# Einführung

Sie müssen kein Datenwissenschaftler werden, um von Datenwissenschaft und künstlicher Intelligenz (KI) zu profitieren. Sie sollten jedoch verstehen, was diese Technologien leisten können, wo sie versagen können und wie ihre Ergebnisse zu bewerten sind.

Nachdem ich mehrere Jahre lang mit Datenwissenschafts- und KI-Instruments gearbeitet habe, ist mir aufgefallen, dass Menschen oft eher mit der Technologie als mit dem Downside beginnen. Sie möchten ein Modell trainieren, einen Chatbot einführen oder eine KI-Anwendung erstellen, bevor sie entscheiden, welche Entscheidung sie verbessern möchten.

Für die meisten Profis sollte es nicht das Ziel sein, jeden Algorithmus zu beherrschen. Es sollte darum gehen, genügend Daten- und KI-Kenntnisse zu entwickeln, um bessere Fragen zu stellen, unzuverlässige Ergebnisse zu hinterfragen, die Grenzen dieser Systeme zu verstehen und fundierte Entscheidungen zu treffen.

Dieser Artikel fasst Erkenntnisse aus meinem Interview mit zusammen Iavor I. Bojinovaußerordentlicher Professor für Betriebswirtschaftslehre an der Harvard Enterprise College, und meine eigene Erfahrung in der Arbeit mit Datenwissenschaft und KI-Instruments. Bojinov ist Co-Leiter der HBS-On-line-Kurse „AI for Leaders“ und „Knowledge Science and AI for Choice Making“.

# Beginnend mit der Entscheidung

Bevor ich KI einsetze, definiere ich zunächst die Entscheidung, die getroffen werden muss.

„Wir wollen KI für Kundenanalysen nutzen“ ist zu weit gefasst. Ein klareres Ziel wäre: „Wir möchten Kunden identifizieren, die möglicherweise abwandern, damit unser Retention-Crew sie kontaktieren kann.“

Dies verbindet das Modell mit einem messbaren Ergebnis und einer echten Geschäftsaktion. Ein technisch fortschrittliches System hat wenig Wert, wenn es die zugrunde liegende Entscheidung nicht verbessert.

Bojinov macht einen ähnlichen Punkt. KI sollte als Enter für die Entscheidungsfindung und nicht als Ersatz für Urteilsvermögen betrachtet werden. Fachleute müssen ihre Fähigkeiten und Grenzen verstehen, ihre Empfehlungen validieren und sich auf bessere Geschäftsergebnisse konzentrieren, anstatt KI um ihrer selbst willen einzuführen.

In seinem HBS On-line-Interview: KI-Einführung, Vertrauen und EntscheidungsfindungBojinov erklärt außerdem, dass die erfolgreiche Einführung von KI vom Vertrauen abhängt und davon, wie effektiv Unternehmen diese Systeme einführen und skalieren.

Bevor Sie ein KI-Projekt starten, fragen Sie, welches Downside es lösen wird, wer die Ergebnisse nutzen wird, welche Maßnahmen folgen und wie der Erfolg gemessen wird.

# Zuerst die Daten verstehen

Wenn ich ein Knowledge-Science-Projekt beginne, trainiere ich nicht sofort ein Modell. Ich beginne mit der Untersuchung der Daten.

Die explorative Datenanalyse (EDA) hilft uns, die Struktur, Qualität, Verteilungen und Beziehungen eines Datensatzes zu verstehen. Es kann fehlende Werte, doppelte Datensätze, inkonsistente Kategorien, ungewöhnliche Beobachtungen und potenzielle Verzerrungen aufdecken.

Diese Überprüfungen sind wichtig, da Genauigkeit allein irreführend sein kann.

Angenommen, nur fünf Prozent der Kunden verlassen das Unternehmen. Ein Modell, das vorhersagt, dass jeder Kunde bleiben wird, wäre zu 95 Prozent genau, würde aber keinen der gefährdeten Kunden identifizieren.

Fachleute sollten sich daher fragen, ob eine Kennzahl das tatsächliche Geschäftsziel widerspiegelt, anstatt sich auf eine beeindruckend aussehende Bewertung zu verlassen.

Der neueste Artikel von HBS On-line, Datenvorbereitung für Ihr KI-Modell: Bedeutung und Greatest Practicesbetont außerdem, dass die Leistung eines Modells stark von der Qualität der dahinter stehenden Daten abhängt. Der Artikel behandelt das Bereinigen, Anreichern, Transformieren und Organisieren von Daten vor der Modellentwicklung.

