Момчил Станчев е Head of Department в Бош Инженеринг Център София. Занимава се с програмиране от ученическа възраст, вземайки участие и в национални олимпиади по информатика. Бакалавърското си образование по Компютърни Системи получава в Технически Университет София, като е един от 3-мата отличници на випуска си. По-късно поради влечението си към мениджмънт, завършва и магистратура по Бизнес Администрация. Инженерната си кариера започва през 2008 г. в автомобилната индустрия, като по-късно навлиза в дебрите на управлението на проекти и на хора, изследва различни аспекти в Consumer Electronics компания. Насочва се отново към автомобилната индустрия през 2015 г., като заема позиция на ръководител на отдел през есента на 2016 г. и от началото на 2019 г. продължава своята кариера в Бош.

Фотограф – Лилия Йотова

Бихте ли ни разказали за старта на Вашия кариерен път и за това как се запалихте по технологиите?

Връщайки се назад във времето, във вече далечната 1994 година, баща ми донесе вкъщи компютър за пръв път.  Разбира се, тогава нищо не разбирах, но той се занимаваше както на работа, така и в къщи с разработката на различни програми, най-често за обществена администрация. Спомням си, че бях изключително впечатлен как чрез някакви редове текст, може да се улесни и автоматизира работата на хората. Години по-късно, записах извънкласни занимания по програмиране – тогава Pascal, а на следващ етап С и С++. Школата, която посещавах, изпращаше редовно ученици по олимпиади по програмиране – локални и национални, което спомогна за развитието на моя състезателен дух. С годините придобивах все повече и повече знания в тази област – в училище, а и след това в Технически Университет – София. Привлече ме това, че се разглеждат и инженерни дисциплини, и теми, а не чисто софтуерни, тъй като точните науки като математика, физика и химия винаги са били сред любимите ми. Навлизайки все повече в дебрите на познанието за чипове, логически елементи, операционни системи, fpga и прочие, разбрах, че моята страст е „оживяването“ на устройства които решават проблеми или помагат на хората в тяхното ежедневие. Не след дълго, преминавайки през допълнително специализирано обучение започнах и първата си работа като програмист на вградени системи в една компания за автомобилни устройства.

Като Head of Department, бихте ли споделили какви са предизвикателствата пред тази позиция и по-конкретно като част от структурата на Bosch?

По-интересните предизвикателства, пред които съм изправен на тази позиция са свързани с намирането на интригуващи проекти, разработвани с модерни технологии; намиране и развитие на кадри, които да бъдат вътрешно мотивирани да се справят с проектите и последващите ги трудности; осигуряване на всички необходими инструменти, лицензи и други условия, при които инженерите да се фокусират върху техническите проблеми, а не върху такива на средата. Bosch със своята дългогодишна история, изградена и изпитана структура, както и чрез връзките и отношенията си с партньори и клиенти, градени над столетие, предоставя една изключително удобна среда за моята работа чрез благоприятните условия за справяне с всяко едно от  предизвикателствата.

В Bosch се разработват всевъзможни проекти за продукти и услуги, което ни дава огромен списък от възможности, от които да си избираме върху какво да работим. Освен това, всички необходими инструменти, условия и т.н., са налични и установени, и могат директно да се използват. Не на последно място, компанията, известна и със своята социална отговорност, предоставя и изключителни условия в личностно отношение за служителите.

По какви проекти работите, с какви технологии и кои са чисто технологичните предизвикателства пред тях?

Моят отдел работи по два типа проекти – продуктови и платформени.

Продуктовите проекти или по-скоро продуктовите програми (съвкупност от няколко сходни проекта), целят разработването на даден продукт за различни клиенти. Пример мога да дам с Interior Monitoring & Sensing – системи за автономно шофиране, свързани с разпознаване на това какво се случва вътре в автомобила. Сигналите, които се изпращат, в резултат на разпознатите сцени, движения и пр., се предават на други системи – централизирани, които могат да вземат решение какво следва да направи автомобилът. Тук технологичните предизвикателства са свързани с разработката, оптимизацията, интеграцията и обучението на алгоритми, както и оценката на тяхната работа. За да можем да внедрим една такава система в крайния автомобил е нужно тя да не допуска  никакви грешки, защото това може да доведе до загуба на човешки живот!

