Vasant Dhar - Vasant Dhar
Vasant Dhar | |
|---|---|
 Vasant Dhar, bývalý šéfredaktor, Big Data Journal; Profesor, Sternova obchodní škola; Fakulta, NYU Centrum pro datovou vědu | |
| Národnost | Indie |
| Alma mater | University of Pittsburgh Indický technologický institut v Dillí Lawrence School Sanawar |
| Vědecká kariéra | |
| Pole | Datová věda Informační systémy Strojové učení Umělá inteligence Velká data Finance |
| Instituce | Newyorská univerzita |
Vasant Dhar je profesorem na Sternova obchodní škola a Centrum pro datovou vědu v Newyorská univerzita,[1] bývalý šéfredaktor časopisu Velká data.[2] a zakladatel SCT Capital, jednoho z prvních hedgeových fondů založených na strojovém učení v New Yorku v 90. letech. Jeho výzkum se zaměřuje na budování škálovatelných rozhodovacích systémů z velkých zdrojů dat pomocí technik a principů z oborů Umělá inteligence a Strojové učení.
raný život a vzdělávání
Je absolventem Lawrencova škola, Sanawar, který považuje za jeden z nejlepších dárků, které mu rodiče dali, aniž by si to uvědomoval. Dhar absolvoval Indický technologický institut v Dillí v roce 1978 s B.Tech v Chemické inženýrství. Následně se zúčastnil University of Pittsburgh kde získal titul M. Phil a Ph.D. v roce 1984. Poté, co získal doktorát, nastoupil na fakultu v Newyorská univerzita. V letech 1994 až 1997 pracoval ve společnosti Morgan Stanley, kde vytvořil skupinu Data Mining Group zaměřenou na předvídání finančních trhů a chování zákazníků.
Hlavní body kariéry
Dhar je výzkumník umělé inteligence a datový vědec jehož výzkum řeší následující otázku: kdy důvěřujeme systémům AI při rozhodování? Tato otázka je obzvláště relevantní pro současnou dobu autonomní systémy založené na strojovém učení které se učí a přizpůsobují se průběžnými daty.
Dharův výzkum byl motivován vytvářením prediktivních modelů v řadě domén, zejména ve financích, a také v oblastech, jako je zdravotnictví, sport, vzdělávání a obchod. Proč jsme ochotni důvěřovat strojům v některých oblastech, v jiných ne?
Dharův názor je, že existuje diskontinuita, když dáme úplnou kontrolu nad rozhodováním stroji, který se učí z probíhajících dat. Tato diskontinuita zavádí některá rizika, konkrétně rizika spojená s chybami těchto systémů, která přímo ovlivňují naši míru důvěry v ně.
Dharův výzkum rozkládá důvěru ve 2 dimenzích založených na riziku: předvídatelnost nebo jak často systém dělá chyby (osa X) a související náklady na chyby (osa Y) těchto chyb. Výzkum prokazuje existenci „hranice automatizace „Který vyjadřuje kompromis mezi tím, jak často se systém bude mýlit, a důsledky těchto chyb. Důvěra, a tedy i naše ochota postoupit kontrolu nad rozhodováním na stroji, roste s rostoucí předvídatelností a nižšími náklady na chyby. Jinými slovy, jsme ochotni důvěřovat strojům, pokud nedělají příliš mnoho chyb a jejich náklady jsou přijatelné. Jak chyby rostou, požadujeme, aby jejich důsledky byly méně nákladné.
Hranice automatizace poskytuje přirozený způsob, jak přemýšlet o budoucnosti práce. S více a lepšími daty a algoritmy se části stávajících procesů automatizují kvůli zvýšené předvídatelnosti a překračují hranice automatizace do zóny „důvěřujte stroji“, zatímco části s vysokými náklady na chyby zůstávají pod lidskou kontrolou. Model poskytuje způsob, jak přemýšlet o měnících se odpovědnosti lidí a strojů, protože více dat a lepší algoritmy se stanou lepšími než lidé s rozhodnutími.
Dhar také používá rámec k vytváření rámcových politických otázek kolem rizika platforem sociálních médií založených na umělé inteligenci a otázky soukromí a etického použití a správy údajů. Pravidelně píše v médiích o umělé inteligenci, společenských rizicích platforem AI, správa dat, soukromí, etika a důvěra. Je častým řečníkem na akademických i průmyslových fórech.
Profesor Dhar vede kurzy systematického investování, predikce, vědy o datech a základů FinTech. Je autorem více než 100 výzkumných článků financovaných z grantů od průmyslových a vládních agentur, jako je National Science Foundation.
Viz také
Reference
- ^ „Centrum pro datovou vědu - New York University“. NYU Centrum pro datovou vědu. Citováno 2015-10-20.[je nutné ověření ]
- ^ „Big Data“. www.liebertpub.com. Citováno 2015-10-20.[je nutné ověření ]