# Sorgfältige Aufbereitung der Daten

Reale Daten sind selten für maschinelles Lernen bereit.

Die Datenvorbereitung kann den Umgang mit fehlenden Werten, das Korrigieren von Formaten, das Entfernen von Duplikaten, das Umwandeln von Kategorien, das Auswählen nützlicher Funktionen und das Trennen von Trainingsdaten von Bewertungsdaten umfassen.

Fachleute sollten auch wissen, woher ihre Daten stammen, wie sie gesammelt wurden, was möglicherweise fehlt und ob frühere Entscheidungen zu Verzerrungen geführt haben.

Meiner Erfahrung nach bringt die Verbesserung der Daten oft einen größeren Nutzen als das Ersetzen eines einfachen Algorithmus durch ein komplizierteres Modell.

Ein Modell lernt aus den Informationen, die es erhält. Wenn diese Informationen unvollständig, veraltet, inkonsistent oder voreingenommen sind, sind die Ergebnisse ebenfalls unzuverlässig.

Bessere Technologie kann schlechte Daten nicht vollständig ausgleichen.

# Auswahl des einfachsten Modells, das funktioniert

Das beste Modell ist nicht immer das neueste, größte oder teuerste.

Für strukturierte Geschäftsdaten – wie Kundendaten, Transaktionen, Verkaufshistorie oder Betriebsdaten – ist ein Regressionsmodell oder Entscheidungsbaum möglicherweise besser geeignet als ein universelles Massive Language Mannequin (LLM).

Es kann auch schneller, kostengünstiger, einfacher zu erklären und einfacher zu überwachen sein.

LLMs sind nützlich, wenn es bei der Aufgabe um Sprache geht, etwa das Zusammenfassen von Dokumenten, das Extrahieren von Informationen, das Erstellen von Entwürfen oder das Analysieren von Kundenfeedback. Für Prognosen, Klassifizierungen und tabellarische Daten bleibt traditionelles maschinelles Lernen möglicherweise die bessere Choice.

Bevor ich ein Modell auswähle, vergleiche ich Vorhersageleistung, Trainings- und Inferenzkosten, Geschwindigkeit, Skalierbarkeit, Erklärbarkeit, Wartungsanforderungen und die Kosten falscher Vorhersagen.

Ein etwas genaueres Modell ist nicht immer die bessere Wahl, wenn es viel teurer, schwer zu erklären oder schwer zu warten ist.

Das Ziel besteht nicht darin, die fortschrittlichste KI einzusetzen. Es geht darum, die zuverlässigste und kostengünstigste Lösung für das Downside zu wählen.

# Validieren, bevor Sie vertrauen

Ein Modell, das während der Entwicklung intestine funktioniert, garantiert nicht, dass es in der realen Welt funktioniert.

Es sollte anhand von Daten ausgewertet werden, die nicht zum Trainieren oder Auswählen verwendet wurden. Die Bewertungsdaten sollten auch die Kunden, Märkte und Bedingungen darstellen, unter denen das Modell betrieben wird.

Die Validierung sollte nach der Bereitstellung fortgesetzt werden. Das Kundenverhalten ändert sich, Märkte verschieben sich, Datenpipelines brechen zusammen und Muster, die einst nützlich waren, können an Zuverlässigkeit verlieren.

Bojinov identifiziert schwache Validierung und Assessments als einen häufigen Fehler. Wenn Unternehmen Modelle bereitstellen, ohne sie ordnungsgemäß zu testen, können sie sich zu sehr auf die Ergebnisse verlassen.

Fachleute sollten sich fragen, wie ein Modell bewertet wurde, welche Fehler es macht, ob seine Testdaten repräsentativ sind und wie seine Leistung im Laufe der Zeit überwacht wird.

Vertrauen sollte durch Beweise entstehen, nicht dadurch, wie fortschrittlich oder sicher das System erscheint.

# Kundenanalysen in die Tat umsetzen

Kundenanalysen sollten mehr als ein Dashboard sein.

Ein Dashboard kann zeigen, was passiert ist. Ein Vorhersagemodell kann abschätzen, was als nächstes passieren könnte. Ein Experiment kann dabei helfen, herauszufinden, was eine Organisation dagegen tun sollte.

Die Prognose, dass ein Kunde möglicherweise abwandert, ist nur dann sinnvoll, wenn das Unternehmen über eine realistische Bindungsstrategie verfügt. Anschließend muss gemessen werden, ob die Intervention tatsächlich funktioniert.

