Mød Miao Zhang, der arbejder med black-box problemet inden for automatiseret deep learning

Miao arbejder som adjunkt ved Institut for Datalogi på Aalborg Universitet. Han er også en del af DIREC-arbejdsstrømmen Advanced and Efficient Big Data Management and Analysis. Projektet fokuserer på, hvordan vi kan udvikle nye effektive prototyper, der muliggør brugen af big data i industrien. Miao fokuserer især på at opbygge effektive og forklarlige prototyper til forskellige opgaver og data på en automatiseret måde. Kan du fortælle os lidt om din baggrund, og hvorfor du bosatte dig i Danmark som datalog? Jeg er interesseret i maskinlæring, automatiseret deep learning og forklarlig AI. Jeg håber, at jeg kan introducere automatiseret deep learning og forklarlig AI til det danske datavidenskabssamfund, da forskningen inden for dette emne er sjælden. Derudover valgte jeg at komme til Aalborg, fordi det er et ungt og meget aktivt universitet, der giver mange muligheder for unge forskere. Jeg har flere venner, der arbejder her, og de anbefalede mig også at slutte mig til deres gruppe, Center for Data-Intensive Systems (DAISY), som har et internationalt ry. Jeg tror, jeg kan lære meget her. Jeg synes, arbejdsforholdene i Danmark og Aalborg er rigtig gode. Vi har meget fleksibel arbejdstid, så jeg kan fokusere på min forskning. Derudover synes jeg, at Aalborg er en miljøvenlig by, og jeg nyder virkelig livet her. Kan du fortælle os om dit forskningsområde? Jeg har brede forskningsinteresser inden for maskinlæring og kunstig intelligens – især automatiseret deep learning og forklarlig AI. Jeg er interesseret i automatisk udvikling af effektive, skalerbare og robuste algoritmer til maskinlæring, data mining, datastyring og deep learning-applikationer med formelle teoretiske garantier og forklaringer. Jeg ser mig selv arbejde med disse problemer i min nærmeste forskningsfremtid. Hvad er de videnskabelige udfordringer og perspektiver i dit projekt? Selvom teknikkerne inden for deep learning er blevet anvendt inden for forskellige områder som computer vision, ansigtsgenkendelse, medicinsk billedbehandling, naturlig sprogbehandling, data mining og datastyring, er designet af deep learning-systemer tidskrævende – og det er stadig et “black box”-problem at forklare, hvorfor det udviklede deep learning-system fungerer. Automatiseret deep learning er processen med at bygge deep learning-systemer til forskellige problemer uden menneskelig indblanding. Forklarlig AI handler om at forklare, hvorfor det udviklede system fungerer – og det kan også hjælpe med at designe deep learning-systemet. Automatiseret deep learning og forklarlig AI er stadig i deres tidlige stadier, og vi skal stadig definere nogle forskningsproblemer, forbedre effektiviteten og forklare, hvorfor det automatiserede designede system virker. Hvordan kan din forskning gøre en forskel for virksomheder og samfund? Automatiseret deep learning sigter mod at bygge et bedre deep learning-system på en data-drevet og automatiseret måde, så de fleste praktikere i deep learning kan bygge en højtydende maskinlæringsmodel uden at være ekspert på deep learning-området. Automatiseret deep learning kan tilbyde end-to-end deep learning-løsninger, og disse løsninger er ofte bedre end hånddesignede deep learning-systemer. Disse automatiserede systemer kan sænke tærsklen for deep learning og gøre det nemt for alle at bruge disse teknikker til at løse deres egne problemer.