Patrick M. Pilarski, Ph.D. Kanada CIFAR AI Chair (Amii)

Von

Dr. Patrick M. Pilarski ist kanadischer CIFAR-Lehrstuhl für künstliche Intelligenz, ehemaliger kanadischer Forschungslehrstuhl für maschinelle Intelligenz für die Rehabilitation und außerordentlicher Professor in der Abteilung für physikalische Medizin und Rehabilitation am Department of Medicine der University of Alberta.

Im Jahr 2017 war Dr. Pilarski Mitbegründer des ersten internationalen Forschungsbüros von DeepMind in Edmonton, Alberta, wo er bis 2023 als Co-Leiter des Büros und leitender Forschungswissenschaftler tätig war. Er ist Fellow und Vorstandsmitglied der Alberta Das Machine Intelligence Institute (Amii) ist Co-Leiter des Bionic Limbs for Improved Natural Control (BLINC) Laboratory und ist leitender Forscher beim Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) und dem Sensory Motor Adaptive Rehabilitation Technology (SMART) Network bei der University of Alberta.

Dr. Pilarski ist preisgekrönter Autor oder Co-Autor von mehr als 120 peer-reviewten Artikeln, ein hochrangiges Mitglied des IEEE und wurde durch regionale, nationale und internationale Forschungsstipendien unterstützt.

Wir haben uns zu einem Interview auf der jährlichen Upper Bound-Konferenz zum Thema KI 2023 getroffen, die in Edmonton, AB, stattfindet und von Amii (Alberta Machine Intelligence Institute) ausgerichtet wird.

Wie haben Sie sich in der KI gefühlt? Was hat Sie an der Branche gereizt?

Das sind zwei getrennte Fragen. Was mich an KI reizt, ist, dass es etwas Schönes daran gibt, wie Komplexität entstehen kann und wie aus Komplexität Struktur entstehen kann. Intelligenz ist nur eines dieser erstaunlichen Beispiele dafür. Ob sie also aus der Biologie kommt oder ob sie dadurch entsteht, wie wir beobachten, wie sich in Maschinen ausgefeiltes Verhalten entwickelt, ich denke, das hat etwas Schönes. Das hat mich schon sehr lange fasziniert, und mein sehr langer, kurvenreicher Werdegang bis zur Arbeit in dem Bereich der KI, in dem ich jetzt arbeite, sind Maschinen, die durch Versuch und Irrtum lernen, Verstärkungssysteme, die mit Menschen interagieren, während beide in die Materie eintauchen Darin durchlief der Strom der Erfahrung, der Fluss der Zeit, alle möglichen Plateaus. Ich habe untersucht, wie Maschinen und Menschen im Hinblick auf biomechatronische Geräte und Biotechnologie, beispielsweise künstliche Gliedmaßen und Prothesen, interagieren können.

Ich habe untersucht, wie KI zur Unterstützung der medizinischen Diagnostik eingesetzt werden kann, wie wir maschinelle Intelligenz nutzen können, um Muster zu verstehen, die zu Krankheiten führen, oder wie sich Krankheiten anhand der Aufzeichnungen auf einer Maschine unterscheiden können. Aber das ist alles Teil dieses langwierigen Bestrebens, wirklich zu verstehen, wie man aus sehr einfachen Grundlagen sehr komplexe Verhaltensweisen herausholen kann. Und das ist es, was ich besonders am Reinforcement Learning wirklich liebe: die Idee, dass sich die Maschine in den Fluss der Zeit einbetten und aus ihrer eigenen Erfahrung lernen kann, sehr komplexe Verhaltensweisen an den Tag zu legen und tatsächlich beide komplexen Phänomene in der Welt um sie herum zu erfassen . Das war eine treibende Kraft.

Die Mechanik dahinter ist, dass ich in der High School tatsächlich viel Sportmedizin und ähnliches trainiert habe. Ich habe Sportmedizin studiert und arbeite jetzt hier in einem Umfeld, in dem ich beobachte, wie maschinelle Intelligenz und Rehabilitationstechnologien zusammenkommen, um Menschen in ihrem täglichen Leben zu unterstützen. Es ist eine sehr interessante Reise, wie zum Beispiel die Faszination für komplexe Systeme und Komplexität und dann eine sehr praktische Pragmatik, wie wir anfangen können, darüber nachzudenken, wie Menschen besser unterstützt werden können und das Leben führen können, das sie leben möchten.

Wie hat Sie der Sport ursprünglich zur Prothetik geführt?