Fachleute sollten außerdem vermeiden, Korrelation mit Kausalität zu verwechseln. Ein mit der Kundenabwanderung verbundenes Merkmal ist nicht unbedingt der Grund, warum Kunden das Unternehmen verlassen.

Hier wird experimentelles Denken wertvoll. Anstatt davon auszugehen, dass eine Intervention funktioniert, sollten Organisationen sie testen, das Ergebnis messen und aus den Erkenntnissen lernen.

Das Ziel besteht nicht darin, mehr Vorhersagen zu treffen. Es geht darum, bessere Entscheidungen zu treffen.

# LLMs als Assistenten behandeln

Große Sprachmodelle (LLMs) haben die KI viel zugänglicher gemacht. Ich verwende sie regelmäßig zum Codieren, Recherchieren, Verbessern der Grammatik, Zusammenfassen von Informationen, Generieren von Ideen und Lernen von etwas Neuem.

Sie helfen mir, schneller zu arbeiten und unbekannte Themen zu erkunden. Eine fließende und sichere Sprache ist jedoch nicht dasselbe wie sachliche Genauigkeit.

LLMs können den Kontext falsch verstehen, sich auf veraltete Informationen verlassen, Quellen erfinden, falschen Code produzieren oder Sicherheitslücken übersehen. HBS On-line-Leitfaden, Was sind große Sprachmodelle und wie funktionieren sie?bietet einen Überblick darüber, was Geschäftsleute verstehen sollten, bevor sie sie verwenden.

Ich vertraue ihrer Leistung nie blind. Ich überprüfe und lese noch einmal, was sie produzieren, überprüfe wichtige Behauptungen, inspiziere generierten Code, teste, ob er funktioniert, und überprüfe, ob es Sicherheitsprobleme gibt.

Ich behandle einen LLM als Assistenten und nicht als unbestreitbare Autorität. Je größer die Konsequenzen einer Aufgabe sind, desto sorgfältiger sollte ihr Ergebnis überprüft werden.

# Das menschliche Urteilsvermögen auf dem Laufenden halten

Laut Bojinov werden Datenkompetenz, experimentelles Denken und die Fähigkeit, KI-Ergebnisse kritisch zu bewerten, mit zunehmender Verbreitung dieser Instruments immer wertvoller.

Fachleute müssen keine KI-Experten werden, aber sie müssen fließend genug sein, um die richtigen Fragen zu stellen, Beweise zu interpretieren, schwache oder unzuverlässige Ergebnisse zu erkennen und zu verstehen, wann einer Antwort vertraut werden kann.

HBS Onlines Wohnzimmer Folge, Wie Berufseinsteiger mit KI führen und wachsen könnenuntersucht, wie Fachleute KI-Kenntnisse mit ihrem vorhandenen Fachwissen kombinieren können, um an einem KI-gesteuerten Arbeitsplatz Mehrwert zu schaffen. Noch eine Folge, Ratschläge für den Berufseinstieg zum Aufbau von KI und menschlichen Fähigkeitenerörtert, wie wichtig es ist, starkes Fachwissen zu entwickeln und gleichzeitig zu lernen, effektiv mit KI zusammenzuarbeiten.

Letztendlich werden diejenigen herausragen, die technisches Verständnis mit Fachwissen und fundiertem unternehmerischem Urteilsvermögen verbinden können.

# Letzte Gedanken

Viele Unternehmen beeilen sich, überall KI einzuführen, weil sie nicht ins Hintertreffen geraten wollen. Dabei geben sie möglicherweise viel Geld für APIs, Infrastruktur, Schulung und Wartung aus, ohne vorher zu fragen, ob KI tatsächlich die richtige Lösung ist.

Ich denke, der Hype wird sich irgendwann legen.

Unternehmen erfahren, wo KI einen echten Mehrwert bietet, wo Menschen weiterhin unverzichtbar sind und wo eine einfachere und kostengünstigere Lösung ausreicht.

Erfolgreiche Knowledge-Science- und KI-Projekte beginnen nicht mit dem neuesten Modell. Sie beginnen mit einem klaren Downside, zuverlässigen Daten, einer angemessenen Bewertung, realistischen Kosten und einem Plan zur Umsetzung der Ergebnisse in die Tat.

Das Ziel ist nicht, KI überall einzusetzen. Es geht darum, es bewusst einzusetzen, sorgfältig zu validieren und dort anzuwenden, wo es Entscheidungen wirklich verbessert.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Vier neue Fakultätsmitglieder schließen sich in diesem Herbst der College of Structure and Planning (SA+P) an und bieten die Kreativität, das Wissen und das Stipendium der MIT Group in multidisziplinären Rollen an.

