Дар’я Добричева — астрофізикиня, кандидатка фізико-математичних наук, старша дослідниця, виконувачка обов’язків завідувачки лабораторії великомасштабної структури Всесвіту Головної астрономічної обсерваторії НАН України.
Дар’я досліджує морфологію галактик, шукає рідкісні об’єкти на кшталт галактик із полярними кільцями та екзокомет. Сучасні телескопи щоночі генерують колосальні обсяги інформації, й обробляти їх вручну вже неможливо. Тому Дар’я та її колеги з відділу одними з перших в українській астрономії почали залучати методи машинного навчання, щоб алгоритми розрізняли те, що людина вже просто не може охопити.
Ми говоримо про те, як штучний інтелект трансформує фундаментальну науку, де проходить межа між розкрученими нейромережами та реальним машинним навчанням і чому людина досі залишається головним архітектором пізнання Космосу.
Дар’є, почнімо з того, про що зараз усі говорять. Великі мовні моделі, генерація зображень, нейромережі. Наскільки це все вже проникло у вашу щоденну наукову роботу?
Уже досить відчутно. Ми, наприклад, використовуємо ChatGPT для написання кодів, це швидше, ніж сидіти й читати мануали. Це ж прогрес, все змінюється. Раніше люди ходили в бібліотеки, потім з’явився Інтернет, кількість відвідувачів бібліотек зменшилася через доступність інформації онлайн. Так само зараз. Є Google, але швидше запитати в чату. Вже не загуглив, а зачатив.
Тож це вже стало робочим інструментом і в астрофізиці?
Ну, тут є важливий нюанс. Те, що всі знають як штучний інтелект, це розкручені нейромережі, навчені на всьому доступному Інтернеті. А ми працюємо з машинним навчанням. Це більш статистичне. У нас обмежена кількість даних і конкретні методи під конкретні задачі. Знаєте, як камери в сучасних телефонах автоматично згладжують фото, прибирають зморшки, покращують картинку? Розкачані нейромережі роблять щось подібне з даними. А нам треба чисті вибірки, без жодного згладжування.
Тобто за вивіскою «штучний інтелект» насправді ховаються дуже різні інструменти. До речі, як ви прийшли до цих методів? Адже ваш шлях в астрофізику був нестандартний.
Так, я закінчила Чернігівський педагогічний університет, дуже дивна спеціальність, вчитель інформатики й англійської мови. У школі я англійську знала дуже погано. Мені подружка порадила вступати в педагогічний, мовляв, ти ж знаєш математику, а англійську складати не потрібно. Я їй кажу: «Іро, я знаю тільки I go to school number 30». А вона: «Та вивчиш!». Я так повірила в ці слова, що таки подала документи на цю спеціальність. На початку це був жах. Я заробляла стипендію, щоб витратити її на репетитора з англійської.
А у нас куратором групи був Володимир Марченко, астрофізик. Він тільки захистив кандидатську і виграв невеличкий грант на відкриття астрономічного центру в університеті, почали проводити науково-популярні лекції з астрономії. Я так захопилась, просто фантастика! І він розповів, що одна його співробітниця — Ольга Мельник з Києва — шукає студента, який би переглядав галактики та визначав їхній тип. Саме це спонукало мене вступати до аспірантури.
Чи одразу вдалося вступити?
Ні, я витратила три роки. Моя майбутня керівниця Вавилова Ірина Борисівна дуже обережно сказала, що я першого року не вступлю, бо не вистачає знань. Порадила походити вільним слухачем на фізичний факультет. Але при цьому взяла мене на посаду інженера. Якщо порівнювати з ІТ, то це як джуніор в науці. Працюючи репетитором у Чернігові, я заробляла 3000 грн, а інженер у Києві отримував 800. Але я була рада, що дали гуртожиток. Завжди раділа дрібницям, а тут: безкоштовне житло у Києві, мрія стати науковицею, яка починає збуватися, ще й гроші дають. Що ще треба?
Я завжди всім кажу, що я щаслива людина, бо обирала те, що мені подобається. Англійську якось вивчила, й астрономію теж.
