Ανδρέας Μόσχοβος
Ο Ανδρέας Μόσχοβος διδάσκει το σχεδιασμό και τη βελτιστοποίηση μηχανών υπολογιστικού υλικού στο Πανεπιστήμιο του Τορόντο, όπου έχει το προνόμιο να συνεργάζεται με ταλαντούχες/ους σπουδαστριες/ες πανω σε τεχνικές βελτίωσης του χρόνου εκτέλεσης, της ενεργειακής απόδοσης και του κόστους για το υπολογιστικό υλικό. Έχει επίσης διδάξει στο Northwestern University, ΗΠΑ, στο Πανεπιστήμιο Αθηνών, Ελλάδα, στο Ελληνικό Ανοικτό Πανεπιστήμιο, Ελλάδα και ως προσκεκλημένος καθηγητής στην École Polytechnique Fédérale de Lausanne, Ελβετία. Είναι ο επιστημονικός διευθυντής του Ερευνητικού Δικτύου NSERC COHESA, συνεργαζόμενος καθηγητης του Vector Institute, Fellow του ACM και του IEEE, και συνιδρυτής της Tartan AI.
Υπολογιστικα συστηματα για την ενισχυση της καινοτομίας σε εφαρμογες της μηχανικής μάθησης:
Υπολογιστικά συστήματα που μαθαίνουν και προσαρμόζονται
Η μηχανική μάθηση επιτρεπει στις υπολογιστικές συσκευές να «μαθαίνουν>>, να «σκέφτονται», να «βλέπουν», να «ακούνε», να «διαβάζουν», να «γράφουν» και γενικά να αλληλεπιδρούν με τον φυσικό κόσμο με τρόπους που συνήθως συσχετίζουμε μόνο με ανθρώπους και νοημοσύνη. Αυτά τα υπολογιστικά συστήματα μπορούν και ανταγωνίζονται τις ανθρώπινες ικανότητες και υπόσχονται να ενισχύσουν την ικανότητά μας να ανακαλύπτουμε, να μαθαίνουμε και να επωφελoύμαστε από πηγές πληροφορίας. Οι τομείς εφαρμογής είναι εκτεταμενοι και καλύπτουν, αναφορικά, την επιστήμη, την ιατρική, την υγεία, το εμπόριο, τον πολιτικό σχεδιασμό, την ασφάλεια. Ωστόσο, η περαιτέρω διευκόλυνση της καινοτομίας στη μηχανική μάθηση απαιτεί υπολογιστικά συστήματα που μπορούν να αποθηκεύουν και να επεξεργαζονται ολοένα και περισσότερες ποσότητες πληροφοριών. Η ομιλία αυτή θα εξηγησει επιγραμματικά γιατί είναι πλέον αναγκαίο να αναθεωρήσουμε το σχεδιασμό αυτων των υπολογιστικών συστημάτων. Προς αυτήν την κατεύθυνση, οι ομάδα μας αναπτύσει τεχνικές υλικού/λογισμικού που μπορούν να υποβοηθήσουν την αναπτυξη περαιτέρω καινοτομιών στη μηχανική μάθηση. Στοχεύουμε μεθόδους που έχουν σχεδιαστεί ώστε να επωφελούνται από συμπεριφορές που εμφανίζονται κατά την εκτέλεση εφαρμογών μηχανικής εκμάθησης. Αυτή η ομιλία θα επισκόπησει ορισμένες από αυτές τις μεθόδους: APack μια μέθοδο συμπίεσης δεδομενων χωρίς απώλειες, το Mokey μια μέθοδο κβαντοποίησης για νευρωνικά δίκτυα βασισμένα στην τεχνική μετασχηματιστών και το Floating-Point του Schrödinger μια τεχνική συμπίεσης για την επιτάχυνση της εκπαίδευσης νευρωνικών δικτύων.
Πίσω στους ομιλητές!