„Diese Personen verleihen unserer Fakultät erhebliche Stärke und Tiefe“, sagt Hashim Sarkis, Dekan der College of Structure and Planning. „Wir freuen uns über die akademische Kraft, die sie zur Forschung und Lehre bringen.“

Karrie G. Karahalios ’94, Meng ’95, SM ’97, PhD ’04 tritt als vollständige Professorin für Medienkunst und Wissenschaften dem MIT -Medienlabor bei. Karahalios ist ein Pionier in der Erforschung sozialer Medien und der Artwork und Weise, wie Menschen in Umgebungen kommunizieren, die zunehmend durch Algorithmen vermittelt werden, die, wie sie geschrieben hat, „die Welt um uns herum formen“. Ihre Arbeit kombiniert Laptop, Systeme, künstliche Intelligenz, Anthropologie, Soziologie, Psychologie, Spieltheorie, Design und Infrastrukturstudien. Die Arbeit von Karahalios hat zahlreiche Auszeichnungen erhalten, darunter den Profession Award der Nationwide Science Basis, das Alfred P. Sloan Analysis Fellowship, den Sigmod Greatest Paper Award und die Anerkennung als ACM -angesehenes Mitglied.

Pat Pataranutaporn SM ’18, PhD ’20 schließt sich als Assistenzprofessor für Medienkunst und Wissenschaften dem MIT -Medienlabor an. Pataranutaporn, ein visionärer Technologe, Wissenschaftler und Designer, erforscht die Grenze der Human-AI-Interaktion, die Erfindung und Untersuchung von KI-Systemen, die das Gedeihen des Menschen unterstützen. Seine Forschung konzentriert sich darauf, wie personalisierte KI-Systeme die Wahrnehmung des Menschen von Lernen und Entscheidungsfindung bis hin zur Selbstentwicklung, Reflexion und Wohlbefinden verstärken können. Pataranutaporn wird das fortschreitende Menschen mit KI-Programm mit dem Vorreiter leiten.

Mariana Popescu tritt in die Abteilung für Architektur als Assistenzprofessor ein. Popescu ist ein Computerarchitekt und struktureller Designer mit großem Interesse und Erfahrung in innovativen Arten, sich dem Herstellungsprozess und der Verwendung von Materialien in der Konstruktion zu nähern. Ihr Fachgebiet ist rechnerisches und parametrisches Design mit Schwerpunkt auf digitaler Herstellung und nachhaltigem Design. Ihre umfassende Beteiligung an Projekten zur Förderung der Nachhaltigkeit hat zu einer multilateralen Entwicklung von Fähigkeiten geführt, die die Bereiche Architektur, Engineering, Computerdesign und digitale Herstellung kombinieren. Popescu promovierte in Eth Zürich. Sie struggle benannte einen „Pionier“ auf der MIT Expertise Overview Globale Liste der „35 Innovatoren unter 35“ im Jahr 2019.

Holly Samuelson tritt in die Abteilung für Architektur als Affiliate Professor am Baustechnologieprogramm am MIT ein und unterrichtet Architekturstudiengänge. Ihre Lehre und Forschung konzentrieren sich auf Themen des Aufbaus, die sich auf die menschliche und ökologische Gesundheit auswirken. Ihre aktuellen Projekte nutzen die fortgeschrittene Bausimulation, um Probleme der Treibhausgasemissionen, der Wärmeverfälligkeit und der Umweltqualität in Innenräumen zu untersuchen und gleichzeitig die Zukunft von Gebäuden in einem sich verändernden Stromnetz zu berücksichtigen. Samuelson hat über 40 Peer-Overview-Papiere mitverfasst und vom Journal einen besten Papierpreis gewonnen Energie und Gebäude. Als anerkannter Experte für Architekturstechnologie wurde sie in Nachrichtensendunternehmen einschließlich der Vorstellungen vorgestellt Die Washington PublishAnwesend Der Boston Globedie BBC und Das Wall Avenue Journal. Samuelson erhielt ihren Doktor der Design an der Harvard College Graduate College of Design.

Sieben Fakultäten an der MIT College of Structure and Planning (SA+P) wurden für ihre Beiträge durch Werbeaktionen geehrt, am 1. Juli. Drei Fakultätsförderungen befinden sich im Abteilung für Architektur. Drei befinden sich in der Abteilung für Stadtstudien und Planung; Und einer ist im Programm in Medienkunst und Wissenschaften.

