Salimeh Sekeh は、人類を助けたいと考えており、人工知能がそのための重要な方法であると考えています。 メイン大学で、Sekeh は、機械学習モデルを設計し、人工知能にそれ自体を本質的に改善するように教える研究をリードしています。
Sekeh は、2019 年にメイン大学に入学する前は、ミシガン大学で電気工学とコンピューター サイエンスのポスドク学生でした。 彼女が一日の大半を過ごした北キャンパスでは、自動運転車から医療機器まで、あらゆるものを改善するために人工知能がどのように機能しているかについてのイベントに頻繁に参加していました。
Sekeh は、アルゴリズムの設計 (できることとできないことを決定するコードのアーキテクチャ) にすでに情熱を注いでおり、自分のスキルを使用してこれらのテクノロジを積極的に改善し続ける方法を想像し始めました。
「AI は、私たちが住みたい世界を形作るのに役立つテクノロジーです」と Sekeh 氏は言います。 1 つの問題に当てはまるわけではありません。 何にでもデータがあるので、何にでもリンクすることができます。」
テニュア トラックの職に応募していたとき、彼女は機械学習への関心を UMaine にもたらす機会を見出し、機械学習、データ サイエンス、人工知能の研究に多額の投資を計画していることを知りました。
現在、Sekeh はディープ ニューラル ネットワークを研究しています。基本的には、私たち自身の脳の複雑な接続を模倣して学習する人工知能のサブセットです。 ディープ ニューラル ネットワークは、Siri や Alexa などの仮想アシスタントや自動運転車から、Facebook での写真のタグ付けの提案まで、日常生活の多くの側面にすでに存在しています。
Sekeh 氏は、機能に関係なく、割り当てられたタスクを実行して意思決定を行うには、ディープ ニューラル ネットワークにトレーニングが必要であると説明しています。 たとえば、顔認識ソフトウェアは、正確に誰の顔が描かれているかを判断する前に、顔の違いを学習する必要があります。
Sekeh は、食べることなどの基本的なタスクを行う方法を学ぶ赤ちゃんの例を使用しました。 ある研究者は、最終的に赤ちゃんが自分で食べられるようになるまで、親が赤ちゃんに食事の基本的なメカニズムを実演するような「トレーニング データ」をディープ ニューラル ネットワークに提供します。
ただし、ディープ ニューラル ネットワークは複雑であり、動作するには大量のコンピューター メモリが必要です。 テクノロジーとアルゴリズムが進化と改善を続けているため、機能とパフォーマンスを失わずに圧縮する方法を見つけることがますます重要になっています。
Sekeh は、「継続的学習」として知られるプロセスを通じて、特定のタスクに必要な学習スキルをより適切に把握できるように、これらのディープ ニューラル ネットワークのアーキテクチャのプロトタイプを作成する方法を理解したいと考えています。 Sekeh のアルゴリズムを使用すると、ディープ ニューラル ネットワークは、既存のアルゴリズムでよくあるように、不要な機能を完全にフィルタリングするのではなく、次のタスクに使用するために脇に置いたり、「凍結」したりできます。
「食べ方を覚えたら、忘れません」とセケは言います。 「赤ちゃんに歩き方やその他のことを教えるとき、食べ方を忘れることはありません。 すでに食べることを学び、そのために「凍結」している脳の部分。 このプロセスの結果は、人間が行っている生涯学習です。」
2021 年、Sekeh は彼女の研究に対して全米科学財団から 80,000 ドルを受け取りました。 彼女は、自分の圧縮技術がディープ ニューラル ネットワークの実行コストを下げ、携帯電話やドローンなどの小型デバイスや限られたリソース環境での使用を拡大することを望んでいます。たとえば、遠隔地の森林でデータを収集する空中ドローンなどです。
ただし、Sekeh のディープ ニューラル ネットワークの研究は、圧縮に限定されません。 2022 年、Sekeh は NSF からさらに 679,004 ドルの助成金 (今回はアーリー キャリア アワード) を受け取り、機械学習の堅牢性、またはモデルが機能を失うことなくノイズや摂動に対処する能力を研究し、直面してもうまく機能するようにしました。 .敵対的な条件の。
自動運転車のカメラが一時停止の標識を検出することを考えてみてください。ただし、車が衝突したり、屋外で雨が降ったりしているため、画像がぼやけています。 堅牢性に欠けるネットワークは、このノイズの多い画像を遅い兆候として解釈し、ユーザーを危険にさらす可能性があります。
「ネットワークを脆弱にし、ネットワークを欺くデータがいくつかあります。 私たちの使命は、タスクを学習し、ディープ ラーニング アルゴリズムをトレーニングする際に、それらの敵対的な例に対してネットワークが堅牢になるように教えることです。」
Sekeh は、機械学習業界は堅牢性と圧縮の概念を別々に保つ傾向があると述べていますが、彼女の研究を通じて、彼女はこの 2 つを結び付けて、より優れた効率的な全体的な深層ニューラル ネットワークを作成することを目指しています。
「私たちは、『ちょっと待ってください。圧縮を行っているときにネットワークの一部が破棄された場合、脆弱ではありませんか?』と言っているのです」と Sekeh 氏は言います。 「同時にやりましょう。圧縮して堅牢性に取り組みます。 私たちは、ディープラーニング モデルのパフォーマンスを効率的かつ堅牢な方法で改善するために、個別に、またはそれらが重複する場所の両方に取り組んでいます。」
Sekeh は、彼女の研究がメイン州内外の問題解決に適用できる多くの方法を思い描いています。 堅牢で効率的なディープ ニューラル ネットワークは、メイン州の最も雪の多い地域でも自動運転車をより安全に運転できるようにするだけでなく、ドローンやその他の自律型研究車両をより正確にし、農業従事者、林業従事者、海洋科学者などに利用できるようにします。
Sekeh は、AI を教えるだけでなく、教育が彼女の仕事の不可欠な要素であると考えています。 彼女は、ディープ ニューラル ネットワークについて学び、彼女のような次世代の科学者を訓練するために、Roux Institute の学部生向けに 2 つのサマー ブート キャンプを開催しています。