Просмотр исходного текста страницы Проект открытого кода научных исследований ФКН (Михаил Гущин, OSEDUCONF-2024)

;{{SpeakerInfo}}: {{Speaker|Михаил Гущин}}
<blockquote>
На факультете компьютерных наук НИУ ВШЭ стартовал проект по открытому коду, 
где сотрудники и 
студенты могут разместить код своих проектов. 

Расскажем, почему возникла  необходимость в таком проекте, и какие цели стоят перед ним. 
Обсуждаем какую пользу, которую проект несёт для факультета и партнёров. 

Также рассматриваем несколько 
примеров открытых библиотек, разработанных сотрудниками факультета.
</blockquote>

{{VideoSection}}

{{vimeoembed||800|450}}
{{youtubelink|}}

{{SlidesSection}}
[[File:Проект открытого кода научных исследований ФКН (Михаил Гущин, OSEDUCONF-2024).pdf|left|page=-|300px]]

{{----}}

== Thesis ==
* https://github.com/hse-cs

Согласно отчёту о состоянии искусственного интеллекта (ИИ) от Университета Стэнфорда <ref name="gushin-1"><i>Maslej&nbsp;N., Fattorini&nbsp;L., Brynjolfsson&nbsp;E., Etchemendy&nbsp;J., Ligett&nbsp;K., Lyons&nbsp;T., et al.</i> (2023). Artificial intelligence index report 2023. [https://doi.org/10.48550/arXiv.2310.03715]</ref> 
в 2021 году были опубликованы более 290 000 статей в научных журналах в области ИИ. При этом только 
около 30% публикаций имеют хотя бы одну открытую реализацию в коде, согласно статистике сайта 
статей с открытым кодом<ref>[paperswithcode.com/trends</ref>].

Открытый код научных исследований необходим для повышения качества и прозрачности научных работ, 
а также для стимулирования инноваций и сотрудничества между учёными. Он позволяет исследователям 
и другим специалистам изучать и анализировать научные работы, выявлять ошибки и недостатки в них, 
что способствует повышению доверия к результатам исследований. Также открытый код облегчает 
сотрудничество между учёными, позволяя им совместно работать над решением научных проблем и 
обмениваться знаниями. Он даёт возможность повторно использовать существующие работы, экономя 
время и ресурсы. Использование программного обеспечения с открытым исходным кодом снижает затраты 
на исследования, так как не нужно покупать дорогостоящие проприетарные программы. В целом, открытый 
код научных исследований способствует развитию науки, повышению качества исследований и укреплению 
международного научного сообщества.

В 2021 году уже существовало более 330 000 проектов с открытым кодом в области ИИ<ref name="gushin-2">Избранные публикации сотрудников факультета. [https://cs.hse.ru/selected-publications]</ref>. 


К 2022 году эти проекты собрали на <tt>Github</tt> в сумме более 8 000 000 звёзд. Самыми популярными из них 
являются библиотеки широкого назначения такие как <tt>Tensorflow</tt>, <tt>OpenCV</tt>, <tt>Keras</tt>, 
<tt>PyTorch</tt>, <tt>Scikit-learn</tt> и другие. 

[[File:osseduconf-2024-gushin-gushin-gushin-02.png|center|640px|thumb|Зависимости числа звёзд на Github от времени для докладов]]

Открытый код способствует повышению популярности результатов научных исследований. В таблице приведены 
данные о количестве цитирований на <tt>Google Scholar</tt>, а также число звёзд у репозиториев на <tt>Github</tt> для некоторых 
статей конференции <tt>NeurIPS</tt> в 2021—2023 годах. 

[[File:osseduconf-2024-gushin-gushin-gushin-01.png|center|640px|thumb|Зависимости числа звёзд на Github от времени для докладов]]


итирования отражают интерес к результатам исследований со стороны 
научного сообщества. Тогда как число звёзд выражает интерес и со стороны исследователей, и со стороны разработчиков и 
инженеров в области ИИ. Результаты<ref>Данные получены с помощью сервиса [https://star-history.com]</ref> показывают, что число звёзд обычно существенно превышает количество цитирований 
соответствующих статей. 