„Ob Architekten, Stadttechniker, Informatiker oder Nanotechnologen, sie repräsentieren unsere Schule in ihrer besten Zeit in ihrer Breite an Untersuchung und Mission, um die Beziehung zwischen Menschen und ihren Umgebungen zu verbessern“, sagt Sa+P Dean Hashim Sarkis.

Abteilung für Architektur

Marcelo Coelho wurde zum assoziierten Professor der Praxis befördert. Coelho ist der Direktor der Design Intelligence Labder den Schnittpunkt der menschlichen und maschinellen Intelligenz über Design, KI und Herstellung untersucht. Seine Arbeit reicht von lichtbasierten Installationen bis hin zu physischem Laptop. Die Anerkennung für seine Arbeit umfasst zwei Prix ARS Electronica Awards und Schnelle FirmaInnovation by Design Award. Der experimentelle Ansatz von Coelho definiert kreative Prozesse neu, wodurch wir uns verändert, wie wir uns vorstellen und mit intelligenten Systemen interagieren. Coelho unterrichtet Kurse, die industrielles Design, Benutzererfahrung und künstliche Intelligenz zusammenbringen.

Holly Samuelson wurde zum assoziierten Professor ohne Amtszeit befördert. Samuelson hat über 40 Peer-Evaluate-Papiere mitverfasst und vom Journal einen besten Papierpreis gewonnen Energie und Gebäude. Als anerkannter Experte für Architekturstechnologie wurde sie in Medien wie Shops wie z. B. vorgestellt Die Washington Put upAnwesend Der Boston Globedie BBC und Das Wall Road Journal.

Rafi Segal wurde zum vollständigen Professor befördert. Als preisgekrönter Designerin Segal Works in Architectural and City Scales reichen Projekte von Villa 003 in der Ordos 100-Serie bis zum Kitgum Peace Museum in Uganda, dem Ashdod Museum of Artwork in Israel und dem Gewinner-Designvorschlag für die Nationalbibliothek Israels in Jerusalem. Zu seinen aktuellen Arbeiten gehören die Planung eines neuen Gemeinschaftsviertels für einen israelischen Kibbuz und das Kuratieren der ersten Ausstellung über Alfred Neumanns Architektur aus den 1960er Jahren.

Abteilung für Stadtstudien und Planung (DUSP)

Carlo Ratti wurde als Professor der Praxis wiederernannt. Ratti ist der Direktor der Sensibles Stadtlabor und Gründungspartner des Internationalen Designbüros Carlo Ratti Associati. Er hat über 500 Veröffentlichungen mitautorisiert und hat mehrere Patente abgehalten. Seine Arbeiten wurden weltweit ausgestellt, darunter in der Biennale von Venedig, dem Museum of Trendy Artwork in New York Metropolis und dem Design Museum in Barcelona. Zwei seiner Projekte, der digitale Wasserpavillon und das Kopenhagen -Rad, wurden unterhalb dessen benannt Time Journal„Die besten Erfindungen des Jahres.“ Er ist der Kurator der 2025 Venedig Biennale’s 19. Ausstellung Worldwide Architektur.

Albert Saiz wurde zum vollständigen Professor befördert. Saiz dient als Direktor von MITs City Economics Labin dem Forschung zu Immobilienökonomie, Stadtökonomie, Wohnungsmärkten, lokalen öffentlichen Finanzmitteln, Zonierungsvorschriften, globalen Immobilien und demografischen Traits, die sich weltweit auswirken, in der Stadt- und Immobilienentwicklung auswirken. Er trägt auch zur breiteren Forschungsgemeinschaft als Gastwissenschaftler der Federal Reserve Financial institution of Philadelphia, als Analysis Fellow am Institut für die Analyse der Arbeit und Herausgeber für die Journal of Housing Economics.

Delia Wendel wurde zum assoziierten Professor ohne Amtszeit befördert. Die Forschung von Wendel umfasst drei Hauptbereiche: Reparaturformen der Gemeinschaft nach Konflikten und Katastrophen, afrikanischer Urbanismus und räumlicher Politik. Ihre interdisziplinäre Arbeiten werden städtische Studien, kritische Friedensstudien, Architekturgeschichte, Kulturgeographie und Anthropologie zusammengebracht. Bei der MIT-DUSP leitet sie die Planung für ein frieden kritisches Kollektiv und überwacht die Mellon Basis und das MIT-Zentrum für Kunst-, Wissenschafts- und technologisch finanzierte Forschungs- und Ausstellungsprojekt, Reminiscence Atlas for Reparatur. Sie dient auch als Geschäftsführer von Projektionen, Das jährliche von Experten begutachtete Journal der Abteilung zu kritischen Fragen in der Stadtstudie und der Planung.

