Speaker

Στράτος Υδραίος

Aναπληρωτής καθηγητής Computer Science - Harvard

Ο Στράτος Ίδρεος είναι αναπληρωτής καθηγητής Επιστήμης Υπολογιστών στο Πανεπιστήμιο του Χάρβαρντ όπου ηγείται του Εργαστηρίου Data Systems. Η έρευνά του επικεντρώνεται στo να γίνεται εύκολη, ακόμη και αυτόματη, η σχεδίαση workload και hardware δομών δεδομένων, αλγορίθμων και συστημάτων δεδομένων με εφαρμογή σε big data και data science. Στον Στράτο απονεμήθηκε το βραβείο ACM SIGMOD Jim Gray Doctoral Dissertation για τη διατριβή του σε adaptive data systems indexing. Έλαβε το βραβείο, 2011 Cor Baayen ERCIM, ως «ο πιο ελπιδοφόρος Ευρωπαίος νεαρός ερευνητής στην επιστήμη των υπολογιστών και τα εφαρμοσμένα μαθηματικά» από το Ευρωπαϊκό Συμβούλιο Έρευνας Πληροφορικής και Μαθηματικών. Το 2015 του απονεμήθηκε το βραβείο IEEE TCDE Rising Star από την Τεχνική Επιτροπή Τεχνολογίας Δεδομένων IEEE για το έργο του σε adaptive data systems και το 2020 έλαβε το βραβείο ACM SIGMOD Contribution. Ο Στράτος είναι επίσης αποδέκτης του National Science Foundation Career award και του Department of Energy Early Career award.

Artificial Intelligence: From ancient Greece to the next 2000 years

Artificial Intelligence is changing the world. AI systems utilize data to make decisions that are usually very complex, slow, and error-prone for humans. The potential to improve human life is unlimited: drastically improving health care, drug discovery, education, dramatically reducing car accidents, and so much more. However, AI today can only be utilized by a tiny number of large organizations. In addition, there are major ethical concerns and environmental impact implications with state-of-the-art AI technology that can have a catastrophic impact on society long-term.
In this talk, we will explain the primary bottlenecks that prevent the wide-spread adoption of AI. We will explain why AI is too complex, slow, and expensive to achieve and why this leads to ethical, environmental, and monopoly concerns. We will present our vision on how AI technology, education, and society need to evolve so that the premise of AI can be realized, is available to everyone, and can be utilized in an ethical way for all humans. We will discuss how data systems and big data processes need to evolve and present a path for a new yet ancient kind of AI that integrates automated learning with human knowledge.