AQSHning Kaliforniya shtatida joylashgan Stenford universiteti PhD dasturining birinchi bosqich talabasi o‘zbekistonlik Abdumalik Abduqayumov optimizatsiya, mashinaviy o‘qitish, shuningdek AI Alignment va AI Safety masalalari bo‘yicha tadqiqot olib bormoqda.
Shu bilan birga, u PhD dasturiga tanlov qanday o‘tgani, tadqiqotining dolzarbligi, Stenfordda o‘qishning afzalliklari va tavsiyalari bilan o‘rtoqlashdi.
O‘zim haqimda
– Men O‘zbekistondanman. Qorako‘lda joylashgan Xalqaro matematika maktabida tahsil olganman, keyin esa Toshkent davlat iqtisodiyot universitetida iqtisodiyot va moliya yo‘nalishida o‘qiganman. Toshkentda bo‘lgan davrimda vaqtimning katta qismini ehtimollar nazariyasi sohasidagi ilmiy tadqiqotlarga bag‘ishladim. Uch yil avval AQShga ko‘chib o‘tdim va Dyuk universitetida iqtisodiyot va IT bo‘yicha magistr darajasini oldim. Hozirda Stenford universitetida PhD dasturining birinchi bosqich talabasi hisoblanaman. Tadqiqot qiziqishlarim — optimizatsiya, mashinaviy o‘qitish, shuningdek AI Alignment va AI Safety masalalaridir.
AI Research sohasiga qanday kirib kelganman
– Dyuk universitetida mashinaviy o‘qitish va statistika yo‘nalishida tadqiqotlar olib borish imkoniyatiga ega bo‘ldim. O‘shanda angladimki, o‘z matematik va iqtisodiy bilimlarimdan AI modellarining samaradorligini oshirish va murakkab masalalarni yechishda foydalanishim mumkin. Tadqiqot qiziqishlarim optimizatsiya bilan chambarchas bog‘liq bo‘lgani sababli, algoritmlar samaradorligi muhim rol o‘ynaydigan AI Research sohasiga tabiiy ravishda kirib keldim.
Mening ilmiy faoliyatim kuchli matematik asosdan boshlangan. Xalqaro matematika olimpiadalarida qatnashganimda, asosiy homiylarimiz Jane Street va boshqa yetakchi moliyaviy kompaniyalar edi. Ular ko‘pincha olimpiada g‘oliblarini ishga yollashadi. Afsuski, O‘zbekistonda bizda bu kompaniyalarda to‘g‘ridan-to‘g‘ri ishlash imkoniyati yo‘q edi. Shu sababli, do‘stim bilan birga o‘z xedj-fondimizni tashkil etdik va men u yerda yetakchi kvantitativ tadqiqotchi sifatida faoliyat yuritdim.
Ehtimollar nazariyasi bo‘yicha oldingi ilmiy tajribam bu vazifani muvaffaqiyatli bajarishimga yordam berdi. Biz algoritmlar ishlab chiqardik va murakkab optimizatsiya masalalarini yechdik. Afsuski, 2022-yilda fond yopildi. Dyuk universitetidagi magistratura dasturim boshlanishidan biroz oldin O‘zbekiston Markaziy bankining Moliyaviy barqarorlik departamentida amaliyot o‘tashga ham ulgurdim. Aynan shu amaliy va fundamental tadqiqot tajribasi meni ilmiy izlanishlarga yanada chuqurroq kirishga undadi.
Men Stanford GSB’ni tanladim, chunki bu joy qat’iy akademik tadqiqotlar va Silikon vodiysiga yaqinlikni o‘zida uyg‘unlashtirgan noyob muhitdir. Mening dasturim — Operations, Information and Technology (OIT) yo‘nalishidagi PhD — maqsadlarimga juda mos keladi. Birinchidan, OIT optimizatsiya va stoxastik modellar bo‘yicha chuqur nazariy tadqiqotlar olib borish imkonini beradi, bu esa mustahkamlovchi o‘qitish va sun’iy intellekt xavfsizligining asosini tashkil etadi.
Ikkinchidan, Stenford fanlararo yondashuvni qo‘llab-quvvatlaydi, bu esa menga Computer Science departamenti va Stanford HAI markazi mutaxassislari bilan hamkorlik qilish imkonini beradi. Bundan tashqari, sanoat yetakchilariga yaqinlik nazariyani rivojlantirish bilan birga AI Alignment bo‘yicha real amaliy muammolar ustida ishlashga sharoit yaratadi. Men uchun tadqiqotlarim amaliy natijaga ega bo‘lishi va sun’iy intellekt tizimlarini yanada ishonchli hamda xavfsiz qilishga xizmat qilishi juda muhim.
PhD dasturiga tanlov qanday kechdi?
