סטודנטים לתארים מתקדמים מדברים

תעודת זהות

שם: גילי קנפו גיל: 25 מגורים: תל אביב עבודה: קצין ביחידה טכנולוגית בצה"ל השכלה: תואר ראשון במדעי המחשב מאוניברסיטת חיפה ותואר שני במדעי המחשב מאוניברסיטת רייכמן שם המאמר בתואר השני: Self-Supervised Multi-Modal Video Deepfake Detection 

מדוע בחרת להמשיך לתואר מתקדם וספציפית ברייכמן?

בצבא אני מתעסק בתחומים של מדעי המחשב וספציפית ב-Data Science, בתואר הראשון פחות יצא לי להיחשף לזה. החלטתי שאני מעוניין להמשיך לתואר מתקדם והתחלתי להסתכל על האוניברסיטאות הטובות בארץ, וביחד עם מגבלות הצבא ראיתי שאוניברסיטת רייכמן הייתה המקום העיקרי שהציע גמישות בנושא, בנוסף להמלצות שהגיעו מחברים שלומדים כאן. הגעתי להתרשם ביחד עם חברה שגם התעניינה, נדלקנו על המסלול ויחד עם מלגת הצטיינות שגם הייתה משמעותית עבורי והבנה שיש מגוון קורסים ומבחר בעולמות ה-Data Science, החלטתי ללכת לזה ונרשמתי. 

בהמשך, אחרי תקופה שבה עשיתי קורסים מאוד מעניינים בפקולטה, החלטתי שאני מעוניין להתעמק בעולם המחקרי. דיברתי עם ד"ר אילן גרונאו ראש התוכנית והוא עודד, תמך ועזר - לדעתי זה מציג את הבונוס של רייכמן ביחס של הסגל כלפי הסטודנטים והמעטפת הלוגיסטית שכל סטודנט מקבל, דבר שמבדל את האוניברסיטה ממוסדות אחרים.

אשמח שתספר לי על נושא המחקר, מה היה במהלך המחקר והחוויה שלך מהתהליך? 

כפי שציינתי, אני מגיע מעולמות ה-Data Science אבל כל תחום ה-Computer Vision מאוד משך אותי והרגשתי שאני מעוניין להעמיק יותר בתחום זה. בהתחלה, שלחתי מיילים לכל מיני מרצים, נכנסתי לאתרים האישיים שלהם לראות למי אני מתחבר ונכנסתי גם לאתר של ד"ר אוהד פריד שבהמשך הפך למנחה שלי לתזה. התרשמתי מכך שלמד במוסדות בעלי שם עולמי ורמה מחקרית גבוהה, דבר שנכון להרבה מהמרצים ברייכמן. אוהד היה המרצה הראשון שנפגשתי איתו, הרגשתי שיש חיבור טוב ותיאום ציפיות - ומשם התקדמנו לכיווני המחקר.

אוהד הגיע עם גישה היברידית - הציע רעיונות משלו וגם היה פתוח לרעיונות שמושכים אותי, ומשם פיתחנו את הדברים. נדלקתי על תחום Deep Fake, טכנולוגיה מתפתחת שסקרן אותי לקחת חלק בהתמודדות איתה. 

המחקר עוסק בזיהוי סרטוני Deep Fake בגישה מולטי-מודאלית. כלומר, בהינתן סרטון המורכב מפריימים ושמע, השיטה שלנו חוזה האם הסרטון עבר מניפולציה (ולכן מזויף). הגישה לוקחת בחשבון הן פיצ'רים ויזואליים וקוליים שמחולצים בעיקר בעזרת רשת נוירונים. 

השיטה מתבססת על אימון רשת בגישה Self-Supervised ("בפיקוח-עצמי"), כלומר, רוב תהליך האימון (למעט תהליך ה-Fine tune הסופי) לא נשען על דאטה מתויג. גישה זו מאפשרת שימוש בשפע של דאטה - סרטונים עם שמע ברחבי האינטרנט. זאת בניגוד לגישות שמתבססות על דאטה מתויג שבהן נדרשים הרבה משאבים ומומחיות כדי לייצר אותו. אנחנו כרגע בוחנים במקביל גישה לחילוץ פיצ'רים בגישות יותר "קלאסיות" (Hand-crafted features) ששילוב שלהן עשוי להביא לשיפור ביצועים בחיזוי. 

איך מתנהלת הדינמיקה בין הסטודנט למנחה במהלך התואר השני וכמה עצמאות ואוטונומיה יש לך בביצוע המחקר?

כקפיצה למים, אוהד הציע לי להצטרף ל-challenge בעולם התוכן של Computer Vision. החלטתי להצטרף, והאתגר הכניס אותי לתחום מ-0 ל-100 ובאמת עזר לי להבין יותר טוב את העולם. בדיעבד, אני חושב שזו הייתה התחלה מעניינת לעיסוק בעולם התוכן הזה, ואני ממליץ על הגישה הזו לסטודנטים נוספים שרוצים לאתגר את עצמם. 