Das wirklich Interessante an Bereichen wie der Sportmedizin ist die Betrachtung des menschlichen Körpers und der Frage, wie die individuellen Bedürfnisse eines Menschen, ob sportlich oder anderweitig, tatsächlich von anderen Menschen, durch Verfahren und Prozesse unterstützt werden können. Bei den bionischen Gliedmaßen und Prothesentechnologien geht es um den Bau von Geräten, Bausystemen und Bautechnologien, die den Menschen helfen, das Leben zu führen, das sie leben möchten. Diese beiden Dinge sind wirklich eng miteinander verbunden. Es ist tatsächlich wirklich aufregend, den Kreis schließen zu können und einige dieser viel früheren Interessen zum Tragen zu bringen, indem wir erneut gemeinsam ein Labor leiten, in dem wir uns mit … befassen, und insbesondere mit Systemen des maschinellen Lernens, die eng miteinander gekoppelt sind. die Person, die sie unterstützen sollen.

Sie haben zuvor darüber gesprochen, wie sich eine Prothese an die Person anpasst und nicht, dass sich die Person an die Prothese anpasst. Könnten Sie etwas über das maschinelle Lernen dahinter sagen?

Absolut. Als Grundlage in der Geschichte des Werkzeuggebrauchs haben sich die Menschen an unsere Werkzeuge angepasst und dann haben wir unsere Werkzeuge an unsere Bedürfnisse angepasst. Und so gibt es diesen iterativen Prozess, bei dem wir uns an unsere Werkzeuge anpassen. Wir befinden uns gerade an einem Wendepunkt, an dem Sie vielleicht zum ersten Mal gehört haben, wie ich das schon einmal in Vorträgen gesagt habe, wenn Sie sich einige der Vorträge angesehen haben, die ich gehalten habe. Aber tatsächlich sind wir an diesem wichtigen Punkt in der Geschichte angelangt, an dem wir uns jetzt vorstellen können, Werkzeuge zu entwickeln, die einige dieser Merkmale menschlicher Intelligenz einbringen. Werkzeuge, die sich tatsächlich anpassen und verbessern, während sie von einer Person verwendet werden. Die zugrunde liegenden Technologien unterstützen kontinuierliches Lernen. Systeme, die kontinuierlich aus einem fortlaufenden Stream-Erlebnis lernen können. In diesem Fall sind verstärkendes Lernen und die ihm zugrunde liegenden Mechanismen, beispielsweise das Lernen über zeitliche Unterschiede, wirklich entscheidend für den Aufbau von Systemen, die sich kontinuierlich anpassen können, während sie mit einer Person interagieren und während sie von einer Person verwendet werden, die sie unterstützt ihr tägliches Leben.

Könnten Sie zeitliches Differenzlernen definieren?

Was mir daran wirklich gefällt, ist, dass wir über die Kerntechnologien, das zeitliche Differenzlernen und die grundlegenden Vorhersagelernalgorithmen nachdenken können, die einem Großteil unserer Arbeit im Labor zugrunde liegen. Sie haben ein System, das, ähnlich wie wir, eine Vorhersage darüber macht, wie die Zukunft in Bezug auf ein Signal aussehen wird, in Bezug auf etwas wie die zukünftige Belohnung, die wir normalerweise sehen. Aber irgendein anderes Signal, das Sie sich vorstellen könnten, etwa: „Wie viel Kraft übe ich gerade aus?“ Wie heiß wird es sein? Wie viele Donuts werde ich morgen haben? Dies sind die möglichen Dinge, die Sie sich vorstellen können, vorherzusagen. Der Kernalgorithmus untersucht also wirklich den Unterschied zwischen meiner Vermutung darüber, was jetzt passieren wird, und meiner Vermutung darüber, was in der Zukunft passieren wird, zusammen mit jeder Art von Signal, das ich derzeit empfange.

Wie viel Kraft übe ich aus, wenn ein Roboterarm eine Tasse Kaffee oder eine Tasse Wasser hochhebt? Hierbei könnte es sich um den Unterschied zwischen der Vorhersage über die Stärke der Kraft, die es jetzt ausüben wird, und der Stärke, die es über einen bestimmten Zeitraum in der Zukunft ausüben wird, handeln. Und dann vergleicht man das mit seinen Erwartungen an die Zukunft und der Kraft, die es tatsächlich ausübt. Wenn Sie das alles zusammenzählen, erhalten Sie diesen Fehler, den zeitlichen Differenzfehler. Es ist diese schöne Ansammlung der zeitlich erweiterten Zukunftsprognose und der Unterschiede zwischen ihnen, die Sie dann verwenden können, um die Struktur der Lernmaschine selbst zu aktualisieren.