Programm in Medienkunst und Wissenschaften

Deblina Sarkar wurde zum assoziierten Professor ohne Amtszeit befördert. Als Direktor der Nano-Cybernetic Biotrek Lab Im MIT-Medienlabor fusioniert sie die Nanoelektronik, Physik und Biologie, um bahnbrechende Technologien zu schaffen, von ultradünnen Quantentransistoren bis zur ersten Antenne, die in lebenden Zellen arbeitet. Ihre interdisziplinäre Arbeiten haben ihre wichtigsten Auszeichnungen erhalten, darunter den New Innovator Award des Nationwide Institutes of Well being Director und den IEEE Early Profession Award in Nanotechnology.

Die Faculty of Engineering begrüßt 15 neue Fakultätsmitglieder in sechs ihrer Fachbereiche. Diese neuen Fakultätsmitglieder, die ihre Tätigkeit am MIT vor Kurzem aufgenommen haben oder im nächsten Jahr aufnehmen werden, forschen in einem breiten Spektrum von Disziplinen.

Viele dieser neuen Lehrkräfte spezialisieren sich auf Forschung, die mehrere Felder berührt. Zusätzlich zu ihren Positionen in der Faculty of Engineering haben einige dieser Lehrkräfte Positionen in anderen Abteilungen des MIT. Lehrkräfte mit Anstellungen in der Abteilung für Elektrotechnik und Informatik (EECS) berichten sowohl an die Faculty of Engineering als auch an das MIT Stephen A. Schwarzman School of Computing. In diesem Jahr haben neue Lehrkräfte auch gemeinsame Anstellungen zwischen der Faculty of Engineering und der Faculty of Humanities, Arts, and Social Sciences sowie der Faculty of Science.

„Ich freue mich, diese Gruppe talentierter neuer Lehrkräfte an der Faculty of Engineering begrüßen zu dürfen“, sagt Anantha Chandrakasan, Chief Innovation and Technique Officer, Dekan der Fakultät für Ingenieurwissenschaften und Vannevar Bush-Professor für Elektrotechnik und Informatik. „Besonders beeindruckt mich der interdisziplinäre Ansatz, den viele dieser neuen Lehrkräfte bei ihrer Forschung verfolgen. Sie arbeiten in Bereichen, die enorme Auswirkungen haben werden. Ich freue mich darauf, sie als Forscher und Pädagogen wachsen zu sehen.“

Zur neuen Fakultät für Ingenieurwissenschaften gehören:

Stephen Bates kam im September 2023 als Assistenzprofessor an die Fakultät für Elektrotechnik und Informatik. Er ist auch Mitglied des Labors für Informations- und Entscheidungssysteme (LIDS). Bates nutzt Daten und KI für zuverlässige Entscheidungen bei Unsicherheit. Insbesondere entwickelt er Instruments für statistische Inferenz mit KI-Modellen, Daten, die von strategischem Verhalten beeinflusst werden, und Einstellungen mit Verteilungsverschiebungen. Bates arbeitet auch an Anwendungen in den Biowissenschaften und der Nachhaltigkeit. Zuvor arbeitete er als Postdoc in den Abteilungen Statistik und EECS an der College of California in Berkeley (UC Berkeley). Bates erhielt einen BS in Statistik und Mathematik von der Harvard College und einen PhD von der Stanford College.

Abigail Bodner kam im Januar als Assistenzprofessorin in die Abteilungen EECS und Erd-, Atmosphären- und Planetenwissenschaften. Sie ist auch Mitglied des LIDS. Bodners Forschungsinteressen umfassen Klima, physikalische Ozeanographie, geophysikalische Fluiddynamik und Turbulenz. Zuvor arbeitete sie als Simons Junior Fellow am Courant Institute of Mathematical Sciences der New York College. Bodner erhielt ihren BS in Geophysik und Mathematik und ihren MS in Geophysik von der Tel Aviv College und ihren SM in angewandter Mathematik und ihren PhD von der Brown College.

Andreea Bobu ’17 wird im Juli als Assistenzprofessorin in die Fakultät für Luft- und Raumfahrt eintreten. Ihre Forschung liegt an der Schnittstelle zwischen Robotik, mathematischer menschlicher Modellierung und Deep Studying. Zuvor conflict sie Wissenschaftlerin am Boston Dynamics AI Institute und beschäftigte sich mit der Frage, wie Roboter und Menschen effizient gemeinsame Darstellungen ihrer Aufgaben erreichen können, um nahtlosere und zuverlässigere Interaktionen zu ermöglichen. Bobu hat einen Bachelor in Informatik und Ingenieurwissenschaften vom MIT und einen Doktortitel in Elektrotechnik und Informatik von der UC Berkeley.