Класифікація галактик. Що це за процес і навіщо взагалі ділити галактики на типи?
Їх обов’язково треба класифікувати, бо коли ми знаємо тип галактики, ми вже дізнаємося про неї набагато більше. Це як зайти в ліс, побачити листочки й зрозуміти: о, це береза. Ми про березу знаємо багато чого. Так само і з галактиками.
Габбл 100 років тому запропонував поділити їх на еліптичні, лінзоподібні, спіральні, спіральні з баром і неправильні. Але проблема в масштабі. Є Слоунівський цифровий огляд неба, SDSS, він сканує небо і раз на пів року викладає дані у відкритий доступ. У найближчому Всесвіті у нас 300 тисяч галактик. Переглянути їх усі очима просто неможливо. Частину цієї роботи, до речі, робили волонтери через проєкт Galaxy Zoo.
А далі ж буде тільки більше даних?
Набагато більше. SDSS давав щоночі 200 гігабайт інформації. А його наступник LSST, який зараз будується, даватиме 20 терабайт щоночі. Три роки тому я була на воркшопі у Португалії, і там представниця LSST розповідала: якщо з SDSS можна просто зайти на сайт і викачати базу даних, то з LSST це буде неможливо. Навіть щоб щось звідти витягнути, потрібно буде формувати спеціальні запити за допомогою штучного інтелекту.
Як влаштована система доступу до даних із таких телескопів?
Великі телескопи дуже дорого коштують. Жодна держава не будує такий сама. Кілька країн вкладають свої кошти, будують разом і, відповідно, мають право першого доступу до даних. Потім, через пів року або рік, викладають їх у відкритий доступ. Але є ще й підписка, як на Netflix, щоб отримувати дані оперативніше. Моя керівниця Вавилова Ірина Борисівна вже давно думає, як нам цей доступ отримати. Бо наша країна не має стільки грошей, щоб скинутися нарівні з іншими. Ми подавали заявку на грант у Simons Foundation, але, на жаль, не пройшли. Будемо пробувати ще.
Тут зараз така ситуація: постійно подаєш заявки на різні проєкти. Два не пройшло, один пройшов. Тримаємося на плаву і рухаємось далі.
Попри всі ці труднощі, ваша команда вже зробила класифікацію сотень тисяч галактик. Як саме ви навчали машину розрізняти типи галактик?
Я завжди пояснюю це на простому прикладі. Як дитина відрізняє корову від коня? Наш мозок навчився розпізнавати певні патерни, які притаманні тільки корові, й ті, що тільки коню. Нам треба навчити машину робити те саме.
Ми вибрали 6 тисяч галактик із наших 300 тисяч, переглянули їх очима і чітко розділили на еліптичні та спіральні. Потім взяли фотометричні показники, тобто характеристики світла, яке йде від галактик. У SDSS є 5 різних фотометричних фільтрів, і з них можна отримати комбінації кольорів, радіуси, профілі яскравості. За тим, як падає світло від центру до периферії, вже можна багато сказати про тип галактики.
Які саме методи машинного навчання тут підходять?
Ми застосували кілька методів машинного навчання. Наприклад, Random Forest, або випадковий ліс. Пам’ятаєте, колись були такі астрологічні опитування у підліткових журналах: чи ти Лев, чи ти Рак, чи Риби? Звісно, я не вірю в астрологію, але чомусь спав на думку цей приклад. Тут схожий принцип. Машина ставить запитання: цей колір жовтіший чи синіший? Так або ні. І пройшовшись по всіх запитаннях, визначає тип. Одне таке дерево рішень може помилитись, але коли їх багато і вони голосують комплексно, точність зростає.
Є метод K найближчих сусідів. Це коли з’являється нова галактика, і машина дивиться, на які вже відомі галактики вона найбільше схожа за параметрами, саме за параметрами, а не за фізичною відстанню. Якщо найближчі сусіди спіральні, то і вона, найімовірніше, спіральна.