Beim konventionellen belohnungsbasierten Verstärkungslernen könnte es also darum gehen, die Art und Weise zu aktualisieren, wie die Maschine auf der Grundlage der künftig erwarteten Belohnung, die Sie möglicherweise wahrnehmen, funktioniert. Bei vielen unserer Aufgaben geht es darum, andere Arten von Signalen zu betrachten und dabei verallgemeinerte Wertfunktionen zu verwenden. Dabei handelt es sich um die Anpassung des Verstärkungslernprozesses, das zeitliche Differenzlernen von Belohnungssignalen an jede Art von Signal von Interesse, das auf das Signal anwendbar sein könnte Betrieb der Maschine.

Sie sprechen in Ihren Vorträgen oft von einer Prothese namens Cairo Toe. Was kann es uns lehren?

Die Cairo Toe University of Basel, LHTT. Bild: Matjaž Kačičnik

Ich verwende gerne das Beispiel des Cairo Toe, einer 3000 Jahre alten Prothese. Ich arbeite im Bereich der Neuroprothetik. Mittlerweile sehen wir sehr fortschrittliche Robotersysteme, die in einigen Fällen das gleiche Maß an Kontrolle oder die gleichen Kontrollgrade wie biologische Körperteile haben können. Und doch greife ich auf einen sehr stilisierten Holzzeh von vor 3000 Jahren zurück. Ich denke, das Schöne ist, dass es ein Beispiel dafür ist, wie Menschen sich mit Technologie weiterentwickeln. Das ist es, was wir gerade in Bezug auf die Neuroprothetik sehen, und die Interaktion zwischen Mensch und Maschine ist nichts Seltsames, Neues oder Verrücktes. Wir waren schon immer Werkzeugnutzer, auch Tiere, nichtmenschliche Tiere, nutzen Werkzeuge. Es gibt viele tolle Bücher dazu, insbesondere von Frans de Waal: „Sind wir schlau genug, um zu wissen, wie schlau Tiere sind?“.

Diese Erweiterung unseres Selbst, die Vergrößerung und Verbesserung unseres Selbst durch den Einsatz von Werkzeugen ist nichts Neues, sondern etwas Altes. Es ist etwas, das seit jeher in dem Land geschieht, in dem wir uns gerade befinden, und zwar durch die Menschen, die hier lebten. Das andere Interessante am Cairo Toe ist, dass die Beweise, zumindest aus den wissenschaftlichen Berichten darüber, zeigen, dass es im Laufe seiner Interaktionen mit seinen Benutzern mehrfach angepasst wurde. Sie gingen tatsächlich hinein und passten es an und veränderten es, modifizierten es während seiner Nutzung.

Nach meinem Verständnis handelte es sich nicht nur um ein festes Werkzeug, das einer Person zu Lebzeiten angehängt wurde, sondern um ein festes Werkzeug, das angehängt, aber auch verändert wurde. Es ist ein Beispiel dafür, dass die Vorstellung, dass Werkzeuge während ihrer Nutzungsdauer und über einen längeren Zeitraum hinweg angepasst werden, tatsächlich ebenfalls recht alt ist. Es ist nichts Neues, und wir können aus der gemeinsamen Anpassung von Menschen und Werkzeugen über viele, viele Jahre hinweg viele Lehren ziehen.

Sie haben bereits den Rückkopplungsweg zwischen der Prothetik und dem Menschen erwähnt. Können Sie den Rückkopplungsweg näher erläutern?

Wir befinden uns auch in einer besonderen Zeit, was die Beziehung zwischen einem Menschen und der Maschine betrifft, die ihn in seinem täglichen Leben unterstützen soll. Wenn jemand ein künstliches Glied verwendet, sagen wir, jemand mit unterschiedlichen Gliedmaßen, jemand mit einer Amputation, verwendet ein künstliches Glied. Traditionell nutzen sie es wie ein Werkzeug, wie eine Erweiterung ihres Körpers, aber wir werden sehen, dass sie sich weitgehend auf das verlassen, was wir als Kontrollweg betrachten. Dass ein Gefühl für ihr Rad oder ihre Absicht an das Gerät weitergegeben wird, das dann die Aufgabe hat, herauszufinden, was es ist, und es dann auszuführen, sei es das Öffnen und Schließen einer Hand, das Beugen eines Ellbogens oder das Erzeugen eines Klemmgriffs sich einen Schlüssel schnappen. Wir sehen oft keine Leute, die den Feedback-Weg studieren oder in Betracht ziehen.