מבחינת אוהד אם הגעתי עם רעיון מחקרי שנמצא תחת תחומי ההתמחות שלו היה אפשר להתחיל לרוץ על זה - לבוא אחרי מחקר מעמיק על התחום עם שאלת מחקר וסקירה ספרותית. יש לנו פגישה שבועית קבועה ושם אני מעדכן על כל ההתפתחויות שלי כולל אתגרים שאני מתמודד איתם תוך הצגת מדדים ושיטות לפתור את הבעיות שצפו. אוהד מכווין בפגישות, ממקד את מה שצריך לעשות והכל תוך כדי שאני בפול טיים ג'וב במקביל בצבא, כך שאוהד מכיר את הסיטואציה ועוזר. כל זה לא סותר את העובדה שאוהד מאוד דייקן ושם דגש על הפרטים והמסרים שאנחנו רוצים להעביר בכתיבת המאמר - עד הניואנסים הקטנים. בעיני הדייקנות היא לא טריוויאלית לצד שאר העיסוקים של המנחה ובהחלט מפתחת אותי כסטודנט תחת הנחייתו.

יצא לי לשמוע מלא מעט סטודנטים, כולל אותי, אשר מרגישים מבולבלים מהקשר בין מה שהם לומדים בקורסים "לחיים האמיתיים". מה אתה חושב על כך והאם אתה רואה את ההתקשרות לעולם המחקר?

אני חושב שזו נקודה מעניינת וחשובה. יישום הקורסים האלו תלוי מאוד לאן אתה מתכנן לקחת את הקריירה שלך. התואר במדעי המחשב יכול לקחת אותך להמון עולמות - Full Stack, Backend, Frontend, מפתח אלגוריתמים ועוד הרבה. 

בסופו של דבר, כשאתה מגיע לתואר שני גם בתחומים תיאורטיים וגם בתחומים פרקטיים יותר, יש מקרים שלרקע מתמטי טוב יש אימפקט חשוב ויש מקומות שהוא גם הכרח. בסוף צריך להתמודד עם חומרים מתמטיים מעולמות האינפי, אלגברה לינארית ועוד, כך שאם אין לך את הגישה הזו למתמטיקה הרבה יותר מאתגר להתקדם בתחומים מחקריים. 

אני חושב שבתחומי ה-Data Science וה-Machine Learning, רקע מתמטי הוא משמעותי ואף יכול לספק קפיצת מדרגה משמעותית לסטודנטים המגיעים עם רקע כזה.

רוב הסטודנטים לאחר התואר ממשיכים לתעשייה ולא מתקדמים אל עולם המחקר. למי היית ממליץ להמשיך לתואר מתקדם? 

גם זו שאלה טובה וחשוב שסטודנט שמתלבט יבין את המשמעות ולמי זה בעצם מתאים. אם רוצים להתקדם למשרות של מחקר, רוב המשרות דורשות תואר שני. סיבה נוספת להמשיך היא אם יש סקרנות ורצון להתרחב לתחומים נוספים ולחקור אותם לעומק. יש חבר'ה שגם רוצים להמשיך באקדמיה ולאחר מכן לדוקטורט, אז כמובן שהתואר השני הוא הכרחי. 

מעבר לכך, אני חושב שהתואר השני נותן גם הרבה ערך מוסף בתעשייה והרבה מעסיקים מעריכים את זה, גם אם לא מדובר במשרות שמיועדות לבוגרי תואר שני.

טיפ אישי לסטודנטים שמעוניינים להמשיך לתואר שני במדעי המחשב ועל מה רצוי לחשוב כבר במהלך התואר הראשון בשביל להתקדם ולהצליח בתואר השני?

קודם כל, אני חושב שסקרנות הוא משהו הכרחי בכל תואר שני. לכן, סטודנטים סקרנים שקוראים מאמרים ורוצים להרחיב את החשיבה - זה לגמרי אפשרי. אני ממליץ להיחשף לתחומים שונים ומרצים מגוונים בשביל להיפתח להרבה נושאים ומשם לבחור מה הכי מעניין, וגם עם אילו מרצים מעוניינים לעבוד. ממליץ לדבר עם חבר'ה שעושים תואר שני וגם עם מרצים רלוונטים בשביל להתכוונן לקראת התואר השני.

אני חושב שטיפ חשוב הוא לא לפחד ולא לחשוש מכניסה לתהליך כזה. סטודנטים שמוכנים לעבוד קשה יכולים להצליח ואפילו לגלות שאפשר להנות מהעשייה המחקרית.