Є метод опорних векторів. Уявіть, що у вас на столі лежать червоні та сині кульки, й ви хочете провести між ними лінію, яка чітко розділить одні від інших. Іноді це легко, а іноді вони так перемішані, що в одному вимірі розділити неможливо. Тоді ми підвищуємо розмірність, переходимо з одновимірного у двовимірний або тривимірний простір. І там вже можна провести площину, яка чітко відокремить еліптичні від спіральних. Навіть якщо окремі об’єкти класифіковані неправильно, алгоритм розглядає їх як винятки, тому вони не спотворюють загальної картини, а результат залишається достатньо точним.
Також ми використовували метод логістичної регресії та наївний Баєс. Перший працює через математичну функцію, в яку підставляються всі показники галактики, й на виході вона дає або одиничку, або нулик. Тобто спіральна або еліптична. Другий підходить з боку теорії ймовірності: маючи набір характеристик, він рахує, наскільки ймовірно, що ця галактика належить до того чи іншого типу.
На що машина спирається, звідки вона бере еталон для порівняння?
Це називається метод з учителем. Ми ж перед цим 6 тисяч галактик продивились очима і точно знаємо, яка еліптична, яка спіральна. Це як остання колонка в ексельській таблиці, де вже стоїть відповідь. Ми навчаємо машину на цих даних, а потім вона апроксимує результат на всі 300 тисяч.
І знаєте, що важливо? Ми не могли просто взяти найближчі та найяскравіші галактики, навчити на них і поширити на далекі. Це було б неправильно. Тому вибирали рандомно, з усієї відстані й зі всього діапазону яскравості. У результаті найкращу точність дали Random Forest і метод опорних векторів, більш ніж — 95 %.
Буває, що машинна помиляється?
Наприклад, якщо спіральна галактика перебуває в тісному оточенні інших, вони можуть видувати з неї газ своїм тяжінням. Вона старішає швидше, змінює колір на жовтий, і машина за показниками сприймає її як еліптичну, хоча за формою це спіраль. Або якщо фотометрія потрапляє тільки на центр великої галактики, а центр завжди жовтіший за рукави. Машина бачить жовтий центр і думає, що це еліптична.
Ви згадували проєкт Galaxy Zoo, де звичайні люди, волонтери, допомагали класифікувати галактики. Як це пов’язано з вашою роботою?
Напряму. В кожному великому проєкті з телескопами є робота з волонтерами. Коли з’явився SDSS, відсканований матеріал викладався у відкритий доступ. Волонтерам показували приклади: який вигляд має спіральна галактика, який — еліптична, який — галактика з баром чи без нього, а який — неправильна. І люди з усього світу з цікавості заходили, допомагали астрономам, передивлялись і відмічали. По суті, це така ж розмітка даних, як капча, де ви визначаєте, чашка це чи світлофор.
І ви змогли використати ці результати для навчання нейромережі?
Не одразу. З наших 300 тисяч галактик 170 тисяч вже були розмічені волонтерами в Galaxy Zoo, а 140 тисяч — ні. Здавалось би, бери ці 170 тисяч і тренуй на них. Але ми вирішили спочатку перевірити. Подивилися фотометричні показники обох вибірок і виявили, що для проєкту Galaxy Zoo були відібрані яскраві галактики. Це логічно, бо тьмяні на знімку звичайна людина просто не розрізнить.
Ми запустили спеціальну нейромережу, Adversarial CNN, яка шукає різницю між двома вибірками. І виявилось, що для неї ці дві підвибірки (140 тисяч і 170 тисяч) на 90 % різні. Тобто використовувати волонтерську розмітку напряму для навчання було не можна.
Як ви вийшли з цієї ситуації?
Ми пішли іншим шляхом. З Galaxy Zoo вибрали тільки ті галактики, за які проголосувало багато волонтерів, не двоє, а, наприклад, десять. Тобто відібрали найнадійніші результати. Потім нейромережею відфільтрували ті з них, які за показниками найбільше схожі на наші нерозмічені галактики. Залишилось всього 9 тисяч.