Bei einer großen Anzahl künstlicher Gliedmaßen, die möglicherweise kommerziell eingesetzt werden, könnte der Weg der Informationen, die vom Gerät zurück zur Person fließen, die mechanische Kopplung sein, die Art und Weise, wie sie tatsächlich die Kräfte der Gliedmaßen spüren und auf sie einwirken. Es könnte sein, dass sie das Geräusch der Motoren hören oder zusehen, wie sie eine Manschette in die Hand nehmen und sie über einen Schreibtisch bewegen oder sie von einem anderen Teil ihres Arbeitsplatzes greifen. Und so sind diese Wege die traditionelle Art und Weise, dies zu tun. Überall auf der Welt geschehen erstaunliche Dinge, bei denen untersucht wird, wie Informationen besser von einem künstlichen Glied an die Person, die es verwendet, zurückgekoppelt werden können. Besonders hier in Edmonton gibt es viele wirklich coole Arbeiten, bei denen die Neuverkabelung des Nervensystems, die gezielte Nervenerneuerung und andere Dinge zur Unterstützung dieses Weges zum Einsatz kommen. Aber es ist immer noch ein sehr aufstrebendes Forschungsgebiet, in dem es darum geht, darüber nachzudenken, wie maschinelles Lernen die Interaktionen in Bezug auf diesen Feedback-Pfad unterstützt.

Wie maschinelles Lernen ein System unterstützen kann, das möglicherweise viel über seine Welt wahrnimmt und vorhersagt, tatsächlich übermittelt und diese Informationen klar und effektiv an die Person zurückübertragen kann, die es verwendet. Wie kann maschinelles Lernen das unterstützen? Ich denke, das ist ein großartiges Thema, denn wenn man sowohl diesen Feedback-Weg als auch diesen Kontrollweg hat, passen sich beide Wege an und sowohl das von der Person verwendete Gerät als auch die Person selbst bilden Modelle voneinander. Sie können etwas fast Wundervolles tun. Sie können Informationen nahezu kostenlos übermitteln. Wenn beide Systeme tatsächlich gut aufeinander abgestimmt sind, ein sehr leistungsfähiges Modell voneinander aufgebaut haben und über eine Anpassung verfügen, um die Rückkopplungswege zu steuern, können Sie sehr enge Partnerschaften zwischen Menschen und Maschinen bilden, die dies können Übermitteln Sie eine riesige Menge an Informationen mit sehr geringem Aufwand und sehr geringer Bandbreite.

Und das eröffnet völlig neue Bereiche der Mensch-Maschine-Koordination, insbesondere im Bereich der Neuroprothetik. Ich glaube wirklich, dass dies ein ziemlich wunderbarer Zeitpunkt für uns ist, mit dem Studium dieses Gebiets zu beginnen.

Glauben Sie, dass diese in Zukunft 3D-gedruckt werden oder wie die Herstellung Ihrer Meinung nach ablaufen wird?

Ich glaube nicht, dass ich der beste Ort bin, um darüber zu spekulieren, wie das passieren könnte. Ich kann jedoch sagen, dass wir einen starken Anstieg kommerzieller Anbieter neuroprothetischer Geräte beobachten, die zur Herstellung ihrer Geräte additive Fertigung, 3D-Druck und andere Formen der additiven Vor-Ort-Fertigung nutzen. Es ist auch wirklich schön zu sehen, dass es sich nicht nur um einen Prototyp handelt, der additive Fertigung oder 3D-Druck verwendet, sondern dass der 3D-Druck zu einem integralen Bestandteil der Art und Weise wird, wie wir Einzelpersonen Geräte bereitstellen und wie wir diese Geräte genau für die Personen optimieren, die sie verwenden.

Additive Fertigung oder maßgeschneiderte Fertigung, individuelle Prothesenanpassungen kommen in Krankenhäusern ständig vor. Dies ist ein natürlicher Teil der Pflege von Menschen mit Gliedmaßenunterschieden, die assistierte Technologien oder andere Arten von Rehabilitationstechnologien benötigen. Ich denke, wir beginnen zu erkennen, dass ein Großteil dieser Anpassungen von den Herstellern der Geräte übernommen wird und nicht nur den Gesundheitsdienstleistern überlassen wird. Und das ist auch wirklich spannend. Ich denke, es gibt eine große Chance für Geräte, die nicht nur wie Hände aussehen oder gebrauchte Hände sind, sondern Geräte, die sehr genau auf die Bedürfnisse der Person zugeschnitten sind, die sie verwendet, und die es ihnen ermöglichen, sich auf die Art und Weise auszudrücken, wie sie sich ausdrücken möchte , und lässt sie ein Leben führen, das sie so leben möchten, wie sie es leben möchten, und nicht nur so, wie wir denken, dass eine Hand im täglichen Leben verwendet werden sollte.