– Stenfordga qabul jarayoni nihoyatda raqobatbardosh. Joriy yilda OIT yo‘nalishidagi PhD dasturiga atigi uch nafar talaba qabul qilindi. Bunday yo‘nalishga kirish uchun kuchli matematik tayyorgarlik juda muhim. Mening holatimda maktab va universitet davrida qo‘lga kiritilgan xalqaro matematika olimpiadalari medallari katta ustunlik bo‘ldi. Bu mukofotlar murakkab tadqiqotlar olib borish uchun zarur bo‘lgan analitik tafakkurga ega ekanimni isbotladi.
Bundan tashqari, dunyo miqyosidagi PhD dasturlari uchun tadqiqot tajribasi hal qiluvchi ahamiyatga ega. Qabuldan oldin men Fuqua biznes maktabida professor Yehua Wei bilan yaqindan hamkorlik qildim. Tadqiqotim optimizatsiya va o‘qitish algoritmlariga, xususan, ko‘p o‘lchamli “payg‘ambar tengsizliklari”ni kengaytirishga qaratilgan edi. Bu tajriba qabul komissiyasiga mening mustaqil ilmiy faoliyatga tayyor ekanimni ko‘rsatdi. Stanford GSB’ga qabul darajasi 5 foizdan kam ekanini inobatga olsak, olimpiada tajribasi va real akademik ishlanmalar mening muvaffaqiyatimning asosiy kalitiga aylandi.
Iqtisodiyot va o‘yinlar nazariyasining AI Safety’dagi roli
– Iqtisodiyot va algoritmik o‘yinlar nazariyasi bo‘yicha tayyorgarligim AI tadqiqotlarida, ayniqsa AI Alignment va AI Safety yo‘nalishlarida mening eng katta ustunliklarimdan biridir. Birinchidan, AI Alignment muammosi mohiyatan mexanizmlar dizayni masalasidir. Biz AI agentining xatti-harakati insoniy qadriyatlarga mos kelishi uchun rag‘batlar va mukofot funksiyalarini loyihalashga harakat qilamiz. O‘yinlar nazariyasi bunday o‘zaro ta’sirlarni modellashtirish uchun qat’iy matematik apparat beradi.
Ikkinchidan, zamonaviy AI usullari, ayniqsa mustahkamlovchi o‘qitish, matematik iqtisodiyotdagi optimizatsiya va stoxastik jarayonlar bilan bir xil fundamental tamoyillarga asoslanadi. Payg‘ambar tengsizliklari va regret chegaralari bilan ishlash tajribam o‘qitish algoritmlarining samaradorligi va ishonchliligini tahlil qilishda bevosita qo‘llaniladi. Nihoyat, ko‘p agentli tizimlarda o‘yinlar nazariyasi ularning xatti-harakatlarini oldindan bashorat qilish va barqarorlashtirishning yagona usuliga aylanadi, bu esa kutilmagan yoki xavfli oqibatlarning oldini olishga yordam beradi. Fanlararo bilimlarim AI xavfsizligini faqat muhandislik muammosi emas, balki murakkab rag‘batlar va strategik qarorlar tizimi sifatida ko‘rishimga imkon beradi.
Qiyinchiliklar
– Nazariy matematika va iqtisodiyotdan texnik AI sohasiga o‘tish qiziqarli sinov bo‘ldi. Men ikkita asosiy qiyinchilikni ajratib ko‘rsatgan bo‘lardim. Birinchisi — “isbotga asoslangan” tafakkurdan “eksperimental” tafakkurga o‘tish. Matematikada teorema isbotlansa, u har doim to‘g‘ri bo‘ladi. Chuqur o‘qitish va RL’da esa nazariya ko‘pincha amaliyotdan keyin shakllanadi. Ko‘plab tajribalar o‘tkazish, gipermuhitlarni sozlash va darhol nazariy tushuntirib bo‘lmaydigan empirik natijalarni tahlil qilishga o‘rganishimga to‘g‘ri keldi.
Ikkinchisi — muhandislik jihati. Dasturlash bo‘yicha bazam bo‘lsa-da, zamonaviy AI PyTorch, GPU hisoblashlari va murakkab optimizatsiya algoritmlarini samarali amalga oshirish kabi maxsus texnologik bilimlarni talab qiladi. Bu yerda olimpiada tajribam katta yordam berdi: u yangi abstrakt tuzilmalarni tez anglash va noodatiy yechimlar topishga o‘rgatgan. Natijada, zarur vositalarni tez o‘zlashtirib, asosiy maqsadga — optimizatsiya orqali AI tizimlarining xavfsizligi va ishonchliligini oshirishga e’tibor qaratdim.
