Արհեստական բանականությունը և տվյալագիտությունը՝ ՀՀ ԳԱԱ մաթեմատիկայի ինստիտուտի ուշադրության կենտրոնում

ՀՀ գիտությունների ազգային ակադեմիայի մաթե­մա­տիկայի ինստիտուտի արդիական թեմաներից է «Արհեստական բանականությունը և տվյալա­գիտու­թյունը», որը շահել է   ՀՀ կրթության, գիտության, մշակույթի և սպորտի նախարարության Գիտության կոմիտեի հայտարարած մրցույթը: Թեմայի ղեկավար, ինստիտուտի գիտաշխատող Առնակ Պողոսյանը կարևորում է մեքենայական ուսուցման (ՄՈՒ) և արհեստական բանականության (ԱԲ) խնդիրները. «Հիմնական շարժիչ ուժը տեղեկատվական տեխնոլոգիաների ոլորտի ընկերություններն են: Այս ընկերությունների արտադրանքի գերակշիռ մասը պահանջում է խելամիտ լուծումներ, որոնք մեծ տվյալների առկայության պայմաններում հնարավոր չէ իրականացնել առանց մեքենայական ուսուցման և արհեստական բանականության մեթոդների ներգրավվածության: Մեր խմբի հինգ անդամներից երեքն աշխատում են աշխարհահռչակ ՏՏ ընկերություններում (VMware, Inc., ԱՄՆ, ServiceTitan, ԱՄՆ)»:
 
Առնակ Պողոսյանը նշեց, որ այս թեմայի հիմնական աշխատանքները վերաբերում են ամպային ենթակառուցվածքների և նրանցում աշխատող ծրագրերի աշխատանքի մոնիտորինգին, կանոնավոր աշխատանքի պահպանմանը և առաջացած պրոբլեմ­ների հաղթահարմանը: «Բիզնեսի տեսանկյունից շատ կարևոր է ամպային տիրույթ­ների նորմալ աշխատանքը, քանի որ նրանց անկանոն աշխատանքը բերելու է ֆինանսական և վստահության կորստի: Ծրագրերի անխափան աշխատանքի ապահովումը հնարավոր է ամպային համակարգերում ընթացող պրոցեսների մոնիտորինգով, որի արդյունքում հավաքվում և պահվում են տվյալներ` հետագա մշակման համար: Ներկայիս ամպային համակարգերը շատ բարդ են, և դրանց պատասխանատուներն ի վիճակի չեն հետևելու և հասկանալու նրանցում ընթացող պրոցեսները, արագ արձագանքելու խնդիրներին: Անհրաժեշտ են խելացի լուծումներ՝ հիմնված արհեստական բանականության մեթոդների վրա», - ասաց Առնակ Պողոսյանը:
 
Ըստ նրա՝ դասական մոնիտորինգն ունի երեք հենասյուներ` տվյալների տեսակներ, որոնց հավաքելն անհրաժեշտ է ամպային ենթա­կառուց­վածք­նե­րում  և ծրագրերում ընթա­ցող պրո­ցես­ների բա­ցա­հայտ­ման հա­մար: Տվյալ­նե­րի յու­րաքան­չյուր տե­սակ դի­տար­կում է ամպային հա­մա­կարգը որոշակի անկյան տակ` ամբողջական պատ­­կե­րը բա­ցահայտելու համար:  «Հենա­սյու­ներից մեկը ժամանա­կա­յին շարքերն են (time series data), որոնք նկարագրում են պրոցեսների վարքը ժամանակի ընթացքում: Ժա­մա­նա­կա­յին շարքերը բազմաթիվ հարցերի պատասխաններ կարող են տալ: Կարևոր է ուսումնասիրել  նրանց պար­բե­րա­կանությունը, թրենդը, հասկանալ շարքերի վար­քա­գիծը և կատարել կանխա­տեսումներ, ան­հանգստու­թյուն արտահայտել` «ալերթ» (trigger alert/alarm/event), երբ այն շեղվում է կանոնավոր վարքագծից, ուսումնասիրել բաշխումները, ընդհանրապես արձանագրել ցանկա­ցած փոփոխություն (change detection), որը որևէ ձևով արտահայտում է համակարգի հնարավոր խափանումը: Ժամանակային շարքերը կարելի է նաև ուսումնասիրել խմբերով, հասկանալ նրանց կորելիացիաները՝ հատկապես որոշակի պրոբլեմների դեպքում, պարզել կարևոր և անկարևոր խմբերը, իրականացնել բազմաչափ կանխա­տե­սում­ներ: Էական է հասկանալ տարբեր ժամանակային շարքերից ստացված «ալերթ­ների» կորելացիաները, որոնք կավելացնեն խափանումների վերաբերյալ մեր տեղե­կությունները՝ օգնելով ավելի ավարտուն նկարագրել դրանք` դյուրինացնելով վերականգնման գործընթացը», - ասաց Առնակ Պողոսյանը:
 
Նա նշեց, որ ժամանակակից ծրագրերի մոնիտորինգը, որոնք բաշխված են ամպային տիրույթներում, բավական խճճված գործընթաց է, որի համար պահանջվում են խելացի տեխնոլոգիաներ: Այդպիսին է ծրագրի աշխատանքի հետքերի (appli­ca­tion traces) մոնի­տո­րինգը, որը հան­դի­սա­նում է դասական մոնիտորինգի երկրորդ հենասյունը: Ծրագրի հետքը դրա աշխա­տանքային պրոցեսի նկարագիրն է` ըստ ենթապրո­ցես­ների հեր­թա­կա­նու­թյան: Այն ցույց է տալիս բոլոր ենթապրոցեսների տևողությունները և այլ մանրամասներ, որոնց միջոցով կարելի է պարզել աշխատանքի կանոնավոր և վթարային ընթացքները: Արհեստական բանականության խնդիրն է հասկանալ, կանխատեսել կամ բացատրել ենթապրոցեսներից որևէ մեկի խափանումը, որը կազդի ծրագրի ամբողջ աշխատանքի վրա:
 