Sie haben über 120 Aufsätze geschrieben. Gibt es etwas, das Ihnen besonders auffällt und das wir kennen sollten?

Es gibt einen kürzlich veröffentlichten Artikel über neuronale Computeranwendungen, aber er stellt die Spitze eines Eisbergs des Denkens dar, das wir seit weit über einem Jahrzehnt vertreten, und zwar über Rahmenbedingungen für die Interaktion von Menschen und Maschinen, insbesondere für die Interaktion von Menschen und Prothesen. Es ist die Idee des kommunikativen Kapitals. Und das ist das Papier, das wir kürzlich veröffentlicht haben.

Und in diesem Artikel legen wir unsere Sichtweise dar, wie Vorhersagen, die in Echtzeit gelernt und aufrechterhalten werden, beispielsweise durch eine Prothese, die mit der Person interagiert, die Person selbst, im Wesentlichen Kapital bilden können, eine Ressource bilden können, auf die sich beide Parteien verlassen können . Denken Sie daran, dass ich zuvor gesagt habe, dass wir etwas wirklich Spektakuläres erreichen können, wenn wir einen Menschen und eine Maschine haben, die beide Modelle voneinander erstellen, die Echtzeit basierend auf Erfahrungen anpassen und beginnen, Informationen in einem bidirektionalen Kanal weiterzuleiten. Als Randbemerkung, denn wir leben in einer magischen Welt, in der es Aufnahmen gibt und man daraus Dinge herausschneiden kann.

Es ist im Wesentlichen wie Magie.

Genau. Es klingt wie Magie. Gehen wir zurück zu Denkern wie Ashby, W. Ross Ashby, der in den 1960er Jahren in seinem Buch „Introduction of Cybernetics“ darüber sprach, wie wir den menschlichen Intellekt stärken könnten. Und er sagte wirklich, dass es darauf ankommt, die Fähigkeit einer Person zu stärken, zwischen einer von vielen Optionen zu wählen. Und dies wird durch Systeme ermöglicht, bei denen eine Person beispielsweise mit einer Maschine interagiert und zwischen ihnen ein Kommunikationskanal besteht. Wenn wir also diese kanalisierte Kommunikation offen haben, wenn sie bidirektional ist und wenn beide Systeme Kapital in Form von Vorhersagen und anderen Dingen aufbauen, dann können Sie sehen, wie sie sich wirklich aufeinander abstimmen und mehr als die Summe ihrer Teile werden . Sie können mehr herausholen, als sie hineinstecken.

Und ich denke, das ist der Grund, warum ich dies für einen unserer aufregendsten Artikel halte, weil er einen Denkwandel darstellt. Es stellt einen Gedankenwechsel hin zur Betrachtung neuroprothetischer Geräte als Systeme mit Handlungsmacht dar, Systeme, denen wir Handlungsmacht nicht nur beschreiben, sondern auf die wir uns verlassen können, um uns gemeinsam mit uns anzupassen, um diese Ressourcen aufzubauen. Das kommunikative Kapital, das es uns ermöglicht, unsere Fähigkeit, mit der Welt zu interagieren, zu vervielfachen, ermöglicht es uns, mehr herauszuholen, als wir hineingeben, und ermöglicht es den Menschen, ich würde sagen, von einer prothetischen Linse aus, nicht mehr über die Prothese in ihrem Kopf nachzudenken Alltagsleben und fangen Sie an, darüber nachzudenken, wie Sie ihr tägliches Leben leben. Nicht das Gerät, das ihnen hilft, ihr tägliches Leben zu leben.

Welche Anwendungen würden Sie für Gehirn-Maschine-Schnittstellen mit dem, was Sie gerade besprochen haben, sehen?