Suraj Cheema wird im Juli als Assistenzprofessor in die Abteilung für Materialwissenschaft und Werkstofftechnik eintreten, mit einer gemeinsamen Anstellung in der Abteilung für EECS. Seine Forschung befasst sich mit der Entwicklung elektronischer Materialien auf atomarer Ebene, um Herausforderungen im Zusammenhang mit Energieverbrauch, -speicherung und -erzeugung anzugehen und eine nachhaltigere Mikroelektronik zu entwickeln. Dies umfasst Pc- und Energietechnologien über integrierte ferroelektrische Geräte. Zuvor arbeitete er als Postdoc an der UC Berkeley. Cheema hat einen BS in angewandter Physik und angewandter Mathematik von der Columbia College und einen PhD in Materialwissenschaft und Werkstofftechnik von der UC Berkeley.

Samantha Coday tritt im Juli als Assistenzprofessorin in die Abteilung EECS ein. Sie wird auch Mitglied des MIT Analysis Laboratory of Electronics. Ihre Forschungsinteressen umfassen ultradichte Stromrichter, die die Integration erneuerbarer Energien ermöglichen, hybride Elektroflugzeuge und die zukünftige Weltraumforschung. Um Hochleistungswandler für diese kritischen Anwendungen zu ermöglichen, konzentriert sich ihre Forschung auf die Optimierung, das Design und die Steuerung von hybriden Schaltkondensator-Wandlern. Coday hat einen BS in Elektrotechnik und Mathematik von der Southern Methodist College und einen MS und einen PhD in Elektrotechnik und Informatik von der UC Berkeley.

Mitchell Gordon wird im Juli als Assistenzprofessor in die Abteilung EECS eintreten. Er wird auch Mitglied des MIT Pc Science and Synthetic Intelligence Laboratory sein. In seiner Forschung entwirft Gordon interaktive Systeme und Bewertungsansätze, die Prinzipien der Mensch-Pc-Interaktion mit den Realitäten des maschinellen Lernens verbinden. Derzeit arbeitet er als Postdoc an der College of Washington. Gordon erhielt einen BS von der College of Rochester und einen MS und PhD von der Stanford College, alle in Informatik.

Kaiming He kam im Februar als außerordentlicher Professor in die Abteilung EECS. Er wird auch Mitglied des MIT Pc Science and Synthetic Intelligence Laboratory (CSAIL). Seine Forschungsinteressen umfassen ein breites Themenspektrum in den Bereichen Pc Imaginative and prescient und Deep Studying. Derzeit konzentriert er sich auf den Aufbau von Computermodellen, die Darstellungen lernen und Intelligenz aus und für die komplexe Welt entwickeln können. Langfristig hofft er, die menschliche Intelligenz durch verbesserte künstliche Intelligenz zu erweitern. Bevor er zum MIT kam, conflict er Forschungswissenschaftler bei Fb AI. Er erwarb einen BS an der Tsinghua College und einen PhD an der Chinese language College of Hong Kong.

Anna Huang SM ’08 wird im September als Assistenzprofessorin in die Abteilungen EECS und Musik und Theaterwissenschaften eintreten. Sie wird dabei helfen, Graduiertenprogramme mit Schwerpunkt Musiktechnologie zu entwickeln. Zuvor conflict sie acht Jahre lang bei Magenta bei Google Mind und DeepMind tätig und leitete dort die Bemühungen in den Bereichen generative Modellierung, bestärkendes Lernen und Mensch-Pc-Interaktion, um Mensch-KI-Partnerschaften beim Musizieren zu unterstützen. Sie ist die Schöpferin von Music Transformer und Coconet (auf dem das Bach Google Doodle basiert). Sie conflict Jurorin und Organisatorin des AI Tune Contest. Anna hat einen Canada CIFAR AI Chair bei Mila, einen BM in Musikkomposition und einen BS in Informatik von der College of Southern California, einen MS vom MIT Media Lab und einen PhD von der Harvard College.

