���ʵ���

Mitä tutkit ja miksi?

Tutkimukseni keskittyy tehokkaisiin dataintensiivisiin järjestelmiin, jotka muuttavat dataa arvoksi erilaisissa liiketoimintaan, tutkimukseen ja insinöörityöhön liittyvissä tilanteissa. Haasteena on suunnitella ohjelmistoja, joilla voidaan hallita koneoppimismalleja ja heterogeenista dataa hyvin suuressa mittakaavassa. Esimerkiksi GPT-4:n, suositun chatbotin ChatGPT:n taustalla olevan koneoppimismallin, kouluttaminen edellyttää mallin ja datan jakamista kymmenien tuhansien grafiikkaprosessorien välille. Tämän vuoksi tavallisten käyttäjien ja pienten ja keskisuurten yritysten on vaikeaa tai jopa mahdotonta hyödyntää nykyaikaisia koneoppimisjärjestelmiä käytännön liiketoiminnassaan. Tutkimukseni tavoitteena on auttaa heitä rakentamalla joustavia, mukautettavia ja hajautettuja koneoppimisjärjestelmiä.

Miten sinusta tuli tutkija tai professori?

Voin aloittaa nimestäni Bo, joka tarkoittaa kiinaksi tohtoria – jo se tarkoittaa, että minun oli ruvettava tutkijaksi!

Oikeastaan kyse on persoonallisuudesta: Nautin vapaudesta tutkia erilaisia asioita. Tohtoriopintojeni aikana tein harjoittelun Amazon Web Services -yrityksessä, jossa palkkaus oli erinomainen ja resursseja riitti. Minun oli kuitenkin tehtävä sitä, mitä johtaja määräsi. Sen sijaan professorina toimiminen antaa etuoikeuden, tai vapauden, tavoitella mitä tahansa.  

Mikä tärkeintä, pidän todella paljon vuorovaikutuksesta opiskelijoiden kanssa. Yhtäältä tutkimukseni esitteleminen heille auttaa minua pohtimaan omaa työtäni – miksi tein näin, mikä sen vaikutus on. Toisaalta opiskelijat pystyvät ajattelemaan laatikon ulkopuolelta, mikä tuo uusia ideoita omaan tutkimukseeni. Ja tärkeintä on, että nautin siitä, kun näen opiskelijoiden kehittyvän.

Mikä on urasi huippuhetki tähän mennessä?

Sanoisin, että huippuhetki on ollut tutkimukseni tosimaailman vaikutusten näkeminen. Jatko-opintojeni aikana rakensin tyhjästä uuden järjestelmän datavirran prosessointiin (data stream processing engine) ja julkaisin useita huippuluokan artikkeleita. Sovelsimme järjestelmää yhteistyössä Singaporen kansallisen yliopiston sähkötekniikan asiantuntijoiden kanssa älykkään sähköverkon optimoituun hallintaan, jossa sähköyhtiöiden kysyntäpiikkiä saatiin siirrettyä niin, ettei voimaloissa tarvinnut käynnistää ylimääräisiä generaattoreita. Tästä tuli minulle vahva tunne, että annan panokseni maailmalle.

Samaan tapaan rakensin tutkijatohtorivaiheessa vahvistusoppimisjärjestelmän, joka on sittemmin integroitu Huawein teollisuustason koneoppimiskehykseen. Sillä on käyttäjiä rahoitusalalla, terveydenhuollossa ja kaivosteollisuudessa.

Mitä odotat tulevaisuudelta?

Tulevaisuutta ei toki voi koskaan ennustaa, mutta odotan, että koneoppimisjärjestelmistä tulee käyttäjäystävällisempiä ja skaalautuvuudeltaan joustavampia. Ensinnäkin koneoppimisjärjestelmistä voi tulla arkipäivän työkalupakki ihan kaikille. Ihannetapauksessa käyttäjät voivat hyödyntää koneoppimisjärjestelmiä kuin englannin kielen sanakirjaa omien ongelmiensa ratkaisemiseen. Potentiaali ei piile vain itse tietokonejärjestelmässä vaan myös siinä, mitä arvoa järjestelmä voi tuoda reaalimaailmaan. Toiseksi koneoppimisjärjestelmiä voidaan jatkossa todennäköisesti käyttää joustavasti tehokkaimmissa kvanttitietokoneissa suorituskyvyn lisäämiseksi ja kännyköidemme kaltaisissa laitteissa energiatehokkuuden ja yksityisyyden suojan tukena. Siten käyttäjät voisivat valita omaan käyttöönsä sopivimmat koneoppimisratkaisut laajasta valikoimasta. Se olisi hienoa.