آگوست 2017
Sam Witteveen و Martin Andrews TensorFlow و Deep Learning سنگاپور را در فوریه 2017 راه اندازی کردند. این انجمن تنها در 8 ماه به 1.6 هزار عضو افزایش یافته است. در این مصاحبه، آنها در مورد چالش‌های منحصربه‌فرد با چنین رشد سریع و همچنین راه‌هایی برای جالب و سرگرم‌کننده کردن محتوای فنی بحث کردند.
سام، مارتین، به ما بگویید چرا تصمیم گرفتید یک انجمن یادگیری ماشینی و یادگیری عمیق در سنگاپور راه اندازی کنید.
سام: من و مارتین در نوامبر 2016 شروع به صحبت در مورد تشکیل یک انجمن کردیم. دیدیم که مردم به یادگیری ماشین و یادگیری عمیق علاقه مند هستند، اما واقعاً یک گروه ملاقات وجود نداشت. ما رسماً در فوریه 2017 پس از چند تبلیغ شدید از طرف خود شروع کردیم. مارتین در بسیاری از رویدادهای پایتون سخنران بود و من به صحنه استارت‌آپ محلی دسترسی پیدا کردم.
فلسفه ما از ابتدا این بود که محتوایی برای توسعه دهندگان مبتدی و پیشرفته همراه با گفتگوهای لایتنینگ و/یا سخنرانان مهمان داشته باشیم.
مارتین: همچنین بخشی از فلسفه این است که ما بدون رمز سخنرانی نخواهیم داشت: هر کسی که صحبت می کند باید کدی را نشان دهد که کار می کند. اگرچه سنگاپور صحنه MeetUp پر جنب و جوشی دارد و فرهنگی وجود دارد که مردم هر هفته برای یک یا چند MeetUp بیرون می روند، جذب افراد برای صحبت در رویدادها نسبتاً دشوار است. وقتی شروع کردیم، می‌دانستیم که این یک مشکل خواهد بود، و بنابراین، هم من و هم سم در هر یک از رویدادهایمان صحبت کرده‌ایم. بنابراین حتی اگر یک سخنران مهمان نداشته باشیم، من و سام مطمئن می شویم که محتوایی برای مبتدیان و چیزهای پیشرفته تر در هر رویداد وجود دارد. ما همچنین معتقدیم که مهم است که رویدادها به طور منظم رخ دهند، و می توان به آنها اعتماد کرد تا ارزش رفتن به آنها را داشته باشد. Google یک مکان 200 نفره برای رویدادهای ما فراهم کرده است. این بسیار مفید است، زیرا این بدان معناست که ما نباید نگران آن جنبه باشیم.
آیا شبکه سازی بخشی از رویدادهای شماست؟
سام: منظورم این است که ما هیچ کس را از شبکه سازی منع نمی کنیم، اما واقعا زمانی برای شبکه سازی اختصاص داده نشده است. با این حال، مردم هنوز به صورت ارگانیک شبکه می کنند.
مارتین: پیتزا، بنا به دلایلی، واقعاً در سنگاپور گران است و ما نتوانستیم روی هیچ غذای توسعه دهنده دیگری به توافق برسیم (خنده). پس ما غذا نداریم
جلسات ما معمولاً از ساعت 7 تا 9 بعد از ظهر برگزار می‌شود، و سپس حدود نیمی از جمعیت پراکنده می‌شوند و بقیه فقط می‌آیند و صحبت می‌کنند.
شما در مورد ترویج جلسات انجمن خود صحبت می کردید. چطور پیش رفتید، از چه ابزاری استفاده کردید؟
سام: شفاهی این بود که مردم چگونه با ما آشنا شدند. ما همچنین مطمئن می‌شویم که در هر جلسه حداقل یک موضوع داغ مانند زیرنویس تصویر داشته باشیم. این عامل اصلی در بازگرداندن مردم بوده است. هر ماه همچنین یک موضوع متمرکز را انتخاب کرده ایم. ما یک موضوع ماه داریم. به عنوان مثال، آموزش عمیق را برای موبایل، موضوعات مختلف در مورد متن و غیره پوشش داده ایم.
