Артем Орендарчук: «При использовании искусственного интеллекта не стоит забывать о естественном»

Артем Орендарчук — студент 2-го курса магистратуры программы «Пространственные данные и прикладная геоаналитика» факультета географии и геоинформационных технологий НИУ ВШЭ и руководитель отдела производства цифровых моделей в группе компаний «ПИК».

© Из личного архива Артема Орендарчука

Артем работает на пересечении архитектуры и геоинформатики. Он руководит созданием цифровых моделей планируемой застройки, внедряя ГИС-инструменты для решения задач автоматизации, вертикальной планировки и координатных привязок. В своей магистерской диссертации он исследует цифровые двойники городов.

В интервью Артем рассказал, почему выбрал магистратуру ФГГТ, в чем, по его мнению, уникальность программы «Пространственные данные и прикладная геоаналитика», и как искусственный интеллект меняет работу с геоданными.

— Расскажите, пожалуйста, как вы пришли к решению поступить в магистратуру «Пространственные данные и прикладная геоаналитика» НИУ ВШЭ. Какие профессиональные или личные мотивы сыграли решающую роль? Какие другие магистерские программы рассматривали для поступления?

После окончания бакалавриата МИИГАиК в 2017 году я поступил в магистратуру в этот же вуз, но не закончил ее. В магистратуре мне хотелось расширить свои компетенции, в особенности получить навыки программирования и машинного обучения для решения пространственных задач. Я давно присматривался к ВШЭ, в частности думал поступить на «Управление пространственным развитием городов» на ФГРР как на близкую по профилю и духу программу. Однако там занятия проводятся в дневное время, и мне неудобно совмещать учебу на этой программе с работой. Неожиданно увидел, что в ВШЭ появилась магистратура «Пространственные данные и прикладная геоаналитика». Содержание программы показалось мне интересным, поэтому я поступил на нее.

— Чем программа на ФГГТ НИУ ВШЭ отличается от аналогов в России — в плане содержания, практик или возможностей для студентов?

Я подробно изучал только программы в Москве, и среди них есть аналоги – это программы в МГУ и МИИГАиК с упором на картографию и геоинформационные технологии. В обоих институтах сформировались сильные картографические школы с опытными преподавателями, но, по моему мнению, эти программы очень неспешно идут навстречу новым веяниям. В отличие от аналогов, программа ПДПГ делается не по шаблонам, а на волне новых тенденций и свежих подходов. Это как раз то, что качественно отличает эту магистратуру от других. В случае бакалаврской программы, я бы отнес это, скорее, к недостаткам, а в магистратуре – это однозначно преимущество.

— Какие курсы, которые были на первом году обучения или идут сейчас, вам особенно интересны и полезны? И почему?

Курс «Основы анализа пространственных данных» — это, безусловно, один из самых полезных предметов на программе. У этого курса интересное содержание семинаров, на которых показывается применение изученных инструментов пространственной аналитики. Также мне понравился курс «Математическое моделирование в пространственных задачах», дающий широкий обзор наиболее актуальных и современных методов в географической науке. Еще отмечу замечательный, во многом новаторский, курс Надежды Юрьевны Замятиной «Матрица территории: взаимосвязи компонентов регионального развития». Я был так впечатлен, что уверен: его можно вполне продлить на целый год.

— Сейчас практически везде активно применяются методы машинного обучения и искусственного интеллекта, в том числе в геоаналитике, урбанистике и науках о Земле. По вашему мнению, эффективно ли применять эти методы на пространственных данных? В чем специфика внедрения ML-методов на геоданные?

Модели машинного обучения и искусственного интеллекта широко используются для автоматизации рутинных операций, например оцифровки объектов на космических снимках. Замечательно, что теперь создание однотипных карт занимает минуты и даже секунды, а не дни и месяцы, когда люди пользовались калькой с пером для картирования объектов. И, конечно, при использовании искусственного интеллекта не стоит забывать о естественном – как минимум надо понимать специфику алгоритмов.

Но я, конечно, не могу отказаться от «снобского» убеждения, что каждый студент-географ обязан освоить классическое дешифрирование, отрисовать тушью несколько деревень по черно-белому аэрофотоснимку, уметь отличать лиственный лес от хвойного и верно считывать характеристики водотоков, и лишь потом учиться использовать искусственный интеллект для вышеназванных задач.

— Чем знания о территориальном развитии и планировании помогают в интеллектуальном анализе пространственных данных и наоборот? Дополняют ли они друг друга?

Для девелопмента методы пространственного анализа и геоаналитики очень важны, так как они позволяют анализировать большие массивы данных с учетом пространственного контекста и получить интересные и даже неожиданные результаты на их основе. Сейчас ни один градостроитель, генпланист, да и просто архитектор-практик не может обойтись без базовых навыков работы с ГИС-пакетами. Знание QGIS — это уже почти стандартное требование в вакансиях на должность архитектора. С другой стороны, знание о доменной области неотделимо от анализа данных — важно знать, что означают выводы на основе данных.

— Кем и где вы работаете сейчас? Какие научно-исследовательские или прикладные проекты вы реализовываете? Какие знания, полученные на программе, оказались полезными для проектов? А каких знаний не хватает?

Я руковожу Отделом производства цифровых моделей в группе компаний «ПИК». Моя работа в сфере архитектуры включает, кроме пакетов трёхмерной графики, применение геоинформационных систем и методов с использованием программ FME (Feature Manipulation Engine) и QGIS. В частности, это вопросы геоподоснов, вертикальной планировки и координатных привязок. В магистерской диссертации я исследую цифровые двойники городов. У меня большой опыт в работе с Цифровым двойником города Москвы.Я участвовал в развитии и наполнении Цифрового двойника, разрабатывал требования к трёхмерным моделям, интегрируемым в него, когда работал в ГБУ «Мосгоргеотрест». В магистерской работе мне пригодились навыки машинного обучения и анализа геоданных на Python. На первом курсе не хватило кейсов, связанных с городами, а также курсов, близких к урбанистике и городской аналитике. Но сейчас, на втором курсе, идет предмет «Пространственное планирование на основе данных», в котором внимание уделяется именно городским территориям.

— Кем вы видите себя после окончания магистратуры? Как программа поможет вам в будущей карьере?

В будущем я вижу себя одним из людей, определяющих траекторию развития цифровых двойников в нашей стране. Это может быть как руководство развитием цифрового двойника города Москвы, так и выход на федеральный уровень. Мне нравится работать со стандартизацией данных, вырабатывать решения для сложных комплексных систем. Думаю, что курсовой и дипломный проекты, в которых я как раз исследую цифровые двойники, помогут в будущей карьере.

 

Материал подготовила Яна Бахрамхан.