Andrew Ng – Az oktatás és a deep learning demokratizálója
Életrajz
Andrew Yan-Tak Ng 1976. április 18-án született Londonban, az Egyesült Királyságban. Szülei Hongkongból származtak, apja hematológus, anyja kulturális filmes háttérrel dolgozott. Gyermek- és korai ifjú éveit Nagy-Britanniában, majd Hongkongban és Szingapúrban töltötte, ahol már fiatalon megmutatkozott matematikai és elemző képessége. Wikipedia
Amikor 6 éves volt, érdeklődni kezdett a számítógépes programozás iránt — otthoni könyvek és korai számítástechnikai eszközök révén fedezte fel a logika, az algoritmusok világát. Wikipedia
Felsőfokú tanulmányait a Carnegie Mellon University-n kezdte, ahol informatika, statisztika és közgazdaságtan szakon szerezte meg az alapképzést 1997-ben. Wikipedia
Ezt követően tanult az MIT-n, majd doktorátust szerzett a University of California, Berkeley-n 2003-ban, doktori disszertációja címe: Shaping and policy search in reinforcement learning. Wikipedia
Karrierjét kutatóként és oktatóként kezdte Stanfordon, ahol az SAIL (Stanford Artificial Intelligence Laboratory) tagjaként dolgozott, majd vezető szerepet vállalt a Google Brain projekt indításában. Stanford HAI
2014-ben csatlakozott a Baidu-hoz, mint Chief Scientist, vezetve a vállalat mesterséges intelligencia csoportját. About Andrew Ng
Ugyanakkor egyik legnagyobb hatása az oktatásban volt: Ng társalapítója a Coursera online oktatási platformnak, és létrehozta a DeepLearning.AI-t, hogy mélytanulás témában széles körben hozzáférhető erőforrásokat biztosítson.
Munkásság és tudományos hozzájárulás
Deep learning és Google Brain
Ng egyik első jelentős eredménye a Google Brain projekt vezetése volt, amely mély neurális hálókat alkalmazott nagyméretű adatfeldolgozásra, beleértve olyan híres kísérleteket, mint a “YouTube cat” felismerés, amikor egy hálózat YouTube videók alapján tanult meg macskákat felismerni, anélkül, hogy explicit példa címkék lettek volna megadva. Stanford HAI
Ez az elképzelés megalapozta a modern mélytanulás alkalmazásokat számítógépes látás, beszédfelismerés és természetes nyelvfeldolgozás terén. HistoryOfDataScience
MOOC-mozgalom és online oktatás
2011-ben Ng egyik előadását Stanfordon sok ezer hallgató követte online; ez inspirálta a Coursera platform megalapítását, amely mára milliók számára nyújt hozzáférést egyetemi szintű tananyagokhoz.
A DeepLearning.AI létrehozása lehetővé tette, hogy az oktatás ne csak elméleti legyen, hanem gyakorlatorientált és elérhető bárki számára, függetlenül földrajzi helyzettől.
Vállalati és ipari alkalmazások
Ng a Baidu-nál mint Chief Scientist felelős volt az AI-csoport stratégiai irányításáért és infrastruktúrájának építéséért. About Andrew Ng
Emellett alapítója a Landing AI-nak, amely olyan vállalatokat támogat, hogy AI megoldásokat tudjanak integrálni működésükbe — különösen gyártásban, automatizálásban. History Of Data Science
Kutatási eredmények és publikációk technikai területeken
Ng kutatási érdeklődése kiterjed a reinforcement learning-re, a feature selection-re, modellválasztásra, konvolúciós és más típusú neurális hálókra. Wikipedia
Egyik ismert publikációja a NGBoost: Natural Gradient Boosting for Probabilistic Prediction, amely bővíti a hagyományos boosting módszert probabilisztikus előrejelzéssel. arXiv
Érdekességek
Ng korán, hatévesen kezdett programozási könyvekből tanulni, saját maga fedezte fel a számítástechnika alapjait otthon, kicsi eszközökkel. Wikipedia
“YouTube cat” kísérlet: a Google Brain projekt egyik híres demója volt, amikor hálózatokat etettek YouTube-videókkal, és a rendszer önállóan tanult macskákat felismerni. HistoryOfDataScience
Ng gyakran beszél arról, hogy a mesterséges intelligencia hatékony felhasználása nem csak technikai kérdés, hanem oktatási és társadalmi kérdés is — fontosnak tartja, hogy AI oktatás legyen elérhető széles rétegeknek. Stanford HAI
Örökség
Andrew Ng öröksége több szálon is jelentős:
Hogy a deep learning ne csak kutatási terület maradjon, hanem alkalmazható rendszerek fejlődését gyorsítsa fel (önvezető járművek, orvosi diagnosztika, beszédfelismerés).
Hogy az oktatás online platformokon keresztül széles közönséghez jusson el – Coursera, DeepLearning.AI sikere mutatja, hogy nagy hatással lehet arra, hogyan tanulunk a világban.
Hogy innováció és társadalmi hasznosulás kéz a kézben járhat: Ng támogatja az olyan projektek finanszírozását és mentorálását, amelyek AI-t hasznosítanak a való élet problémáinak megoldására.
Válogatott publikációs lista
Ng, A. Y. (2003). Shaping and policy search in reinforcement learning (PhD thesis). University of California, Berkeley.
– Disszertációja a policy search és reinforcement learning korai technikáit dolgozza fel, amelyek később robotikában és autonóm rendszerekben is használatosak. Wikipedia
Ng, A. Y., & Blei, D. M., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3(Jan), 993-1022.
– Ez a publikáció az egyik legbefolyásosabb az automatikus témamodell-alkotásban (topic modelling), széles körben használják dokumentumok rendezésére és nagy adattömbök elemzésére. Wikipedia
Coates, A., Huval, B., Wang, T., Wu, D., Catanzaro, B., & Andrew Ng. (2013). Deep learning for class-generic object detection.
– Ez a munka azt vizsgálja, hogyan használhatóak mély neurális hálók olyan objektumfelismerési feladatokra, ahol az osztályok változóak, és hogyan adnak hozzá bounding box címkéket a teljesítmény javításához. arXiv
Duan, T., Avati, A., Ding, D. Y., Thai, K. K., Basu, S., & Ng, A. Y. (2019). NGBoost: Natural Gradient Boosting for Probabilistic Prediction. arXiv preprint arXiv:1910.03225.
– Kiterjeszti a boosting algoritmusokat probabilisztikus előrejelzésre, ami elősegíti az előrejelzési bizonytalanság figyelembevételét például egészségügyben és időjárás-előrejelzésben. arXiv