АҚШнинг Калифорния штатида жойлашган Стенфорд университети PhD дастурининг биринчи босқич талабаси ўзбекистонлик Абдумалик Абдуқаюмов оптимизация, машинавий ўқитиш, шунингдек АI Alignment ва AI Safety масалалари бўйича тадқиқот олиб бормоқда.
Шу билан бирга, у PhD дастурига танлов қандай ўтгани, тадқиқотининг долзарблиги, Стенфордда ўқишнинг афзалликлари ва тавсиялари билан ўртоқлашди.
Ўзим ҳақимда
– Мен Ўзбекистонданман. Қоракўлда жойлашган Халқаро математика мактабида таҳсил олганман, кейин эса Тошкент давлат иқтисодиёт университетида иқтисодиёт ва молия йўналишида ўқиганман. Тошкентда бўлган давримда вақтимнинг катта қисмини эҳтимоллар назарияси соҳасидаги илмий тадқиқотларга бағишладим. Уч йил аввал АҚШга кўчиб ўтдим ва Дюк университетида иқтисодиёт ва IТ бўйича магистр даражасини олдим. Ҳозирда Стенфорд университетида PhD дастурининг биринчи босқич талабаси ҳисобланаман. Тадқиқот қизиқишларим — оптимизация, машинавий ўқитиш, шунингдек AI Alignment ва AI Safety масалаларидир.
АИ Ресеарч соҳасига қандай кириб келганман
– Дюк университетида машинавий ўқитиш ва статистика йўналишида тадқиқотлар олиб бориш имкониятига эга бўлдим. Ўшанда англадимки, ўз математик ва иқтисодий билимларимдан сунъий интеллект (СИ) моделларининг самарадорлигини ошириш ва мураккаб масалаларни ечишда фойдаланишим мумкин. Тадқиқот қизиқишларим оптимизация билан чамбарчас боғлиқ бўлгани сабабли, алгоритмлар самарадорлиги муҳим роль ўйнайдиган AI Research соҳасига табиий равишда кириб келдим.
Менинг илмий фаолиятим кучли математик асосдан бошланган. Халқаро математика олимпиадаларида қатнашганимда, асосий ҳомийларимиз Жане Стреэт ва бошқа етакчи молиявий компаниялар эди. Улар кўпинча олимпиада ғолибларини ишга ёллашади. Афсуски, Ўзбекистонда бизда бу компанияларда тўғридан-тўғри ишлаш имконияти йўқ эди. Шу сабабли, дўстим билан бирга ўз хедж-фондимизни ташкил этдик ва мен у ерда етакчи квантитатив тадқиқотчи сифатида фаолият юритдим.
Эҳтимоллар назарияси бўйича олдинги илмий тажрибам бу вазифани муваффақиятли бажаришимга ёрдам берди. Биз алгоритмлар ишлаб чиқардик ва мураккаб оптимизация масалаларини ечдик. Афсуски, 2022 йилда фонд ёпилди. Дюк университетидаги магистратура дастурим бошланишидан бироз олдин Ўзбекистон Марказий банкининг Молиявий барқарорлик департаментида амалиёт ўташга ҳам улгурдим. Айнан шу амалий ва фундаментал тадқиқот тажрибаси мени илмий изланишларга янада чуқурроқ киришга ундади.
Мен Stanford GSB ни танладим, чунки бу жой қатъий академик тадқиқотлар ва Силикон водийсига яқинликни ўзида уйғунлаштирган ноёб муҳитдир. Менинг дастурим — Operations, Information and Technology (OIT) йўналишидаги PhD — мақсадларимга жуда мос келади. Биринчидан, ОIТ оптимизация ва стохастик моделлар бўйича чуқур назарий тадқиқотлар олиб бориш имконини беради, бу эса мустаҳкамловчи ўқитиш ва сунъий интеллект хавфсизлигининг асосини ташкил этади.
Иккинчидан, Стенфорд фанлараро ёндашувни қўллаб-қувватлайди, бу эса менга Computer Science департаменти ва Stanford HAI маркази мутахассислари билан ҳамкорлик қилиш имконини беради. Бундан ташқари, саноат етакчиларига яқинлик назарияни ривожлантириш билан бирга AI Alignment бўйича реал амалий муаммолар устида ишлашга шароит яратади. Мен учун тадқиқотларим амалий натижага эга бўлиши ва сунъий интеллект тизимларини янада ишончли ҳамда хавфсиз қилишга хизмат қилиши жуда муҳим.
PhD дастурига танлов қандай кечди?
