Koneoppimisen ja tekoälyn tutkijaa kiinnostavat ääripäät

Koneoppimiseen ja tekoälyyn tutkimuksessaan keskittyvä Mehdi Bennis kertoo kiinnostuneensa riskiajattelusta ja Gaussin käyrän ääripäissä tapahtuvista ilmiöistä. Niistä, joita tapahtuu harvoin, mutta kun ne tapahtuvat, vaikutukset ovat valtavat.

“Esimerkiksi hurrikaanit ja maanvyöryt ja muut vastaavat luonnonilmiöt ovat harvinaisia mutta vaikutukseltaan hyvin mittavia tapauksia. Halusin tuoda tätä ajattelua myös langattomaan maailmaan”, Bennis sanoo.

Bennis on sitä mieltä, että tulevaisuuden tiedonsiirron ja viestinnän ongelmia ei voi ratkaista pelkällä insinööritaidolla tai jatkuvasti kasvattamalla kaistaa, missä eittämättä tulee vastaan pullonkauloja. Resurssit eivät ole rajattomat, joten täytyy pyrkiä tehostamaan tiedonsiirtoa optimaalisella tavalla.

Esimerkiksi koneoppiminen perustuu vielä raakaan voimaan, kun valtavasta datamäärästä runnotaan malleja käyttämällä prosessointitehoa, ja siitä kerätään oppia ja älyä laitteisiin. Googlen lanseeraama hajautetun oppimisen ('federated learning') idea on yksi askel kohti tehokkaampaa koneoppimista: laitteet eivät lähetä enää dataa keskuspalvelimelle vaan ainoastaan päivitetyn mallin.

“Tämä on kuitenkin vasta ensiaskel”, Bennis sanoo. “Todellinen loikka on se, kun siirrymme raa'asta voimasta olennaisen tiedon suodattamiseen. Se on askel kohti uutta visiota tulevaisuuden järjestelmille”, Bennis sanoo.

Hän haluaa tuoda vallankumouksen ajatuksen 6G-keskusteluun.  “Varsinkin viimeisimmät mobiilisukupolvet ovat olleet evolutiivisia, etenkin 5G. Ei enää ajatella, että  'evolution,' vaan tahtotilan pitäisi  'revolution'”, Bennis sanoo.

Lue Mehdi Bennisin “Vision X”-ajatuksesta lisää tästä (englanniksi).

Viimeksi päivitetty: 16.10.2020