koji žele da se bave gore navedenim oblastima jesu matematika i informatika (preciznije programiranje). Matematika pruža odličnu osnovu, daje jedan logički pristup rješavanju problema i daje vam fleksibilnost i mogućnost da lako pristupite različitim oblastima i da lako naučite tehnike i metode potrebne u fizici i tehnici. Programiranje je jako važna vještina jer vam omogućava da implementirate i praktično upotrijebite i uporedite svoje teorijske rezultate. Kao teorijski matematičar nisam imao nikakvih problema da brzo naučim Python (trenutno jedan od najpopularnijih programskih jezika) i da nakon završenih studija počnem da radim istraživanje iz oblasti koja je ipak bila udaljena od teorijske matematike i matematičke analize kojom sam se bavio. Upravo to je poenta uspješnog studiranja.
Nadam se da sam ovim člankom uspio da zadržim vašu pažnju i da vas makar malo zainteresujem za matematiku, informatiku, programiranje kao i samu vještačku inteligenciju. Za one koji imaju više pitanja ili nedoumica, uvijek možete da stupite u kontakt sa mnom putem e-mail adrese Srdan.Lazendic@UGent.be. I na kraju zapamtite da ,,Nije dovoljno samo imati dobar um – važno je i dobro ga iskoristiti” (René Dekart). Bitno je da radite na sebi, da produbljujete znanje iz oblasti koje vas zanimaju. Stoga, nad̄ite svoju pasiju, tražite ono što vas čini srećnim i u čemu ćete biti dobri, pa čak i ako ne uspijete u tome iz prve. Bitno je da budete srećni u onom što ćete raditi ostatak svog života. Želim vam puno sreće i uspjeha!
Srđanova biografija:
Srd̄an Lazendić je trenutno istraživač i asistent u nastavi u Clifford istraživačkoj grupi, na Departmanu za elektroniku i informacione sisteme, Univerziteta u Gentu u Belgiji.
Nakon završene Gimnazije u Doboju, studirao je teorijsku matematiku na Departmanu za matematiku i informatiku, Prirodno-matematičkog fakulteta, Univerziteta u Novom Sadu, do 2015. godine, a master rad pod nazivom ,,Matematički alati za redukciju dimenzionalnosti signala” odbranio je 28. jula 2016. godine. Nakon toga započinje doktorske studije na Univerzitetu u Gentu, a od septembra 2018. dobija zvanje asistenta u nastavi. Njegova oblast istraživanja su primjene alata Cliffordove analize za analizu višedimenzionalnih skupova podataka, kao i dictionary learning tehnike za rekonstrukciju retkih signala (sparse modeling) i obradu slike. Pored toga, bavi se teorijskim osnovama učenja u dubinu (interpetable deep learning models). Više o samom istraživanju, detaljna biografija kao i spisak naučnih radova može se naći na https://users.ugent.be/~slazendi/.
- Osnovne studije: Teorijska matematika, DMI-PMF-UNS (prosječna ocjena 9.61/10.00)
- Master studije: Teorijska matematika, DMI-PMF-UNS (prosječna ocjena 9.81/10.00)
- Doktorske studije: Matematika u tehnici, Clifford istraživačka grupa, UGent, Belgija