Це мало, тому ми використали аугментацію. Це коли ви берете одну картинку, знаючи її тип, і створюєте багато варіацій: додаєте шум, повертаєте на різні кути, трохи спотворюєте. Так з 9 тисяч ми отримали значно більшу вибірку. Застосували різні нейромережі й виявили, що DenseNet, нейромережа, яка спеціалізується на розпізнаванні зображень, дає найкращий результат — 96% точності. І вже нею прокласифікували решту 140 тисяч галактик на п’ять типів: повністю круглі, напівкруглі, сигароподібні, з ребра і спіральні.
З якими типами були найбільші проблеми?
Найгірше машина впоралась із сигароподібними формами. Ми витратили місяць, щоб зрозуміти, чому. Виявилось, що вони дуже схожі на спіральні галактики, які видно збоку. І що цікаво, ми знайшли на форумі Galaxy Zoo обговорення саме цього питання. Статистично волонтери теж найчастіше помилялись саме на сигароподібних. А якщо початкова вибірка з помилкою, то і результат буде таким. Ми ж не можемо просто так сказати, нам, науковцям, потрібні підтвердження.
Зате нам вдалося зробити ще одну цікаву річ. Ми використали результати класифікації та метод K найближчих сусідів у багатопараметричному просторі, щоб створити детальніші каталоги. В Galaxy Zoo є десь 32 підтипи: галактики неправильної форми, галактики, що зливаються, об’єкти зі смугами пилу, різною кількістю спіральних рукавів, з баром або без нього, з кільцем чи без нього тощо.
Тобто ви не лише розклали галактики за основними типами, а й деталізували всередині кожного. Це вражає. А чи вдалося серед цих сотень тисяч знайти щось по-справжньому незвичайне?
Зараз одна з наших найцікавіших тем — це галактики з полярними кільцями. Про них уже писав Universe Space Tech. Щоб зрозуміти, що це таке, треба спочатку уявити, що відбувається, коли дві галактики стикаються. Ось вам запитання: чи будуть при цьому стикатися зорі?
Наскільки я розумію, ні.
Абсолютно правильно. Відстань між зорями настільки величезна, що вони просто перемішаються. Чумацький Шлях за свою історію поглинав багато маленьких галактик, і нічого не стикалось. Так от, коли дві великі галактики зливаються, може утворитися полярне кільце. Це коли навколо основної галактики під кутом до її площини обертається кільце з газу і зір. Одна галактика фактично огорнула іншу.
Є три теорії, як це може відбуватися. За першою, одна галактика поступово перетягує речовину з іншої — цей процес називають акрецією. За другою, дві галактики повністю зливаються під певним кутом. А третя найнезвичніша: на межі двох войдів і тоненького філамента газ може витискатися під певним кутом і накручуватися на галактику. У кожної теорії є свої розрахунки, але таких галактик у Всесвіті дуже-дуже мало. Абсолютно рідкісні об’єкти.
Як ви їх шукали?
Спочатку зібрали всі наявні каталоги, а вони старі, ще з 1990 року. Набралось 355 кандидатів. Передивились їх і зрозуміли, що значна частина потрапила туди помилково. Раніше телескопи мали гіршу роздільну здатність, і науковці бачили щось, що могло бути кільцем, але насправді ним не було. Десь просто накладались інші галактики на тлі. Десь пил створював ілюзію кільця. Десь неправильна форма галактики чи злиття сприймались як кільце. Після фільтрації у нас залишилось лише 87 надійних кандидатів.
Для нейромережі це екстремально мало. Ми спробували змоделювати штучні зображення таких галактик у програмі GALFIT, щоб розширити вибірку. Але виникла проблема перетренування, бо всі згенеровані галактики були занадто схожі між собою, і нейромережа їх просто зазубрила. Проте навіть так вона навчилася вловлювати сам патерн кільця.