Einer meiner Favoriten ist etwas, das wir in den letzten fast zehn Jahren erneut vorgeschlagen haben, eine Technologie namens adaptives Switching. Adaptives Umschalten basiert auf der Erkenntnis, dass viele Systeme, mit denen wir täglich interagieren, darauf angewiesen sind, dass wir zwischen vielen Modi oder Funktionen wechseln. Ganz gleich, ob ich auf meinem Telefon zwischen Apps wechsle, ob ich versuche, die richtige Einstellung für meine Bohrmaschine herauszufinden, oder ob ich andere Werkzeuge in meinem Leben anpasse, wir wechseln ständig zwischen vielen Modi oder Funktionen und denken daran zurück Ashby, unsere Fähigkeit, zwischen vielen Optionen zu wählen. Beim adaptiven Schalten nutzen wir also das Lernen über Zeitdifferenzen, um einer künstlichen Extremität zu ermöglichen, zu lernen, welche motorischen Funktionen eine Person möglicherweise verwenden möchte und wann sie diese verwenden möchte. Eigentlich ist das eine ganz einfache Prämisse, einfach die Tatsache, dass ich nach einer Tasse greife und meine Hand schließe.

Nun, ein System sollte in der Lage sein, anhand der Erfahrung Vorhersagen zu treffen, dass ich in dieser Situation wahrscheinlich die Funktion zum Öffnen und Schließen der Hand verwenden werde. Ich werde meine Hand öffnen und schließen. Und dann in der Zukunft, in ähnlichen Situationen, das vorhersagen zu können. Und wenn ich mich durch die wirbelnde Wolke von Modi und Funktionen navigiere, geben Sie mir mehr oder weniger diejenigen, die ich möchte, ohne all diese vielen Optionen durchgehen zu müssen. Und dies ist ein sehr einfaches Beispiel für den Aufbau dieses Kommunikationskapitals. Sie haben ein System, das tatsächlich Vorhersagen durch Interaktion erstellt, es sind Vorhersagen über diese Person, diese Maschine, ihre Beziehung in dieser Situation zu diesem Zeitpunkt. Und diese gemeinsam genutzte Ressource ermöglicht es dem System dann, seine Steuerschnittstelle im Handumdrehen neu zu konfigurieren, sodass die Person bekommt, was sie will, und wann sie es will. Und wirklich, in einer Situation, in der das System sehr, sehr sicher ist, welche motorischen Funktionen eine Person möglicherweise haben möchte, kann es diese tatsächlich einfach für sie auswählen, während sie hineingeht.

Und das Coole ist, dass die Person immer die Möglichkeit hat zu sagen: „Ah, das ist es, was ich wirklich wollte“ und zu einer anderen motorischen Funktion wechseln kann. Bei einem Roboterarm können das verschiedene Arten von Handgriffen sein, sei es die Formung des Griffs, um einen Türknauf oder einen Schlüssel zu greifen oder jemandem die Hand zu schütteln. Das sind unterschiedliche Funktionsmodi, unterschiedliche Greifmuster. Es ist sehr interessant, dass das System beginnen kann, ein Verständnis dafür aufzubauen, was in welcher Situation angemessen ist. Kapitaleinheiten, auf die sich beide Parteien verlassen können, um sich schneller und mit weniger kognitiver Belastung durch die Welt zu bewegen, insbesondere im Teil der Einheit.

Vielen Dank für das tolle Interview. Leser, die mehr erfahren möchten, sollten die folgenden Ressourcen besuchen:

Laura Petrich, Doktorandin in Robotik und maschinellem Lernen – Interviewreihe

Prasad Kawthekar, Mitbegründer und CEO von Dashworks – Interviewreihe

Als Gründungspartner von unite.AI und Mitglied des Forbes Technology Council ist Antoine ein Zukunftsforscher, der sich leidenschaftlich für die Zukunft von KI und Robotik einsetzt. Er ist außerdem Gründer von Securities.io, einer Investment-Website, der generativen KI-Plattform images.ai und arbeitet derzeit an der Einführung von genius.ai, einer Plattform, die Benutzern die Möglichkeit bietet, autonome Agenten durch Aufteilen von Eingabeaufforderungen zu konfigurieren und bereitzustellen Unteraufgaben.

Mara Cairo, Product Owner von Advanced Technology bei Amii – Interview Series

Laura Petrich, Doktorandin in Robotik und maschinellem Lernen – Interviewreihe

Prasad Kawthekar, Mitbegründer und CEO von Dashworks – Interviewreihe

Arjun Narayan, Leiter Global Trust and Safety bei SmartNews – Interviewreihe

Razi Raziuddin, Mitbegründer und CEO von FeatureByte – Interview Series

Jordan Noone, Mitbegründer von Embedded Ventures – Interviewreihe