– Стенфордга қабул жараёни ниҳоятда рақобатбардош. Жорий йилда OIT йўналишидаги PhD дастурига атиги уч нафар талаба қабул қилинди. Бундай йўналишга кириш учун кучли математик тайёргарлик жуда муҳим. Менинг ҳолатимда мактаб ва университет даврида қўлга киритилган халқаро математика олимпиадалари медаллари катта устунлик бўлди. Бу мукофотлар мураккаб тадқиқотлар олиб бориш учун зарур бўлган аналитик тафаккурга эга эканимни исботлади.
Бундан ташқари, дунё миқёсидаги Phd дастурлари учун тадқиқот тажрибаси ҳал қилувчи аҳамиятга эга. Қабулдан олдин мен Фуқуа бизнес мактабида профессор Йеҳуа Вэй билан яқиндан ҳамкорлик қилдим. Тадқиқотим оптимизация ва ўқитиш алгоритмларига, хусусан, кўп ўлчамли «пайғамбар тенгсизликлари»ни кенгайтиришга қаратилган эди. Бу тажриба қабул комиссиясига менинг мустақил илмий фаолиятга тайёр эканимни кўрсатди. Stanford GSB га қабул даражаси 5 фоиздан кам эканини инобатга олсак, олимпиада тажрибаси ва реал академик ишланмалар менинг муваффақиятимнинг асосий калитига айланди.
Иқтисодиёт ва ўйинлар назариясининг AI Safety даги роли
– Иқтисодиёт ва алгоритмик ўйинлар назарияси бўйича тайёргарлигим АI тадқиқотларида, айниқса AI Alignment ва AI Safety йўналишларида менинг энг катта устунликларимдан биридир. Биринчидан, AI Alignment муаммоси моҳиятан механизмлар дизайни масаласидир. Биз АI агентининг хатти-ҳаракати инсоний қадриятларга мос келиши учун рағбатлар ва мукофот функцияларини лойиҳалашга ҳаракат қиламиз. Ўйинлар назарияси бундай ўзаро таъсирларни моделлаштириш учун қатъий математик аппарат беради.
Иккинчидан, замонавий АI усуллари, айниқса мустаҳкамловчи ўқитиш, математик иқтисодиётдаги оптимизация ва стохастик жараёнлар билан бир хил фундаментал тамойилларга асосланади. Пайғамбар тенгсизликлари ва регрет чегаралари билан ишлаш тажрибам ўқитиш алгоритмларининг самарадорлиги ва ишончлилигини таҳлил қилишда бевосита қўлланилади. Ниҳоят, кўп агентли тизимларда ўйинлар назарияси уларнинг хатти-ҳаракатларини олдиндан башорат қилиш ва барқарорлаштиришнинг ягона усулига айланади, бу эса кутилмаган ёки хавфли оқибатларнинг олдини олишга ёрдам беради. Фанлараро билимларим СИ хавфсизлигини фақат муҳандислик муаммоси эмас, балки мураккаб рағбатлар ва стратегик қарорлар тизими сифатида кўришимга имкон беради.
Қийинчиликлар
– Назарий математика ва иқтисодиётдан техник СИ соҳасига ўтиш қизиқарли синов бўлди. Мен иккита асосий қийинчиликни ажратиб кўрсатган бўлардим. Биринчиси — «исботга асосланган» тафаккурдан «экспериментал» тафаккурга ўтиш. Математикада теорема исботланса, у ҳар доим тўғри бўлади. Чуқур ўқитиш ва RL да эса назария кўпинча амалиётдан кейин шаклланади. Кўплаб тажрибалар ўтказиш, гипермуҳитларни созлаш ва дарҳол назарий тушунтириб бўлмайдиган эмпирик натижаларни таҳлил қилишга ўрганишимга тўғри келди.
Иккинчиси — муҳандислик жиҳати. Дастурлаш бўйича базам бўлсада, замонавий AI PyTorch, GPU ҳисоблашлари ва мураккаб оптимизация алгоритмларини самарали амалга ошириш каби махсус технологик билимларни талаб қилади. Бу ерда олимпиада тажрибам катта ёрдам берди: у янги абстракт тузилмаларни тез англаш ва ноодатий ечимлар топишга ўргатган. Натижада, зарур воситаларни тез ўзлаштириб, асосий мақсадга — оптимизация орқали АI тизимларининг хавфсизлиги ва ишончлилигини оширишга эътибор қаратдим.
Стенфорд университетининг Phd талабаси Абдумалик Абдуқаюмовнинг фикрича, илмий тадқиқотларда боши берк кўчаларга кириб қолиш муқаррар — бу янги билим излаш жараёнининг бир қисми.