Був смішний момент, коли ми дуже зраділи, бо подумали, що знайшли нову галактику з полярним кільцем. А виявилось, що це рукав однієї спіральної галактики накладається на еліптичну. Таких хибних спрацювань було три. Але були й справжні знахідки. Одна галактика з невеликим кутом кільця, яку ми підтвердили. І ще одна дуже цікава, де видно, як речовина з однієї галактики буквально накручується на іншу. Це одне з підтверджень теорії акреції.
А ще ми знайшли галактики з двома кільцями, які можуть свідчити про те, що полярне кільце ще тільки формується. Це еволюційно дуже цікаве питання, чому вони взагалі є і чому їх так мало.
Ми весь час говоримо про візуальні спостереження, форму і колір. Чи цього достатньо, щоб зрозуміти природу об’єкта? Чи беруться в роботу спостереження в інших діапазонах електромагнітного спектра, інфрачервоному, наприклад?
Це важливе питання. Для самого пошуку нейромережею ми справді використовували візуальні форми. Але коли вже знайшли цікавий об’єкт, підключається мультихвильовий аналіз. У нас у відділі Олена Компанієць працює саме з цим. Є спеціальна програма CIGALE, в яку зашиті фізичні моделі еволюції зоряної компоненти, пилу, газу, чорної діри, все в різних діапазонах електромагнітного спектра.
Для однієї з відкритих нами галактик з полярним кільцем модель показала потужний спалах зореутворення в минулому. Якщо такий спалах розвивається різко і триває короткий проміжок часу, це може означати, що було злиття двох галактик. Але у нашому випадку він був доволі довгий із поступовим наростанням швидкості формування нових зір. А це вже свідчить на користь акреції, за якої було повільне перетягування речовини. Плюс ми перевірили, наскільки ця галактика ізольована від сусідів, і виявилось, що інші на неї не впливали. Тобто ми крок за кроком наблизились до підтвердження, що там полярне кільце формувалося саме за рахунок акреції.
Галактики — це масштабно. А чи застосовуєте ви машинне навчання до чогось ближчого, у межах зоряних систем?
Так, нас із колегою Максимом Василенком запросили в проєкт з пошуку екзокомет. Максим, до речі, фантастична, талановита людина, яка з перших днів у війську. В нього майже дописана дисертація, але життя таке, що багато наших науковців захищають країну, а не дисертації. Тож нас запросив сусідній відділ, фізики субзоряних та планетних систем. Їм потрібні були саме наші навички роботи з машинним навчанням.
Як технічно це працює? Як виявити комету біля іншої зорі?
Тут принцип інший. Коли планета проходить перед зорею, вона кругла, і яскравість падає симетрично. А комета має хвіст, тому падіння яскравості буде асиметричним. І це вже не візуальна форма, а часові ряди. Тобто зовсім інший тип даних і, відповідно, інші методи.
Тобто для кожного типу задачі потрібен свій підхід?
Саме так. Методів зараз дуже багато. Ми дивимося, які дані доступні, й шукаємо під них відповідний метод. Наприклад, для екзокомет ми теж використовували Random Forest, але тренували його не на галактиках, а на зовсім інших даних. Тут дуже важливо, з чим саме ти працюєш.
А чому взагалі важливо знайти екзокомети?
Уявіть молоду зорю, яка щойно утворилась. Навколо неї є протопланетний диск, там уже формуються планети й літає багато уламків. Частина цих уламків і є комети, по суті, лід і газ. Якщо комета бомбардує молоду кам’янисту планету, лід і газ падають на поверхню, тануть, і гравітація не дає їм полетіти назад. Так поступово може утворюватися атмосфера. Тобто якщо ми знайдемо екзокомети, це буде підтвердженням теорії формування планетних атмосфер.
Але ж екзокомет знайдено поки дуже мало?
Так, їх відомо лише кілька десятків. Це все ще надзвичайно мала вибірка. Перші теоретичні розрахунки того, який вигляд можуть мати екзокомети та їхні спостережні прояви, з’явилися ще 1999 року, коли відповідних даних узагалі не було. Потім телескопи Kepler і TESS дали перші результати.