Платформените проекти са такива, които поставят софтуерната основа за няколко продуктови линии на Bosch – смарт дисплеи, конвергентни продукти, както и вече споменатите системи за Interior Monitoring & Sensing. Основните предизвикателства са свързани с осигуряването на всички необходими функции за реализиране на бизнес функцията на даденият продукт, високата производителност, безпогрешна комуникация, липса на забавяния и други от подобен тип.

Всички проекти представляват така наречените вградени системи (embedded systems), т.е. миниатюрни компютърчета, 200-300 пъти по-малки от вашия лаптоп. За да се вдъхне живот в тях, нашите инженери пишат код на С++, Python и С, който посредством спомагателни устройства (debuggers), се програмира в embedded системата. Други технологии, свързани с AI, които използваме, са TensorFlow, OpenCV, ROS, Cuda, Keras, PyTorch и т.н.

Разработването на AI изисква прецизност откъм данни, сигурност, необходима е и сериозна изчислителна мощ за тежките алгоритми. За какви други аспекти е необходимо да внимаваме и да сме прецизни при разработката?

За мен изключително важна е и теоретичната подготовка. Разработването на AI не е никак просто нещо, макар че са налични много примери в Интернет, които човек за минути може да подкара на своя компютър. Истинското AI инженерство изисква познаването на много технологични аспекти, като как да си подберем данните за обучение, верификация и тестване на даден алгоритъм. Ако искаме да разработваме AI, свързан с разпознаване на изображения, трябва много добре да познаваме и теорията на IQ (image quality), тъй като малка промяна в параметрите на изображението – например гама или контраст, може да предизвика съвсем различни резултати от нашият алгоритъм. Необходимо е да се познават в детайли и методите, по които AI взема решение чрез невронни мрежи, дървета и/или друго.

За да твърдим, че разработваме истински AI, трябва да знаем толкова теория, колкото например се учи в университет за 1 година по всички предмети.

Бихте ли разказал по подробно за присъствието и употребата на невронни мрежи в изкуствения интелект?

Невронните мрежи представляват статистически модели, чрез които целим да обучим изкуствен интелект да извършва дадена задача. Тяхната поява е вдъхновена от нашия естествен интелект, като идеята им е да се наподоби човешкият мозък и неговата дейност. Определени изследвания оценяват броя на невроните в човешкият мозък на над 100 милиарда, като те са свързани помежду си и комуникират. Говорейки на едно новородено дете, например, то успява след известно време да научи звуците и думите, които произнасяме, изграждайки определени връзки между невроните в мозъка си. Така и даден алгоритъм (AI), след прилагане на правилен подход за обучение, може да изгради подобни връзки и да разпознава подобни звуци и думи.

За да създадем една невронна мрежа, която има много голяма точност на разпознаванията, подобно на човешкият мозък, са ни нужни огромно количество неврони. Това от своя страна изисква наличието на сериозна изчислителна мощ, за да работи една такава система в реално време. Именно поради бурното развитие на съвременните чипове и хардуер, имаме възможност да срещаме AI във все повече устройства от нашето ежедневие.

Говорейки за AI, то често след него се нарежда и ML – каква е враимовръзката между тях и може ли едното да съществува без другото?

Machine Learning (ML) е област в компютърната наука, която има за цел да научи даден алгоритъм да се самообучава, без да бъде изрично програмиран да го прави. По конкретно ML представлява подход за анализ на информация, който включва създаване и адаптиране на модели, които дават възможност на дадената програма/алгоритъм да се „самообучава“ чрез опит/и, подобно на хората.

За да разграничим най-просто ML и AI, може да кажем, че ML е това, което прави възможно създаването на програми и машини с изкуствен интелект (AI).

Фотограф – Лилия Йотова

Кои според Вас са най-добрите и полезни AI open source инструменти, които бихте препоръчал?

Всеки един свободно достъпен инструмент може да бъде полезен за определена задача. Многообразието от възможни AI реализации е именно предпоставката за наличието на многообразие и при инструментите. Даден инструмент може да е най-добър за конкретна работа, но за друга да изостава значително от друг такъв, затова не мога да кажа, че този или онзи е генерално най-добрият. Точно обратното, подбирането на най-правилния инструмент за свършване на определена задача е от изключителна важност за качеството.
Впоследствие, съвкупността от всички подбрани, формира едно множество на най-подходящите инструменти за решаване на даден AI проблем. Решаването на Computer Vision проблем, например, изисква доста различно множество, спрямо такъв, свързан с лингвистично разпознаване.

