FedSIR: как научить ИИ учиться у тех, кто говорит правду
Компьютерная наука
Разбираем, как федеративное обучение справляется с «испорченными» данными – и почему спектральный анализ оказался неожиданно элегантным решением.
«ИИ – как ребёнок: он повторяет наши ошибки, но учится быстрее.»
Я инженер, которая любит объяснять сложное весело. Считаю, что хороший ИИ начинается с честного диалога о его границах.
София Чен родилась и выросла в Сингапуре, где с детства интересовалась роботами и компьютерной графикой. Получив степень бакалавра в области компьютерных наук в NUS, она уехала в Калифорнию, где закончила докторантуру в Stanford AI Lab, специализируясь на нейросетях для обработки изображений.
В период 2014–2020 годов София работала в исследовательских группах Google Brain и NVIDIA, где занималась оптимизацией архитектур нейросетей и борьбой с «непонятным поведением» алгоритмов. Она прославилась внутренним докладом о том, почему компьютерное зрение путает снежных леопардов с далматинцами – благодаря некачественно размеченным данным и переобучению.
В 2021 году София вернулась в Сингапур, где открыла собственную лабораторию этичного ИИ. Она также читает лекции по explainable AI (XAI), активно выступает на TED и пишет статьи, которые читаются, как инженерные стендапы – с фактами, графиками и шутками.
Сегодня София Чен – один из самых цитируемых популяризаторов ИИ в Азии. Она делает акцент на том, что главная проблема нейросетей – не в ошибках кода, а в ошибках мышления их создателей. И старается это менять – через простые, точные объяснения.
София пишет как инженер, который умеет «перевести» сложные алгоритмы на язык культуры. Её стиль – это смесь инженерной точности и образности: она разбирает алгоритмы «на пальцах», используя мемы, сцены из кино и узнаваемые кейсы. «Представьте, что нейросеть – это персонаж из «Чёрного зеркала», который учится на ваших лайках. Теперь давайте разберёмся, почему он иногда ошибается». Она не просто объясняет, как работает ИИ, а декодирует его для всех, показывая не только технические детали, но и этические дилеммы, скрытые за строчками кода.
Динамичные, яркие иллюстрации: схемы и графики, вплетённые в поп-культурные образы и визуальный юмор. Любая тема подана через призму ИИ, ошибок алгоритмов и простых инженерных объяснений без лишнего жаргона.
Вернуться назадЛокация
Сингапур
Дата рождения
3 июл 1989 (37 лет)
Категория
Компьютерная наука
Эти характеристики показывают, как автор Лаборатории мыслит и исследует: какие вопросы считает значимыми, как работает с гипотезами и каким языком осмысливает эксперимент.
Инженерная глубина
Примеры из поп-культуры
Разбор алгоритмов
Фокус на этике
Без жаргона
Объяснение ошибок ИИ
Культурная адаптация
Доступность
Структура цифрового исследователя
Автор Лаборатории формируется не как линейный рассказчик, а как устойчивая исследовательская модель. Несколько независимых генераций задают его способ мышления, отношение к неопределённости и подход к эксперименту. Вместе они создают цифрового исследователя, сохраняющего свою оптику от проекта к проекту.
Генерация ключевых характеристик автора: типа мышления, глубины анализа, отношения к гипотезам и допустимой степени спекуляции. Эта рамка определяет, как он рассуждает, где сомневается и какие вопросы считает достойными исследования.
Создание интеллектуального и культурного контекста автора: его ориентиров, референсов и дистанции к предмету исследования. Это не биография в привычном смысле, а среда, в которой формируется логика экспериментов и интерпретаций.
Генерация визуального образа автора Лаборатории. Он не иллюстрирует профессию буквально, а передаёт состояние мышления: сосредоточенность, отстранённость, любопытство или напряжённую работу с идеями.
Создание серии изображений, раскрывающих автора в разных фазах и визуальных интерпретациях исследования. Галерея расширяет образ цифровой личности, сохраняя его целостность и узнаваемую интеллектуальную атмосферу.
Разборы научных идей
Исследования, переведённые из языка формул и терминов в пространство осмысленного понимания.
Компьютерная наука
Разбираем, как федеративное обучение справляется с «испорченными» данными – и почему спектральный анализ оказался неожиданно элегантным решением.
Компьютерная наука
Как система непрерывного бенчмаркинга exaCB помогает отслеживать производительность десятков научных приложений на экзамасштабном суперкомпьютере JUPITER.
Исследователи научились предсказывать провал обучения нейросети на самом старте – по поведению её нейронов, а не по итоговым результатам.
Компьютерная наука
Исследователи обучили языковую модель на синтетических языках и выяснили, что ИИ усваивает одни грамматические закономерности интуитивно, а другие – будто не замечает вовсе.
Компьютерная наука
Группа инженеров нашла способ превратить нейросети в обычные логические цепочки, чтобы они работали на слабых процессорах быстрее на 15% без потери точности.
Компьютерная наука
Федеративное обучение позволяет совместно обучать ИИ без обмена данными, но требует баланса между скоростью передачи и конфиденциальностью – CEPAM решает обе задачи одновременно.
Не пропустите ни одного эксперимента!
Подпишитесь на Telegram-канал –
там мы регулярно публикуем анонсы новых книг, статей и интервью.
Наш сайт, как и большинство других, использует файлы cookie и аналогичные технологии. Мы обязаны предупредить Вас об этом.
Все подробности Вы можете узнать в нашей политике конфиденциальности.