Наличие открытого кода способствует росту числа цитирований, поскольку облегчает другим исследователям воспроизведение 
и использование результатов в своих работах. График показывает, что публикация кода вместе со статьёй дополнительно повышает видимость результатов и 
приводит к росту популярности.

Факультет компьютерных наук (ФКН) НИУ ВШЭ каждый год выпускает десятки научных статей в высокорейтинговых журналах и 
выступает на конференциях с рейтингом Core A<m>^*</m><ref name="gushin-2"></ref>. С целью увеличить видимость результатов исследований 
среди сотрудников факультета, студентов, а также партнёров и внешних разработчиков был запущен проект открытого кода ФКН. 
Создана страница на Github<ref name="gushin-3">Репозитории с открытым кодом ФКН. [https://github.com/hse-cs]</ref>, где сотрудники и студенты факультета могут разместить код своих проектов и получить обратную связь от коллег и сообщества. 

Одинм из примеров открытого кода ФКН является библиотека <tt>LaNeta</tt><ref name="gushin-4">LaNeta. [https://github.com/hse-cs/LaNeta]</ref> для оценки времени примешивания между 
двумя популяциями при двух пульсах миграции. В библиотеке реализован алгоритм, который построен на математической теории 
неравновесного сцепления трёх генетических локусов при примешивании популяций<ref name="gushin-5"><i>Liang&nbsp;M., Shishkin&nbsp;M., Mikhailova&nbsp;A., Shchur&nbsp;V., \& Nielsen R.</i> (2022). Estimating the timing of multiple admixture events using 3-locus linkage disequilibrium. PLoS genetics, 18(7), e1010281. [https://doi.org/10.1371/journal.pgen.1010281]</ref>. 
    
Он позволяет точно исследовать недавнюю (в пределах нескольких десятков поколений) историю примешивания популяций в сложных сценариях, для которых существовавшие ранее методы были неприменимы или неточны. Библиотека будет интересна всем, кто занимается популяционной геномикой.

Студентами и сотрудниками факультета была разработана библиотека <tt>Fulu</tt><ref name="gushin-6">Fulu. [https://github.com/hse-cs/fulu]</ref>. 

В ней собраны несколько методов 
для аппроксимации кривых блеска астрономических объектов с использованием машинного обучения. В библиотеке реализованы 
алгоритмы на основе гауссовских процессов, а также некоторые другие, с использованием нормализующих потоков и байесовских 
нейронных сетей<ref name="gushin-7"><i>Demianenko&nbsp;M., Malanchev&nbsp;K., Samorodova&nbsp;E., Sysak&nbsp;M., Shiriaev&nbsp;A., Derkach&nbsp;D., \& Hushchyn&nbsp;M.</i> (2023) Understanding of the properties of neural network approaches for transient light curve approximations. Astronomy \& Astrophysics, 677, A16. [https://doi.org/10.1051/0004-6361/202245189]</ref>. 

Библиотека будет полезна астрономам и прикладным исследователям на стыке машинного обучения 
и астрофизики, который изучают сверхновые.

Также у нас есть библиотеки общего назначения. Например, библиотека генеративных моделей <tt>Probaforms</tt><ref name="gushin-8">Probaforms. [https://github.com/hse-cs/probaforms]</ref>. 
Она содержит реализации вариационных автокодировщиков, генеративно-состязательных сетей и нормализующих потоков для 
табличных данных. С их помощью можно решать задачи регрессии и классификации, оценивать неопределённость прогнозов, 
учить распределения данных, создавать синтетические данные.

Мы призываем студентов и сотрудников факультета участвовать в разработке открытого кода. Проект позволит улучшить 
прозрачность исследований, будет способствовать сотрудничеству между учёными и студентами, упростит повторное использование 
наработок и увеличит видимость результатов исследования за пределами университета.

{{----}}
[[File:{{#setmainimage:Проект открытого кода научных исследований ФКН (Михаил Гущин, OSEDUCONF-2024)!.jpg}}|center|640px]]
{{LinksSection}}
<!-- <blockquote>[©]</blockquote> -->

<references/>

[[Категория:OSEDUCONF-2024]]
[[Категория:Draft]]
[[Категория:СПО в образовании]]