«Մոնիտորինգի երրորդ հենասյունը ծրագրի լոգերն են (log data, logging)՝ կարճ հաղորդագրությունները ծրագրի կատարման տարբեր օղակ­ների վերաբերյալ, որոնցով  կարելի է իրա­կանացնել դիագնոստիկա խա­փա­­նումները հասկանալու համար: Լոգերը գե­նե­րացվում են ծրագրի աշ­խա­տանքի ընթացքում և պահվում են առանձին ֆայլերում, որոնք անհրա­ժեշտու­թյան դեպ­քում կարելի է ուսումնասիրել: Հաշվի առնելով դրանց ծավալ­ները` ոչ մի ադմինիստրատոր ֆիզիկապես չի կարող դրանք կարդալ և վերլուծել: Անհրաժեշտ են խելացի և ինքնուրույն աշխատող  ալգորիթմներ: Մեքենայական ուսուցման ալգորիթմները փորձում են լոգերի օգնությամբ հասկանալ կանոնավոր  աշ­խա­տանքի օրինա­չափու­թյունները, պարզել խափանումները, և դրանց դեպքում գտնել բացատրու­թյուններ` արագ վե­րաց­նելու համար», - ասաց Առնակ Պողոսյանը:
 
Նրա խոսքով՝ բոլոր հավաքված տվյալները ծառայում են մեկ ընդհանուր նպատակի՝ հայտնա­բե­րել կամ կանխատեսել հա­մա­կարգի խնդիրները, որոնք բա­ցասա­բար են ազդելու վերջնական օգտագործողների վրա, և բա­ցատ­րել դրանք մարդուն հասկանալի լեզ­վով` վթարները արագ վերաց­նե­լու կամ կանխելու նպատակով: Ցանկալի է նաև խնդիրների վերացման պրոցեսների ավտոմատացումը` առանց մարդու մի­ջամտու­թյան: Դրա համար կարևոր են երևույթների պատ­ճառա­հետևան­քային կա­պե­րը: Խնդիրների շտկման համար շատ կարևոր է գտնել այն հիմնական պատճառը (root cause), որից սկսվել են համակարգի մնացած պրոբլեմները` առկա խնդիրները լուծելու կամ նորերից խուսափելու համար: Իր հերթին սա նշանակում է, որ մեքենայական ուսուցման և արհեստական բանականության ալգորիթմների պատասխանները պետք է որոշակի բացատրելիություն ապահովեն:  «Մեքենայական ուսուցման ալգորիթմները երկու հիմնական առաջադրանք են կատարում` տվյալ­ների կանխատեսում և բացատ­րում: Կախված կի­րա­ռություններից՝ կամ կարևոր­վում է դրանցից որևէ մեկը, կամ երկուսն էլ: Ընդհանուր առմամբ, այս երկու խնդիրներն իրար հակասող են: Կան ալգորիթմներ կանխատեսման շատ մեծ հնարավորություններով, ինչպիսիք են խորը ուսուցման մեթոդները, որոնք ունեն բացատրելիության շատ ցածր մակարդակ: Այս մեթոդները հայտնի են ինչպես սև արկղեր՝ հատկապես նշելու համար, որ դրանց տրված պատասխանների աղբյուրը մեզ անհասկանալի է, տեսանելի է միայն տվյալ­ների մուտքը և ելքը: Մյուս կողմից հայտնի են ալգո­րիթմ­ներ բացատրելիության շատ բարձր մակարդակով, ինչպիսին են ծառերը (decision trees) և կանոններ սովորող մեթոդները (rule induction methods), որոնք իրենց կան­խա­տեսման հզորությամբ չեն կարող մրցել խորը ուսուցման ալգորիթմների հետ: Նման մեթոդները հայտնի են ինչպես սպիտակ արկղեր, որով ցանկանում են շեշտել, որ նրանց աշխատանքի ընթացքը լիովին տեսանելի է», - բացատրեց Առնակ Պողոսյանը:
 
Այժմ առանձնահատուկ կարևորության է արժանանում բացատրելի արհեստական բանականությունը: Մեքենայական ուսուցման ալգորիթմներ օգտագործողների գերակշռող մասը համարում է, որ պետք չէ կուրորեն վստահել արհեստական բանականության կան­խա­տեսումներին`  առանց հաս­կա­նալու դրանց առա­ջաց­ման տրա­մա­բա­նու­թյու­նը: Բա­ցատրելիությունը  վստա­հություն է հա­­­ղոր­­­դում լուծումների նկատմամբ, քանի որ  բացահայտում է դրանց առաջացման պրոցեսը: Բացատ­րելի արհեստական բանականությունը կարող է անփոխարինելի դեր ունե­նալ բժշկությունում, ֆինանսներում և այլուր:
Ստացված արդյունքների մի մասը տպագրվել է Sensors ամսագրում (https://www.mdpi.com/1424-8220/21/5/1590):
 
ՀՀ ԳԱԱ տեղեկատվական-վերլուծական ծառայություն