«Иногда нужно, чтобы не только большинству было хорошо, но и меньшинству не было плохо»

Мария Митранкова в этом году заканчивает бакалавриат по экономике, дальше она хочет пойти в магистратуру по машинному обучению. Во время учебы студентка изучала аукционы и голосования в Международной лаборатории теории игр и принятия решений. Что делает аукцион подозрительным, как учесть интересы всех сторон в голосовании и почему мотивирующее окружение важно — в интервью с Марией.

Фото из личного архива Марии Митранковой

Теория VS. практика

Математика понравилась мне в 11 классе. Тогда я часто решала задачи, потому что готовилась к ЕГЭ. На программе «Экономика» мой интерес развился еще больше.

На первом и втором курсах у нас было много предметов, связанных с математикой. Теоретические преобладали и давались мне лучше, чем практикоориентированные. Я всегда лучше понимала тему, если лектор сначала объяснял ее с математической точки зрения. Уже потом интуитивно находила пример на практике. В тот момент мне и захотелось понять, как работают теоретические модели.

Исследовательская деятельность

Интерес к теории игр

На третьем курсе мне нужно было впервые писать курсовую работу, а значит, выбирать руководителя и тему. Проще всего было искать научника в одной из лабораторий, так поступали и мои однокурсники.

Из всех научных подразделений больше всего была на слуху Лаборатория теории игр и принятия решений. Когда мы были на первом курсе, она запустила проект для всех студентов. Там нужно было собирать данные о том, как абитуриенты распределяются по университетам.

А на втором курсе у нас был предмет «Теория игр». Нам его давали на базовом уровне, без углубления в математику. Но теория игр красиво описывала разные экономические модели, и для начального интереса этого было достаточно.

Первая курсовая — о голосованиях

Я изучала голосования как общественный выбор. В каждом опросе есть несколько действующих лиц со своими предпочтениями, которые нужно как-то объединить. Важно при этом учесть потребности всех голосующих.

Есть мажоритарный подход к голосованию: выбираем то, что нравится наибольшему количеству участников. Но он не всегда срабатывает. Иногда нужно, чтобы не только большинству было хорошо, но и меньшинству не было плохо.

Я изучала подход на основе вето: чтобы нельзя было выбрать опцию, против которой решительно выступает одна группа. Приведу пример, как это работает. Есть семья — мама, папа и дочка. Они решили вечером посмотреть фильм все вместе. Маме нравится «Железный человек», папе — «Челюсти», дочке — «Шрек». При этом девочка ненавидит «Челюсти», потому что это очень страшный фильм. Значит, семья не будет смотреть его: ведь есть человек, который категорически против. Найдут что-то другое, чтобы не поссориться.

Я смотрела, насколько хорошо работает это правило: получится ли учесть интересы большинства и при таком раскладе. Оказалось, что да. Потом я подала эту курсовую на конкурс НИРС и стала его лауреатом.

Мотивирующее окружение

Изначально у меня не было планов вливаться в науку. Просто после курсовой я втянулась, начала ходить на семинары с преподавателями и приглашенными спикерами. Лаборатория иногда приглашала на мероприятия ученых, на статьи которых я опиралась в своей работе. И вот я увидела этих людей вживую — можете представить мою радость!

Иногда мое исследование казалось мне чем-то узкоспециализированным. А в лаборатории я встретила много людей с похожими темами. Первая реакция была «Ого, вы существуете». У нас сложилось сообщество людей, которое занимается теорией игр и социального выбора, дизайном механизмов. И оно очень сплоченное, все общаются друг с другом. Если я зашла в тупик во время работы, то всегда могу поговорить с моим научным руководителем — Егором Александровичем Яновским.

В лаборатории мне все нравится. В первую очередь я сужу по коллективу, в котором очень комфортно. Нет страха перед преподавателями, я не чувствую никакой неловкости. Понимаю, что пока не на таком крутом уровне знаний, но преподавателям это неважно. Они все равно относятся ко мне по-доброму и с уважением.

Диплом о подозрительных аукционах

Сейчас я занимаюсь только дипломной работой. Летом, возможно, возьмусь и за другие проекты, но о них пока рано говорить. Ведь я готовлюсь к поступлению в магистратуру.

В своей работе я ищу метрики и статистические особенности, по которым можно заподозрить недобросовестный аукцион у группы фирм. Сейчас объясню на примере, какие сделки я считаю сомнительными.

Допустим, компания ищет подрядчика. Она запускает аукцион и выбирает исполнителя. Выигрывает тот, который поставил наименьшую цену. Аукцион выглядит подозрительно, если фирма-исполнитель полностью изолирована от внешнего рынка или раньше слишком активно общалась с заказчиком.

Вот еще пример подозрительного аукциона. Логично предположить, что исполнители хотят получить наибольшую цену за свои услуги. Но выигрывает тот, который поставит наименьшую. Иногда фирмы договариваются между собой: одна из них назначает стоимость пониже, но с крошечной разницей. Если аукцион честный, разница ставок обычно бывает весомой.

Понятно, что по таким метрикам нельзя с уверенностью заявить, что сговор состоялся. Это скорее статистические предположения, которые дают основания для проверки компании. Если все метрики сошлись, то к такому аукциону стоит присмотреться повнимательнее.

Машинное обучение и магистратура

На втором и третьем курсах мои знакомые начали заниматься аналитикой и машинным обучением, я тоже заинтересовалась этой сферой. Сейчас у меня как раз появилось время на то, чтобы немного вникнуть в нее: пары позади, осталось только защитить диплом. Так что я прохожу курсы по машинному обучению.

Начала с базового открытого курса от МФТИ с лекциями и семинарскими занятиями. Можно смотреть занятия и прорешивать задачи, но без проверки. Еще я прохожу курс Deep Learning School на Stepik: раз в несколько недель нам читают лекции, потом нужно решать задачи. А потом участники курса проверяют твое решение, а ты — их.

Дальше я хочу в магистратуру по машинному обучению и анализу данных. Пока не могу сказать, пройду я или нет, но попробовать точно стоит. Если не получится, буду рассматривать магистерскую программу по экономике.

В первую очередь мне хочется в Питерскую Вышку, потому что тут все знакомое и родное. Если поступать сюда, то можно и в лаборатории остаться. И магистратура «Машинное обучение и анализ данных» показалась мне классной по описанию. Запасные варианты тоже есть, поэтому буду подаваться везде: посмотрим, куда пройду.

Исследования интересны мне и в дальнейшем. Возможно, я свяжу их с разработкой: буду делать что-то полезное для компании, но в то же время исследовательское. Мне нравится сам процесс познания: сначала читать что-то, потом проверять гипотезу. В какой-то степени для меня это творчество, хоть и упорядоченное.

А вот уходить в машинное обучение мне, если честно, страшновато. Ведь не факт, что у меня это начнет получаться. Но лучше уж заниматься тем, что нравится. При должной мотивации я смогу развиться в этой сфере и найти работу, а если что — и направление поменять. В магистратуре это уже не так критично, как в бакалавриате: меньше давления.