قبل از اینکه اولین ملاقات خود را داشته باشیم، برخی از اطلاعیه‌ها را در جوامع توسعه‌دهنده و استارت‌آپ فیس‌بوک پست کردم. از آن زمان، ما از Meetup.com استفاده می کنیم و این برای ما خوب است.
فقط در 7 ماه از 0 به 1.6 هزار عضو رسیدید. چند چالش منحصر به فرد مرتبط با چنین رشد سریعی چیست؟
سام: یکی از چالش‌های ما این است که چگونه ملاقات‌ها را برای تازه‌واردانی که ملاقات‌های قبلی را تجربه نکرده‌اند و در عین حال برای اعضای ارشد که محتوای پیشرفته‌تری می‌خواهند جذاب کنیم. ما اکنون به انجام تکرار محتوای مبتدیان به عنوان رویدادهای "تصاویر" جداگانه فکر می کنیم. همچنین، از آنجایی که TensorFlow بسیار پیشرفته است، ما افرادی را داریم که به ملاقات می آیند با این احساس که این می تواند برای آنها مفید باشد، اما آنها 100% مطمئن نیستند که چگونه. بنابراین من و مارتین به طور فعال خود را برای گفتگو در دسترس قرار داده ایم. چالش ما این است که افرادی را پیدا کنیم که برنامه های جالب ML/DL را انجام می دهند و از آنها بخواهیم بیایند و در مورد آن صحبت کنند.
مارتین: مبتدی ها چندان خوش صدا نیستند – آنها فقط می خواهند یاد بگیرند. افراد پیشرفته همیشه چیزهای پیشرفته تری می خواهند. بنابراین ما باید عناصر آوازی تر را با قضاوت خود در مورد ترکیب مناسب متعادل کنیم. ارائه موضوعات جدید و جالب برای صحبت در هر ماه نیز چالش برانگیز است.
سام: ما همچنین در حال افزایش بیش از حد فضای ملاقات خود هستیم (خنده).
ورود به دنیای یادگیری عمیق برای مبتدیان چقدر سخت است؟
سام: اگر می‌دانید چگونه کدنویسی کنید، می‌توانید اصول اولیه را خیلی سریع پیدا کنید. ما می دانستیم که مردم ممکن است تجربه ای با پایتون نداشته باشند، بنابراین قبل از رویداد "روز مبتدی" که برگزار کردیم، پیوندی به یک کلاس پایه پایتون ارسال کردیم. من از بازخورد بعد از آن بسیار راضی بودم. تقریباً همه 100 نفری که شرکت کردند احساس کردند چیزهای زیادی یاد گرفته اند.
مارتین: به جای اینکه منحصر به فرد باشیم، سعی می کنیم بر این نکته تاکید کنیم که همه می توانند یادگیری عمیق را انجام دهند. ما همچنین سعی می کنیم تمام مثال هایمان را بسیار بصری کنیم. به عنوان مثال، من خودم را ضبط کردم که چند رقم را در تلفن اندرویدی خود بیان کردم و سپس آنها را به تصاویر طیف نگار تبدیل کردیم و از یک شبکه استاندارد برای تشخیص آنها استفاده کردیم. این یک مثال در سطح مبتدی است که برای شرکت کنندگان پیشرفته تر نیز جالب است. سام از مفهوم CycleGAN استفاده کرد تا نشان دهد زمستان در سنگاپور چگونه است، چیزی که هرگز در زندگی واقعی اتفاق نخواهد افتاد. ما سعی می کنیم اعضای جامعه خود را توانمند کنیم تا چیزهای جدید را امتحان کنند و در حین انجام این کار سرگرم شوند.
سام: اگر بتوانید آن را به شیوه ای جالب نشان دهید، فناوری واقعا جالب است. فکر می‌کنم با نشان دادن اینکه چه چیزی جواب نداد و چگونه توانستیم آن را حل کنیم، احترام زیادی به دست می‌آوریم. بنابراین تصور نمی شود که از ابتدا همه چیز را می دانستیم و همه پاسخ ها را داریم.