Разбира се съществуват и много популярни инструменти като OpenCV, TensorFlow, Keras, PyTorch, OpeNN и други, с които един инженер може винаги да започне, но в последствие е от изключителна важност, да се отсее правилният набор за конкретните нужди.

Кои са секторите, при които най-често се имплементират AI решения?

AI решения могат да се измислят и внедрят във всяка една сфера на човешката дейност. Няма абсолютно никакви ограничения. Най-популярните, отново свързани с Bosch, са автономните автомобили – пътнически, транспортни и т.н. Друга популярна сфера е навлизането на AI в смартфоните и устройства от бита на хората – хладилници, перални. От много години се използва AI за анализ и откриване на „patterns“ в данни, например при търговия на фондовите борси.

Малко известно е обаче, че AI се използва широко и отдавна в различни инженерни дейности – например в машини за разпознаване на дефекти по платки. Друга малко популярна област, но с голямо икономическо значение, силно застъпена в Bosch, е внедряването на AI в производствените линии, с цел намаляване на грешки, ранно откриване на проблеми и други.

AI е вграден в изключително много услуги, които хората използват в ежедневен план. Какви обаче са тънкостите за разработване на качествен AI? Какви насоки бихте дал?

Няколко са основните насоки, що се отнася до разработването на качествен AI. Най-основополагащата от тях е детайлното дефиниране на проблема, който искаме да решим – изясняването на „позитивния“ път (т.е. най-честите ситуации, в които нашият AI изпада), но също така и всички „негативни“, или т.нар. гранични случаи, които можем да си представим. В повечето случаи трябва да се вземат под внимание и законодателните уредби за конкретната дейност.

За качествен AI няма как да не отбележим, че е нужно не само огромно количество данни за съответните training, validation и test множества, но и тяхното многообразие. По този начин бихме се погрижили, че нашият AI ще е наясно с голяма част от сценариите, с които би се срещнал. Много важно е и различните множества от данни да са независими, защото в противен случай може да получим подвеждащи резултати. Например ако обучим нашия AI да се справя с N на брой ситуации, след което го тестваме със същите данни дали се справя с тях, ще получим доста задоволителни резултати – висока точност, малък брой false-positives и false-negatives. В действителност, когато той се изправи пред непозната ситуация, най-вероятно ще даде грешен резултат, поради ограниченото количество данни, с което е бил трениран. Много лесно можем да си представим този проблем ако се върнем около 120 години назад в човешката история. До началото на 20 век, когато е бил изобретен автомобилът, хората са се придвижвали на коне, с колелета, карети и всичко е било ясно и уредено. В един момент обаче, по улиците плъзват автомобилите, движещи се с по-висока скорост, с различни габарити, липса на правила за тях. В резултат на това се случват множество инциденти докато хората успеят да се „обучат“ как да се справят с новите ситуации.

Друга основна насока за достигането на качествен AI е правилният подход и подбор на алгоритми. Налични са огромно количество свободно достъпни такива. Постоянно се разработват и нови. Има нови научни изследвания и разработки за други. AI алгоритмите са като вселената – с всеки изминал момент се разширяват и размножават все повече и повече, и инженерите, които се занимават с AI, имайки предвид това, трябва да си поставят много ясни и точни критерии, какво искат да постигнат, за да не прекарат години само в изследвания.

И последно, но не на последно място – тестване, тестване, тестване и пак тестване! Изключително важен аспект, особено в нашата работа в Bosch, където от създаваните технологии зависи човешкият живот. Много компании се борят да са първите на пазара относно даден AI, но при нас, преди всичко е отговорното отношение, поради което бихме пуснали продукт на пазара само ако сме 110% сигурни, че сме тествали всички възможни комбинации, вариации и пермутации на сценариите на нашата система.

Фотограф – Лилия Йотова

Кои са основните принципи, които трябва да се знаят и изпълняват при внедряването на AI в продукти? Можем ли да говорим и за наличието на “слаб” AI? Как изглежда той и как да го разпознаем?

Слабият (weak) или още известен като тесен (narrow) AI се характеризира с това, че решава конкретни задачи и има лимитирана способност да се самообучава за все по широка област на действие. По-голямата част от съвременните AI решения са всъщност слаб AI – Siri на Apple, Newsfeed-a на Facebook, Google Assistant и други. Голяма част от системите за автономно шофиране също са weak AI.