Ми вирішили піти хитрим шляхом. Змоделювали, якою була б крива блиску зорі, якщо повз неї пролітає комета, і вставляли цю модельну криву випадковим чином у реальні дані від різних зір. Так ми створили тренувальну вибірку, де точно знаємо, де є комета, а де немає. І натренували на ній машину.
Але головна складність у тому, що комета значно тьмяніша за планету, і її сигнал губиться в шумі. Ми працювали з параметром, який обрізає цей шум. Коли шуму мало, все чітко видно. Але в реальних даних шуму багато, і результат виходив на грані, десь 50 на 50. Здавалось би, погано. Але для нас це навіть добре, бо ми знайшли 32 кривих, де ймовірність наявності екзокомети перевищує 80 %. Передивились їх вручну, відсіяли планетні транзити та шумові артефакти — й залишились дві криві, де справді може бути екзокометний транзит.
А коли ми тестували нашу програму на зорі Бета Живописця (це молода система з великою кількістю уламкових дисків), нам вдалося підтвердити наявність екзокомет. Про це навіть писали Scientific American, що українські науковці знайшли нові екзокомети. Наша стаття із цими результатами була прийнята в один із найкращих астрономічних журналів світу. Якщо ви звернете увагу на дату підписання до друку, це 25 лютого 2022 року. Останні виправлення до публікації вносились керівником нашої команди Яковом Павленком у найтемніші часи нашої країни.
Вражає діапазон задач. А чи є ще щось, над чим ви зараз працюєте?
Є ще одне дуже цікаве питання, таке навіть трохи екзистенційне. Спочатку ми думали, чи є інші планети — й знайшли екзопланети. Потім почали шукати комети біля інших зір — і знаходимо екзокомети. А тепер питання: чи є у Всесвіті близнюк нашого Чумацького Шляху? Галактика, схожа на нашу, де теоретично можливе життя. Бо, наприклад, у галактиках з активними ядрами стільки радіації, що існування життя на планетах малоймовірне. Ми виграли грант від Національного фонду досліджень і зараз працюємо над цим, теж з методами машинного навчання.
І ще одне цікаве дослідження — реконструкція зони уникання Чумацького Шляху. Ми живемо в середині нашої Галактики, й саме це заважає нам бачити те, що за нею. Вавилова Ірина Борисівна запропонувала метод: якщо ми знаємо, як галактики розміщені в просторі, ми можемо видалити частину даних, навчити машину відновити їх, і якщо вона справляється добре, спробувати відтворити ту область, яку закриває Чумацький Шлях. Це як залатати дірку на штанах, ви знаєте візерунок тканини й можете відтворити його в тому місці.
Чи залишає машинне навчання місце для наукової інтуїції? Якщо алгоритми стають все точнішими, чи не втрачає вона значення?
Мені здається, ні. Наукова інтуїція нікуди не дінеться. Є хороший приклад, у вашому журналі про це писали. На кафедрі фізфаку працював науковець Сергій Костянтинович Всесвятський, ще в радянські часи, й він передбачив, що у Юпітера теж мають бути кільця, як у Сатурна. Всі казали, що немає жодних доказів, телескопи ще не мали такої роздільної здатності. Але Voyager згодом підтвердив, що кільця є. Це і є наукова інтуїція, коли людина постійно працює з даними, й щось у неї розвивається на рівні відчуття.
Ви — членкиня журі конкурсу МАН з астрономії. Чи бачите вплив ШІ на якість робіт?
Ще пару років тому траплявся плагіат в роботах, бо діти часто не задумуючись копіювали текст з Інтернету. Коли проводили роботу з пояснення, чому це робити не можна, ситуація покращувалась. А зараз я читаю текст і розумію, що часто це ChatGPT. Спочатку думала, що діти просто лінуються, не хочуть розбиратися. Але коли з ними розмовляєш, вони набагато краще розказують, ніж написали в роботі. Я питаю, чому ж ви не могли цього самі написати? Тобто вони все розуміють, але їм простіше попросити модель, ніж сформулювати самим. І річ тут не в технології, а в підході. Мовна модель це ж просто інструмент. Хто хоче вчитися, використає його собі на користь.
