So'nggi uch hafta Tantoryn AI'da bir vaqtning o'zida bir nechta yo'nalishga bag'ishlandi: loyihaning ommaviy qismini rivojlantirish, jamoani kengaytirishga tayyorgarlik ko'rish va mashinali o'qitish bo'yicha katta tadqiqot siklini davom ettirish.
Loyiha rivojlanishining keyingi bosqichiga tayyorlanmoqdamiz
Tantoryn AI o'sib borgani sari biz loyihaning ichki tashkil etilishini faqat asoschining ishiga emas, balki yangi ishtirokchilarni jalb qilishga ham mo'ljallangan shaklga keltira boshladik.
Loyiha arxitekturasi va yo'nalishlarining tavsifini tizimlashtirdik, roadmap'ni yangiladik va bo'lajak jamoa a'zolari uchun alohida kontekst shakllantirishni boshladik. Roadmap'da rivojlanish tartibi va taxminiy sanalar ataylab bir-biridan ajratilgan: bosqichlar ketma-ketligi tadqiqot ishini oldindan qat'iy kalendarga bog'lashga urinishdan muhimroq.
Shu bilan birga jamoani kengaytirishga tayyorgarlik ketmoqda. Ko'rib chiqilayotgan birinchi yo'nalishlar qatorida Lead Developer va Community Manager bor.
Community Manager uchun asta-sekin alohida ommaviy kontur shakllanmoqda: sayt, nashrlar, ijtimoiy platformalar va auditoriya bilan qayta aloqa. Kelgusida bu ishning bir qismini TAICM — Tantoryn AI Community Manager orqali qo'llab-quvvatlash rejalashtirilgan, biroq nashrlar va javoblar avvalgidek inson tasdig'idan o'tishi shart. TAICM'ning o'zi hozircha ishga tushirilgan tizim emas, balki rivojlanish yo'nalishidir.
Ommaviy qism ham kengaydi
Shu davrda biz Public Build with Controlled Disclosure modelini rivojlantirishda davom etdik.
Uning tamoyili ancha oddiy: faqat muvaffaqiyatli natijalar haqida emas, balki tadqiqot jarayoni, tekshiruvlar, noto'g'ri chiqqan gipotezalar va qarorlar nega o'zgargani haqida ham gapirish — shu bilan birga savdo yadrosini, yopiq ma'lumotlarni va tizim algoritmini amalda oshkor qiladigan tafsilotlarni e'lon qilmaslik.
Saytda aloqa ma'lumotlari va loyihaning ommaviy resurslariga havolalar kengaytirildi. Hozir Tantoryn AI'ning tadqiqot materiallari Dzen va Medium'da chiqadi, HackerNoon va boshqa ommaviy platformalardan ham foydalaniladi, loyihaning o'z yangiliklari esa tantoryn.com'da qoladi.
Bu ajratish biz uchun muhim. Maqola muammoni Tantoryn AI'dan mustaqil ravishda tushuntirishi kerak. Loyiha yangiligi esa aynan qayerda bu muammoga duch kelganimizni va ishimizda nimani o'zgartirganimizni ko'rsatishi kerak.
Shuning uchun bir xil materialni platformalar o'rtasida ko'chirib o'tkazmaslikka, balki ilmiy-ommabop nashrlarni loyihaning amaliy ishlab chiqish tarixi bilan bog'lashga harakat qilamiz.
ML'da (mashinali o'qitishda) bir nechta muvaffaqiyatsiz gipotezalarni bosib o'tdik
Shunga qaramay, ML ishi bizni muhim amaliy xulosaga olib keldi: murakkab model murakkab bo'lgani uchun emas, balki faqat uning ustunligi oddiyroq yechimlar bilan halol solishtirishga bardosh bersagina qadrli bo'ladi.
So'nggi haftalardagi asosiy texnik ish ML Evaluator — loyihaning sun'iy intellektga asoslangan baholash konturi bilan bog'liq bo'ldi.
Turli model oilalarini va masalani qo'yishning turli usullarini ketma-ket tekshirdik. Vaqt bo'yicha ajratilgan ishlab chiqish va tekshiruv bosqichlari, takroriy o'qitishlar va oldindan qayd etilgan eksperiment qoidalaridan foydalandik.
Natijalarning bir qismi modellarning bozor holatlarini saralash qobiliyati nuqtai nazaridan istiqbolli ko'rindi. Biroq keyingi tekshiruv muammoni ko'rsatdi: yaxshi ML-saralash hali iqtisodiy jihatdan foydali ustunlik topilganini anglatmaydi.
Bu natijani muvaffaqiyatli savdo modeli haqidagi da'voga aylantirmadik. Buning o'rniga tegishli sozlash yo'nalishini to'xtatdik va masalaning qo'yilishini qayta ko'rib chiqdik. Bu tadqiqot tarmog'i foydalilik yoki real savdoga tayyorlik haqida hech qanday da'vosiz, tarixiy eksperiment sifatida yopildi.
