Два года жизни одной библиотеки глубокого обучения на Kotlin: от прототипа к четвертому релизу

Вас ждет черно-белая история о том, как Алексей намазал Kotlin поверх вычислительного ядра TensorFlow и что из этого вышло. А ведь еще несколько лет назад он был молод, не имел седых волос в бороде и хотел не так много: всего лишь тренировать и дообучать нейросети на JVM-языке со скоростью TensorFlow или PyTorch. Ну и конечно, чтобы весь MLOps был из коробки, не писать же свой! 

Не успел он моргнуть, как стремительно пролетели два года работы над библиотекой Deep Learning для Kotlin в составе команды JetBrains (Kotlin for Data Science) и был пройден тернистый путь от MVP размером в 1 класс и 3 метода до многомодульного проекта с сотнями классов, тестов, десятками туториалов, статей и несколькими тысячами пользователей. KotlinDL стал проектом, в который контрибьютит 30 человек со всего земного шара: из Польши, Китая, Ирана, Индии, Германии, Канады и России. Проектом, на основе которого пользователи создают мультиплатформенные библиотеки и игровые движки с элементами AI, да и просто балуются с детекцией объектов со своих видеокамер. 

Этот доклад не про Deep Learning, как таковой, а про непростой путь взращивания JVM-библиотеки для Data Science экосистемы с нуля и о преодолении трудностей на стыках с мирами: нативным и змеиным, где не ступала нога типов и промышленных Ява Бобов. Мы будем говорить и том, как ставить задачи тем, кому ты не платишь, и о том, как парсить веса моделей. О том, как правильно использовать ресурсы компании, в которой ты работаешь, для развития OSS-проекта и о разнице между JNI и JavaCPP, а также о поиске истины в недрах Github Issues титанов, на чьих плечах это все и стоит.

Если это и смузи, то с пенкой из стали.