Arnel Pällo: andmeteaduse magistriõppes sain teada, kuidas rottide mõtteid lugeda
Arnel Pällo sai bakalaureusekraadi informaatikas ja asus tööle tarkvaraarenduse vallas. Pärast kümmet aastat tuli ta tagasi ülikooli ja alustas andmeteaduse magistriõpinguid. Praegu töötab Arnel tehisintellekti iduettevõttes Pactum AI, kus automatiseeritakse inimestega läbirääkimisi. Loe siit Arneli kogemuslugu.
Sain bakalaureusekraadi juba 2010. aastal ja olen sealtmaalt töötanud tarkvaraarenduses. Fännan start-up-maailma elustiili ning mul on õnnestunud tarkvaraarhitekti või tehnilise liidrina töötada mitmes Eesti parimas (Estonian Mafia hall-of-fame) idufirmades, nagu ZeroTurnaround, Bolt ja Pactum AI. Vahepeal leidsin end külalisõppejõuna ülikoolides Javat ja teisi programmeerimisaineid õpetamas.
Esimene tõsisem kokkupuude andmeteadusega oli mul Boltis töötades. Andmeteadlased koostasid arvukalt keerulisi mudeleid ning arvutasid nii autojuhtide kui ka sõitjate kohta igasuguseid põnevaid ennustusi. Tarkvaraarendajate ülesandeks jäi välja mõelda, kuidas see kõik koos ülejäänud infosüsteemidega reaalajas tööle panna. „Klassikalise IT“ katsumused ei kadunud kuhugi, hoopis vastupidi – kaks väga erinevat maailma tuli omavahel põimida ja koos toimima panna. Seal saigi selgeks, kui vähe ma ikkagi tehisintellektist ja selle arendamisest tean.
Tavaliselt on uue raamistiku või tehnoloogia selgeksõppimine lihtne ja loogiline - loe tutorial'i, mängi veidike koodinäidetega ja õhtuks ongi juba kogemus olemas. Andmeteaduse ja tehisintellektiga see nii lihtsalt ei läinud. Dokumentatsiooni lugemisest enam ei piisanud. Selle juurpõhjus on suures paradigma muutuses. Oleme harjunud tarkvara nägema kui täppisteadust. Me kirjutame koodi, mis on 100% korrektne ja jätkaks tõenäoliselt töötamist ka siis, kui kui inimkond on välja surnud või kui elekter ära kaob (v.a kuupäevadega seonduv). Tehisintellektiga on teistmoodi. See ei ole täppisteadus, vaid opereerib tõenäosusega. Üleöö on 95% täpsus piisavalt hea (v.a siis, kui ei ole). Lisaks toimub programmeerimine sageli ilma otsese programmeerimiseta ning selleks kasutatakse hoopis teistsuguseid töövõtteid ja lähenemisviise. Kõige lõpuks tekib küsimus, milliseid uusi probleeme me tarkvaraga lahendada suudame ja kuhu paigutub uutes süsteemides inimene.
Seepärast sobis mulle suurepäraselt akadeemiline lähenemine: teadmistest laotakse laiem alus, mitte ei õpetata kitsalt ühte probleemi lahendama. Sellest on palju kasu pea igas uues projektis, sest elementaarsed ja lihtsad lahendused enamasti puuduvad. Mulle meeldis väga õppeaine „Andmeteaduse meetodid“, mis pani meid alatihti kahtlema, kas andmetest suure töö ja vaevaga välja võlutud hüpoteesid peavad ka päriselt paika või on siiski tegu juhusega. Usaldusväärsus on teema, mida on võimatu ülehinnata. Ilma korraliku kvaliteedikontrollita ei võtaks meist ju keegi uut infosüsteemi kasutusele, aga klassikalisi tarkvarateste andmeteaduses üldjuhul kasutada ei saa. Samas on siiski vaja veenduda, et meie tehisintellekti mudelid töötavad.
Kuna bakalaureuseõpingute lõpetamisest oli möödas kümme aastat, osutus töö kõrvalt õppimine keerukaks. Muretsesin selle pärast juba enne sisseastumist ja nuputasin, kuidas edukalt laveerida. Olles tööelu ja sellega kaasneva rahalise vabadusega harjunud, ei olnud mõeldav, et võtaksin kaheks aastaks õpinguteks aja maha. Väga oluline oli tugi tööandjatelt, kes mõistsid, et vahel tuli tööülesandeid ohvriks tuua. Suur aitäh neile selle eest! Usun, et edukatele ettevõtetele on kasulik, kui nende töötajad ennast arendavad. Mõned planeerivad selle jaoks isegi isikliku arengu eelarve. Samuti on võimalik aastas võtta 20 päeva õppepuhkuseks. Seda sai kombineerida korralise puhkusega, mis kokku andsid üpris muljetavaldavas mahus lisaaega õpingute läbimiseks.
Iroonilisel kombel tuli abiks pandeemia, mis tõi kaasa korraliku arenguhüppe veebiõppes. Paljud õppeained muutusid suurel määral või täielikult interneti teel läbitavaks. Suutsin õppida ühe semestri ilma kordagi ülikoolis kohal käimata. See andis suure vabaduse valida praktikumides osalemise aega ja kohta, mistõttu jätkasin Tallinnas täiskohaga tööl käimist. Lõputööd kirjutasin jalgrattalaagris Itaaalia Alpides.
Praeguseks on paindlikkust veelgi lisandunud. Näiteks loodi andmeteaduse mikrokraadiprogramm, mis koosneb ainult viiest ainest (ühe semestri normkoormus) jaotatuna kahe semestri peale. Käkitegu! Minu kolm magistriõppe lemmikainet – „Andmeteaduse meetodid“, „Masinõpe“ ja „Tehisnärvivõrgud“ – on kõik selles programmis olemas. See annab väga hea teadmistebaasi tööeluks või magistriõppes jätkamiseks.
Kui juba algus tehtud ja alus laotud, siis soovitan kaaluda ka ülejäänud magistriprogrammi läbimist. Kui mikrokraadiprogrammis keskendutakse vaid alusteadmistele, siis magistriõpe sisaldab palju valikaineid selle kohta, kuidas teadmisi mingis huvipakkuvas valdkonnas päriselt rakendada. Näiteks õppisin arvutusliku neuroteaduse aines masinõppe abil rottide mõtteid lugema, abiks ajusse (roti omasse!) paigutatud elektroodid. Bioinformaatikas otsisime inimgenoomist huvitavaid mustreid ja seostasime neid mutatsioonidega. Muusika andmeanalüütikas proovisin masinõppe ja Fourier’ analüüsiga ehitada nutikat diskopalli. Mõni kursakaaslane arendas jällegi isesõitvaid autosid, töötles satelliidipilte või rakendas andmeteadust astronoomias. Valikuid oli rohkem kui vaba aega.
Kuigi õpingud olid suureks katsumuseks ja lõputöö kirjutamine väsitas korralikult ära, ei ole ma hetkekski kahetsenud, et selle tee jalge alla võtsin. Start-up-maailmas on see teinud minust palju laiema silmaringiga töötaja, kellele võib usaldada iga ülesande. Töötan nüüd tehisintellekti iduettevõttes Pactum AI, kus automatiseerime inimestega läbirääkimisi. Kombineerime andmeteadust psühholoogia ja Pareto-etektiivsuse printsiipidega. See võimaldab jõuda kokkulepeteni, mis on sageli mõlemale poolele kasulikumad kui status quo, ning teha seda tuhandete äripartneritega. Põnevad ajad!