Stenford universitetining Phd talabasi Abdumalik Abduqayumovning fikricha, ilmiy tadqiqotlarda boshi berk ko‘chalarga kirib qolish muqarrar — bu yangi bilim izlash jarayonining bir qismi.
Shunday paytlarda men quyidagi yondashuvlardan foydalanaman:
— olimpiada tajribam shuni o‘rgatdiki, agar masala uzoq vaqt yechilmasa, ehtimol boshida noto‘g‘ri taxmin qilingan. Shuning uchun modelni eng sodda holatgacha qisqartirib, g‘oyalarim elementar misolda ishlashini tekshiraman;
— Stenfordda o‘qishning eng katta afzalliklaridan biri — yetuk mutaxassislarga murojaat qilish imkoniyati. Ko‘pincha hamkasblarim yoki ilmiy rahbarim bilan muammolarni muhokama qilaman. Tashqi qarash ba’zan chuqur tafsilotlar ichida ko‘rmay qolgan jihatlarni ochib beradi;
— agar “aylanib qolganimni” sezsam, vaqtincha boshqa vazifaga — masalan, dasturlashga yoki qo‘shimcha adabiyot o‘qishga o‘taman. Ko‘pincha yechim aynan shunday intellektual tanaffus paytida keladi;
— qaysi yo‘l nega ishlamaganini yozib boraman. Tadqiqotda manfiy natija ham natijadir. Bu jarayonni tizimlashtirish va xatolarni takrorlamaslikka yordam beradi.
Bunday yondashuv motivatsiyani saqlab qolishga va har bir qiyinchilikni to‘g‘ri yechim sari qadamga aylantirishga yordam beradi.
Eng murakkab texnik muammo
– Men ishlagan eng murakkab texnik masalalardan biri Dyuk universitetida professor Yehua Wei bilan olib borilgan tadqiqot edi. Biz murakkab qaror qabul qilish ssenariylari uchun ko‘p o‘lchamli payg‘ambar tengsizliklarini kengaytirish ustida ishladik. Asosiy qiyinchilik “o‘lchamlar la’nati” edi: ko‘p o‘lchamli holatlarda optimizatsiya masalasidagi cheklovlar soni eksponentsial ravishda ortib, standart hisoblash usullarini samarasiz qiladi.
Mening vazifam aniqlikni yo‘qotmasdan modelni hisoblash jihatdan samarali qilish yo‘lini topish edi. Bu muammoni hal qilish uchun eksponentsial emas, balki polinomial miqdordagi cheklovlarga ega chiziqli dasturlash formulatsiyasini ishlab chiqdim. Bu stoxastik modellashtirish va kombinator optimizatsiya apparatidan chuqur foydalanishni talab qildi. Natijada, biz o‘qitish algoritmlari uchun yangi regret chegaralarini isbotlashga muvaffaq bo‘ldik. Bu tajriba mening AI Safety sohasidagi hozirgi ishlarim uchun juda muhim bo‘ldi: u menga AI tizimlarining xavfsizligi va ishonchliligi, ayniqsa yuqori noaniqlik sharoitida, algoritm xatti-harakatlarining matematik isbotlangan kafolatlaridan boshlanishini o‘rgatdi.
Tavsiyalar
Toza matematikadan AI xavfsizligi tadqiqotlariga o‘tish tajribamga tayangan holda, 3 ta asosiy maslahat beraman:
-
Matematik poydevorni mustahkamlang. AI Safety — bu faqat falsafa emas, balki qat’iy texnik fan. Ehtimollar nazariyasi, optimizatsiya va stoxastik jarayonlarni chuqur bilish sizga mavjud modellarni shunchaki qo‘llash emas, balki ularning xavfsizligini tekshirishning yangi usullarini yaratish imkonini beradi.
-
O‘yinlar nazariyasi va rag‘batlar iqtisodiyotini o‘rganing. Alignment muammosi — bu tizimni biz belgilagan maqsadlarga amal qilishga majbur qilish, “mukofotni aldash”dan qochish masalasidir. O‘yinlar nazariyasi mukofot funksiyalarini loyihalash va agentlar xatti-harakatini tahlil qilishda yordam beradi.
-
Fanlararo yondashuv va erta tadqiqotlardan qo‘rqmang. AI Safety turli sohalardan — kompyuter fanlaridan tortib siyosiy iqtisodiyotgacha — g‘oyalarni talab qiladi. Professorlar yoki ilmiy laboratoriyalar bilan real loyihalarda ishlash imkoniyatlarini izlang. Haqiqiy maqola yoki algoritm ustida ishlash adabiyot o‘qishdan ko‘ra ko‘proq bilim beradi.
Bu soha hali yosh. Aynan hozir sizda sun’iy superintellekt davrida insoniyat kelajagi qanday bo‘lishiga o‘z hissangizni qo‘shish imkoniyati mavjud.