Bu yanada tub o'zgarishga olib keldi. ML Evaluator'ning roli torroq vazifaga qaytarildi: bozor holatiga qarab savdo ssenariysining muvaffaqiyatli rivojlanish ehtimolini baholash, butun tizimning iqtisodiy natijasini esa alohida tekshirish. Buning uchun muvaffaqiyatsiz, qisman muvaffaqiyatli va muvaffaqiyatli natijani farqlaydigan yangi klassifikatsiya masalasi shakllantirildi.
Yangi model signal berdi — lekin navbatdagi muammo paydo bo'ldi
Masala qo'yilishini o'zgartirgach, yangi o'qitish siklini tayyorladik va modellardan birining birinchi to'liq tekshiruvini o'tkazdik.
Natija aynan «model yaxshi» yoki «model yomon» degan oddiy javob bermagani uchun foydali bo'ldi.
Model haqiqatan ham istiqbolliroq va kamroq istiqbolli bozor holatlarini farqlay olishini ko'rsatdi va bu bosqich uchun belgilangan tekshiruvlardan o'tdi.
Lekin ayni paytda uni bozor vaziyatining kichik bir guruh asosiy xususiyatlariga qurilgan ancha oddiy mo'ljal bilan solishtirdik.
Asosiy mustaqil tekshiruvda oddiy baseline murakkab ML-modeldan kuchliroq chiqdi.
Bu o'tkazilgan o'qitishni foydasiz qilmaydi. Aksincha, bunday solishtirish tadqiqot nazorati ishlayotganini ko'rsatadi: qo'shimcha murakkablik hozircha qo'shimcha qiymat yaratishini isbotlamadi.
Aynan shuning uchun hozir biz uchun modelning chiroyli raqamini har qanday yo'l bilan yaxshilashga urinishdan ko'ra, oddiy baseline qanday ma'lumotdan foydalanishini va nega murakkabroq model ma'lumotlardan ko'proq narsa chiqara olmaganini tushunish muhimroq.
Bu muammoni alohida o'rganib chiqdik
Shu bilan birga, bunday holat zamonaviy moliyaviy ML (financial ML) uchun qanchalik xos ekaniga qaradik. Ma'lum bo'lishicha, bu faqat Tantoryn AI'ga xos muammo emas.
Bu tadqiqot natijalari bilan Dzen'dagi alohida maqolada batafsilroq bo'lishdik: «Когда простой baseline побеждает AI: почему сложная модель не всегда лучше» (rus tilida).
Moliyaviy vaqt qatorlari bo'yicha so'nggi tadqiqotlar aralash manzarani ko'rsatadi: zamonaviy neyron tarmoq va Transformer yondashuvlari haqiqatan ham klassik usullardan ustun kela oladi, biroq har doim emas. Ayrim rejimlarda chiziqli va avtoregressiv baseline'lar raqobatbardosh bo'lib qoladi yoki ancha murakkab arxitekturalardan kuchliroq chiqadi.
Shuning uchun asosiy savol modelning murakkabligida emas, balki uning ustunligi bir xil ma'lumotlar, bir xil vaqt bo'yicha ajratish va bir xil baholash qoidalarida saqlanib qoladimi-yo'qmi, shundadir.
Bu mavzuga alohida material bag'ishladik: «Когда простой baseline побеждает AI: почему сложная модель не всегда лучше» (rus tilida).
Maqolada bu muammoni Tantoryn AI'dan mustaqil ravishda ko'rib chiqamiz: moliyaviy ML'ga nega oddiy baseline'lar kerak, nega bitta metrikadagi g'alaba yetarli emas va nega salbiy natija modelni yana bir marta sozlashdan foydaliroq bo'lishi mumkin.
Keyin nima bo'ladi
ML yo'nalishidagi keyingi qadam — tizimni avtomatik ravishda murakkablashtirish emas.
Avvalo oddiy mo'ljal nega yangi seriyaning birinchi tekshirilgan modelidan kuchliroq chiqqanini tushunib olish kerak. Keyin qolgan yondashuvlar ham xuddi shu solishtirish tamoyilidan o'tishi lozim: qo'shimcha murakkablik qo'shimcha qiymatni isbotlashi kerak.
Shu bilan parallel ravishda Tantoryn AI'ning ommaviy qismi ustidagi ish va loyihani jamoani kengaytirishga tayyorlash davom etadi.
Shu sababli so'nggi haftalarning asosiy natijasi bitta yangi model yoki funksiyada emas. Loyiha bir vaqtning o'zida uchta yo'nalishda asta-sekin tuzilmaliroq bo'lib bormoqda: tadqiqotlar, ommaviy shaffoflik va bo'lajak jamoani tashkil etish.
ML'da esa biz yana bir bor noqulay bo'lsa ham saqlab qolishni muhim deb hisoblaydigan natijaga ega bo'ldik: agar oddiy baseline murakkab AI'dan kuchliroq chiqsa, to'g'ri keyingi qadam baseline'ni yashirish emas, balki buning sababini aniqlashdir.