شما اشاره کردید که یافتن افرادی که مایل به صحبت در جلسات هستند دشوار است. چگونه به آنها انگیزه می دهید و چقدر در انجام این کار موفق هستید؟
مارتین: ما برای هر عضو جدید یک پرسشنامه می فرستیم (MeetUp.com می تواند این کار را به صورت خودکار انجام دهد). ما اساساً می‌پرسیم که آنها چقدر با تجربه هستند، آیا قبلاً از یادگیری عمیق استفاده کرده‌اند یا خیر، و همچنین یک سؤال وجود دارد که می‌پرسد: "اگر آنها موفق باشند، آیا در مورد آن صحبت می‌کنند؟" به دلیل نحوه بیان آن، نه گفتن بسیار سخت است (خنده). بیش از 80٪ امکان صحبت کردن را بیان کرده اند، اما هنوز هم تحقق آن دشوار است. ما سعی می‌کنیم این ایده را برای مردم بسیار ساده کنیم که اگر کسی یک سخنرانی برق آسا که مربوط به تجربه شخصی او از یادگیری عمیق است، ارائه دهد، تمام مخاطبان مشتاق شنیدن خواهند بود.
به نظر می رسد که شما چیزهای زیادی در حال انجام است. چگونه سازماندهی می کنید و زمانی را برای آماده شدن برای جلسات و اداره جامعه پیدا می کنید؟
سام: سازماندهی جلسات خیلی وقت گیر نیست. تهیه محتوا چیزی است که زمان زیادی می برد.
مارتین: یکی از دلایل شخصی من برای انجام این کار این است که می خواستم یک ضرب الاجل مصنوعی برای تولید محتوای بد هر ماه داشته باشم. در غیر این صورت، به تعویق انداختن آن بسیار آسان است. ما همچنین می‌خواستیم در صحنه محلی «چه کسی کیست» را پیدا کنیم، زیرا احتمال می‌دادیم افراد زیادی در محوطه دانشگاه پنهان شده باشند.
یادگیری ماشینی و یادگیری عمیق را می توان به روش های جالب بسیاری به کار برد. آیا نمونه هایی از جامعه خود دارید؟
مارتین: یکی از اعضای ما از آموزش انتقال استفاده کرد (جایی که یک شبکه از پیش آموزش دیده را می گیرید و آن را برای تشخیص اشیاء جدید آموزش می دهید) و به آن آموزش داد تا خانواده خود را از روی تصاویر تعطیلات تشخیص دهد. نمی‌دانستم که کسی چنین چیزی را امتحان کند، یا واقعاً کار کند. منظورم این است که شبکه از پیش آموزش دیده برای شناسایی افراد خاص ساخته نشده است.
سام: ما افرادی داریم که با استارت‌آپ‌ها برای گرفتن داده‌ها کار می‌کنند تا ببینند که آیا افراد مسن زمین خورده‌اند یا خیر. بر اساس این داده ها، آنها سعی می کنند پیش بینی کنند که آیا نیاز به فرستادن شخصی برای بررسی اینکه آیا این فرد سالمند به کمک نیاز دارد یا خیر.
اعضا تخصص حوزه خود را دارند و شما نکاتی را به آنها می‌دهید و خیلی خوب است که دوباره برگردند و به شما بگویند که آیا کار کرده است یا خیر.
در آینده نزدیک بیشتر منتظر چه چیزی هستید؟
سام: فرانک چن از تیم Google Brain در حال صحبت در مورد آنچه برای TensorFlow در راه است. این هم خوب است که او به عنوان سخنران می آید و هم اینکه گروه ما را برای انجام اطلاعیه ها انتخاب کرده است.
مارتین: و ما مشتاقانه منتظر انتشار TPU ها در فضای ابری هستیم…
سام: ما همچنین آماده صحبت با سایر برگزارکنندگان هستیم، به خصوص اگر آنها در این قسمت از جهان باشند و بخواهند سخنرانی کنند. ما همیشه به دنبال سخنران هستیم - و همچنین خوشحال خواهیم شد که در سایر MeetUps در منطقه صحبت کنیم.