Yael Kalai PhD ’06 wird im September als Professorin in die Abteilung EECS eintreten. Sie ist auch Mitglied von CSAIL. Ihre Forschungsinteressen umfassen Kryptographie, die Theorie der Berechnung sowie Sicherheit und Datenschutz. Kalai konzentriert sich derzeit sowohl auf die theoretischen als auch auf die praktischen Anwendungen der Kryptographie, einschließlich der Arbeit an prägnanten und leicht überprüfbaren nicht-interaktiven Beweisen. Sie erhielt ihren Bachelor-Abschluss von der Hebräischen Universität Jerusalem, einen Grasp-Abschluss vom Weizmann Institute of Science und einen PhD vom MIT.

Sendhil Mullainathan wird im Juli als Professor in die Abteilungen EECS und Wirtschaftswissenschaften eintreten. In seiner Forschung nutzt er maschinelles Lernen, um komplexe Probleme des menschlichen Verhaltens, der Sozialpolitik und der Medizin zu verstehen. Zuvor conflict Mullainathan fünf Jahre am MIT tätig, bevor er 2004 der Fakultät in Harvard und 2018 der College of Chicago beitrat. Er erhielt seinen BA in Informatik, Mathematik und Wirtschaftswissenschaften von der Cornell College und seinen PhD von der Harvard College.

Alex Rives wird im September als Assistenzprofessor in die Abteilung EECS eintreten und eine Kernmitgliedschaft im Broad Institute des MIT und Harvard erwerben. In seiner Forschung konzentriert sich Rives auf KI für wissenschaftliches Verständnis, Entdeckung und Design für die Biologie. Rives arbeitete als Doktorand an der New York College mit Meta zusammen, wo er das Evolutionary Scale Modeling-Crew gründete und leitete, das große Sprachmodelle für Proteine ​​entwickelte. Rives erhielt seinen Bachelor in Philosophie und Biologie von der Yale College und promoviert derzeit in Informatik an der NYU.

Sungho Shin wird im Juli als Assistenzprofessor in die Abteilung für Chemieingenieurwesen eintreten. Seine Forschungsinteressen umfassen Kontrolltheorie, Optimierungsalgorithmen, Hochleistungsrechnen und deren Anwendung bei der Entscheidungsfindung in komplexen Systemen wie Energieinfrastrukturen. Shin ist Postdoc in der Abteilung für Mathematik und Informatik am Argonne Nationwide Laboratory. Er erhielt einen Bachelor in Mathematik und Chemieingenieurwesen von der Seoul Nationwide College und einen Doktortitel in Chemieingenieurwesen von der College of Wisconsin-Madison.

Jessica Stark kam im Januar als Assistenzprofessorin in die Abteilung für Biotechnik. In ihrer Forschung entwickelt Stark Technologien, um das weitgehend ungenutzte Potenzial von Zelloberflächenzuckern, sogenannten Glykanen, für immunologische Entdeckungen und Immuntherapien auszuschöpfen. Zuvor conflict Stark Postdoc der American Most cancers Society an der Stanford College. Sie erwarb einen Bachelor in chemischer und biomolekularer Technik an der Cornell College und einen Doktortitel in chemischer und biologischer Technik an der Northwestern College.

Thomas John „TJ“ Wallin kam im Januar als Assistenzprofessor in die Abteilung für Materialwissenschaft und Werkstofftechnik. Als Forscher interessiert sich Wallin für die fortschrittliche Herstellung funktionaler weicher Materie, mit einem Schwerpunkt auf weichen tragbaren Technologien und deren Anwendung in Mensch-Pc-Schnittstellen. Zuvor conflict er als Wissenschaftler bei Meta’s Actuality Labs Analysis tätig und arbeitete dort im Crew für haptische Interaktion. Wallin hat einen Bachelor in Physik und Chemie vom School of William and Mary und einen Grasp und einen Doktor in Materialwissenschaft und Werkstofftechnik von der Cornell College.

Gioele Zardini kam im September als Assistenzprofessor an die Fakultät für Bau- und Umweltingenieurwesen. Er wird auch LIDS und dem Institut für Daten, Systeme und Gesellschaft beitreten. Angetrieben von gesellschaftlichen Herausforderungen umfassen Zardinis Forschungsinteressen das Co-Design soziotechnischer Systeme, Kompositionalität im Ingenieurwesen, angewandte Kategorientheorie, Entscheidung und Steuerung, Optimierung und Spieltheorie mit gesellschaftskritischen Anwendungen für intelligente Transportsysteme, Autonomie und komplexe Netzwerke und Infrastrukturen. Er erhielt seinen Bachelor, Grasp und PhD in Maschinenbau mit Schwerpunkt Robotik, Systeme und Steuerung von der ETH Zürich und verbrachte Zeit am MIT, der Stanford College und bei Motional.