Це зараз загальна проблема. Все більше студентів і аспірантів використовують ШІ для написання дипломних і навіть кандидатських робіт. Як ви думаєте, чи немає ризику, що загальний рівень підготовки наступних поколінь науковців знизиться?
Я думаю, що це частина розвитку людства. Завжди, коли з’являється щось нове, ті, хто хочуть знати більше, будуть ставити правильні запитання. А ті, хто не хочуть, будуть просто бавитися. Розумніші стануть розумнішими. Коли з’явилися машини, всі боялися, що вони заберуть робочі місця. Не забрали ж. Працюємо, адаптуємось.
Є ще одне важливе запитання. Зараз багато науковців або в лавах війська, або виїхали з України. Чи відчувається нестача кадрів?
Дуже відчувається. Є ще й інша глобальна проблема: у нас просто дуже мало молодого покоління. Таких як я або молодших, одиниці. Залишається старше покоління.
Є статистична залежність виділення коштів з ВВП країни на науку і вплив її на розвиток економіки в країні. Щоб був мінімальний вплив, потрібно виділяти 1.7 % ВВП. У Німеччині, Франції, Британії, Штатах на науку виділяють від 2 до 3 % ВВП, і ми бачимо реальний вплив на розвиток економіки. А в нас до великомасштабного вторгнення було 0,17 %. Я, наприклад, старший науковий співробітник, і моя ставка 13–14 тис. гривень. Все інше заробляємо через додаткові гранти. Щоб покрити ставки й комунальні витрати обсерваторії, потрібно десь 32–35 млн на рік. Держава дає біля 20. Тобто платимо комуналку, отримуємо половину ставки, а решта залежить від того, чи вдасться виграти гранти.
Тому перше питання навіть не про ШІ чи моделі, а про те, чи держава взагалі зацікавлена в науковцях. Це перший крок.
Чи можуть мовні моделі хоча б частково компенсувати цю нестачу наукових кадрів?
Моделі не замінять науковців. Адже треба, щоб їх хтось запускав, хтось ставив правильні питання. Без людини це просто інструмент, який лежить без діла. Але все одно є люди, які не здаються і фанатично продовжують цю справу.
Олена Компанієць, моя колежанка, наприклад, кураторка проєкту Science Kids у межах InScience. Вони шукають науковців і адаптують їхні лекції для дітей від 8 до 12 років. Олена каже, що проєкту вже кілька років, а діти вже просять: розкажіть нам те саме, тільки з формулами, бо нам вже мало. Коли дітям цікаво пояснюють складні речі, вони самі хочуть більше. І повірте, жоден ChatGPT тут не замінить живу людину. Людині потрібна людина.
Бачите, мене теж захопила наука, і я витрачала багато енергії й часу, щоб стати науковицею. Хочеться, щоб так було і з наступними поколіннями. Той, хто захоче, той навчиться. Той, хто не захоче, буде користуватися моделями, щоб вдавати з себе розумного.
А для майбутнього покоління ми два роки тому колективом обсерваторії започаткували наукову школу обсерваторії, в останній тиждень літа. У цій школі беруть участь студенти, аспіранти та молоді вчені з усієї України. Нам вдалося запросити як українських науковців із майже всіх астрономічних установ країни, так й іноземних спікерів. Ми пишаємось тим, що змогли знайти фінансування, долучивши малий український бізнес.
Тобто все залежить від самої людини та її бажання рухатись далі?
Саме так. А ще має бути план дій. Знаєте, перед повномасштабним вторгненням чоловік мене питав, який в тебе план на рік. Я тоді відмахнулась, мовляв, які плани. А потім почалася війна, і здавалось, що планувати взагалі не має сенсу. Але з часом усвідомила, що все навпаки. План допомагає тримати власну нейронку в системі координат, бути при здоровому глузді й займатися справою, яку любиш. Я займаюся галактиками, іноді кометами, й отримую від цього задоволення. Поки є план і є бажання людей, наука розвиватиметься.