Слабият AI може да се разпознае по това, че при грешка или неизправност, може да нанесе вреда; ако радарният круиз контрол на нашият автомобил, например, не изчисли правилно скоростта на движещия се пред нас автомобил, може да предизвика катастрофа. Също така, слабият AI може да се използва с недобронамерени намерения, които AI самостоятелно не може да отчете – напр. терористични атаки с безпилотни автомобили или самолети.

Какви са новите технологични тенденции по света в сферата на изкуствения интелект?

Все по-широкото приложение на AI решения в различни области изисква и промяна в инфраструктурата, на която се изпълнява, както и взаимодействието с нея. В този ред на мисли една от глобалните тенденции е все по тясната връзка между AI и Cloud решенията.

Друга област, която получава допълнително инерция, включително и от дистанционния метод на работа, е Voice & Language изкуственият интелект. Конкретно в множество customer support центрове се интегрират решения за автоматизирано разпознаване на говор на различни езици.

От друга страна, експоненциално нарастващият обем данни, които се получават от личните устройства, които хората използват – телефони, смарт часовници, фитнес гривни, камери и т.н., засилва тренда в употребата на изкуствен интелект за структуриране на данни и откриването на свързани характеристики (patterns).

Не на последно място е и тенденцията за все по тясна взаимовръзка между AI и IoT продуктите. Именно този тренд е избран за основен за Bosch в идните години.

На годишната конференция на Bosch бе споменато, че компанията има за цел да се превърне във водеща AIoT организация. Какво би представлявало това и какви са разликите между IoT и AIoT? Ще се говорили все по-често за второто?

IoT продуктите навлизат много силно в последните години. Това са различни устройства, които следят и събират дадена информация от реалния свят. Посредством връзка с интернет, данните се предават към услуги, които предоставят някакво “added value” за човека. Например фитнес гривната следи фазите на вашия сън, след което ги изпраща към сървър, където те се сравняват с данните от много други хора и се поставя оценка за качеството на вашия сън. Друг обществено значим пример би било уличното осветление. В някои градове има IoT системи, които според определени параметри регулират осветеността с цел ефективност и пестене на енергия. Също така, тук може да споменем и IoT системата за засичане на бръмбари по посевите.

С други думи, инфраструктурата от различни IoT системи и устройства, събиращи информация, е налице. Както вече говорихме, когато имаме много информация и искаме да направим нещо полезно с нея, намесваме AI. От тук идва и AIoT – симбиозата между AI и IoT за автоматизирано решаване на казуси от ежедневния живот на хората и света.

Bosch, спазвайки мотото си „Invented for Life“, намира своето прозвище именно в тази нова тенденция – AIoT.

В Bosch дори вече са разработени и внедрени подобни AIoT системи – за засичане, разпознаване и автоматизирано справяне с възникнали неизправности в заводите в Ройтлинген и Хомбург.

Съществуват ли технологии, които ще набират сила?

Разбира се, технологиите никога не „спят“. Следете редовно дейността на Bosch Engineering Center Sofia и скоро ще научите за някои от тях.

За финал, бихте ли споделили кои са Вашите любими AI разработки? Такива, които са интересни, а същевременно могат и да послужат като ролеви модел за технологията.

Най-важното за мен с всички нови технологии, не само AI, е те да служат и да помагат на хората и на света. Всякакви решения в насока справяне с глобални проблеми – замърсяване, глад и т.н., за мен са ролеви модели, които трябва да се следват и развиват.

Изхождайки от своята идеология, Bosch разработва именно такива системи и поради това смятам, че те могат да бъдат ролеви модели.

AIoT системата за предпазване на насажденията от вредни насекоми на Bosch се бори с проблема с глада по света. Само миналата година нашествията на скакалци в Африка и Близкия изток унищожиха огромни площи с посеви в Египет, Пакистан, Йемен и други – част на света, която и без друго е силно засегната от липсата на достатъчно хранителни продукти. Други подобни нашествия от насекоми в последните години имаше и в САЩ и Австралия.

Друг пример, който бих дал, разработван от Bosch, е AIoT система за управление дейностите в големи фабрики. Система, която не само оптимизира времето и процесите на производство, но е и доказано намаляваща разходите за енергия с до 20% и вредните емисии от производствената дейност с до 35%.