Шундай пайтларда мен қуйидаги ёндашувлардан фойдаланаман:
— олимпиада тажрибам шуни ўргатдики, агар масала узоқ вақт ечилмаса, эҳтимол бошида нотўғри тахмин қилинган. Шунинг учун моделни энг содда ҳолатгача қисқартириб, ғояларим элементар мисолда ишлашини текшираман;
— Стенфордда ўқишнинг энг катта афзалликларидан бири — етук мутахассисларга мурожаат қилиш имконияти. Кўпинча ҳамкасбларим ёки илмий раҳбарим билан муаммоларни муҳокама қиламан. Ташқи қараш баъзан чуқур тафсилотлар ичида кўрмай қолган жиҳатларни очиб беради;
— агар «айланиб қолганимни» сезсам, вақтинча бошқа вазифага — масалан, дастурлашга ёки қўшимча адабиёт ўқишга ўтаман. Кўпинча ечим айнан шундай интеллектуал танаффус пайтида келади;
— қайси йўл нега ишламаганини ёзиб бораман. Тадқиқотда манфий натижа ҳам натижадир. Бу жараённи тизимлаштириш ва хатоларни такрорламасликка ёрдам беради.
Бундай ёндашув мотивацияни сақлаб қолишга ва ҳар бир қийинчиликни тўғри ечим сари қадамга айлантиришга ёрдам беради.
Энг мураккаб техник муаммо
– Мен ишлаган энг мураккаб техник масалалардан бири Дюк университетида профессор Еҳуа Wэи билан олиб борилган тадқиқот эди. Биз мураккаб қарор қабул қилиш сценарийлари учун кўп ўлчамли пайғамбар тенгсизликларини кенгайтириш устида ишладик. Асосий қийинчилик «ўлчамлар лаънати» эди: кўп ўлчамли ҳолатларда оптимизация масаласидаги чекловлар сони экспоненциал равишда ортиб, стандарт ҳисоблаш усулларини самарасиз қилади.
Менинг вазифам аниқликни йўқотмасдан моделни ҳисоблаш жиҳатдан самарали қилиш йўлини топиш эди. Бу муаммони ҳал қилиш учун экспоненциал эмас, балки полиномиал миқдордаги чекловларга эга чизиқли дастурлаш формулациясини ишлаб чиқдим. Бу стохастик моделлаштириш ва комбинатор оптимизация аппаратидан чуқур фойдаланишни талаб қилди. Натижада, биз ўқитиш алгоритмлари учун янги регрет чегараларини исботлашга муваффақ бўлдик. Бу тажриба менинг AI Safety соҳасидаги ҳозирги ишларим учун жуда муҳим бўлди: у менга АИ тизимларининг хавфсизлиги ва ишончлилиги, айниқса юқори ноаниқлик шароитида, алгоритм хатти-ҳаракатларининг математик исботланган кафолатларидан бошланишини ўргатди.
Тавсиялар
Тоза математикадан АI хавфсизлиги тадқиқотларига ўтиш тажрибамга таянган ҳолда, 3 та асосий маслаҳат бераман:
- Математик пойдеворни мустаҳкамланг. AI Safety — бу фақат фалсафа эмас, балки қатъий техник фан. Эҳтимоллар назарияси, оптимизация ва стохастик жараёнларни чуқур билиш сизга мавжуд моделларни шунчаки қўллаш эмас, балки уларнинг хавфсизлигини текширишнинг янги усулларини яратиш имконини беради.
- Ўйинлар назарияси ва рағбатлар иқтисодиётини ўрганинг. Аlignment муаммоси — бу тизимни биз белгилаган мақсадларга амал қилишга мажбур қилиш, «мукофотни алдаш»дан қочиш масаласидир. Ўйинлар назарияси мукофот функцияларини лойиҳалаш ва агентлар хатти-ҳаракатини таҳлил қилишда ёрдам беради.
- Фанлараро ёндашув ва эрта тадқиқотлардан қўрқманг. AI Safety турли соҳалардан — компьютер фанларидан тортиб сиёсий иқтисодиётгача — ғояларни талаб қилади. Профессорлар ёки илмий лабораториялар билан реал лойиҳаларда ишлаш имкониятларини изланг. Ҳақиқий мақола ёки алгоритм устида ишлаш адабиёт ўқишдан кўра кўпроқ билим беради.
Бу соҳа ҳали ёш. Айнан ҳозир сизда сунъий суперинтеллект даврида инсоният келажаги қандай бўлишига ўз ҳиссангизни қўшиш имконияти мавжуд.
