Wing selbst hatte nie vor, Informatik zu studieren. Mitte der 1970er Jahre trat sie in das MIT ein, um Elektrotechnik zu studieren, inspiriert von ihrem Vater, einem Professor auf diesem Gebiet. Als sie ihr Interesse an Informatik entdeckte, rief sie ihn an, um zu fragen, ob das eine vorübergehende Modeerscheinung sei. Schließlich gab es auf dem Gebiet nicht einmal Lehrbücher. Er versicherte ihr, dass dem nicht so war. Wing wechselte die Hauptfächer und schaute nie zurück.
Als ehemaliger Corporate Vice President von Microsoft Research und jetzt Executive Vice President for Research an der Columbia University ist Wing führend bei der Förderung der Datenwissenschaft in mehreren Disziplinen.
Anil Ananthaswamy fragte Wing kürzlich nach ihrer ehrgeizigen Agenda zur Förderung von „vertrauenswürdiger KI“, einer von 10 Forschungsherausforderungen, die sie bei ihrem Versuch identifiziert hat, KI-Systeme gerechter und weniger voreingenommen zu machen.
F: Würden Sie sagen, dass die Art und Weise, wie Berechnungen durchgeführt werden, im Gange ist?
A: Absolut. Das Mooresche Gesetz hat uns weit gebracht. Wir wussten, dass wir bei Moores Gesetz an die Decke stoßen würden, [so] Parallel Computing wurde bekannt. Aber die Phasenverschiebung war Cloud Computing. Ursprüngliche verteilte Dateisysteme waren eine Art Baby-Cloud-Computing, bei dem Ihre Dateien nicht lokal auf Ihrem Computer waren. sie waren woanders auf dem Server. Cloud Computing nimmt das auf und verstärkt es noch, wenn die Daten nicht in Ihrer Nähe sind. Der Computer ist nicht in Ihrer Nähe.
Bei der nächsten Schicht geht es um Daten. Die längste Zeit haben wir uns auf Zyklen fixiert, damit die Dinge schneller laufen – die Prozessoren, CPUs, GPUs und mehr parallele Server. Wir haben den Datenteil ignoriert. Jetzt müssen wir uns auf Daten fixieren.
F: Das ist die Domäne der Datenwissenschaft. Wie würden Sie es definieren? Was sind die Herausforderungen bei der Nutzung der Daten?
EIN: Ich habe eine sehr knappe Definition. Data Science ist das Studium der Gewinnung von Werten aus Daten.
Sie können mir nicht einfach einen Haufen Rohdaten geben und ich drücke einen Knopf und der Wert kommt heraus. Es beginnt mit dem Sammeln, Verarbeiten, Speichern, Verwalten, Analysieren und Visualisieren der Daten und der anschließenden Interpretation der Ergebnisse. Ich nenne es den Datenlebenszyklus. Jeder Schritt in diesem Zyklus ist eine Menge Arbeit.
F: Wenn Sie Big Data verwenden, tauchen häufig Bedenken hinsichtlich Datenschutz, Sicherheit, Fairness und Voreingenommenheit auf. Wie begegnet man diesen Problemen, insbesondere in der KI?
EIN: Ich habe diese neue Forschungsagenda, die ich vorantreibe. Ich nenne es vertrauenswürdige KI, inspiriert von den jahrzehntelangen Fortschritten, die wir beim vertrauenswürdigen Computing gemacht haben. Mit Vertrauenswürdigkeit meinen wir normalerweise Sicherheit, Zuverlässigkeit, Verfügbarkeit, Datenschutz und Benutzerfreundlichkeit. In den letzten zwei Jahrzehnten haben wir viele Fortschritte gemacht. Wir haben formale Methoden, die die Korrektheit eines Codestücks sicherstellen können; Wir haben Sicherheitsprotokolle, die die Sicherheit eines bestimmten Systems erhöhen. Und wir haben bestimmte Vorstellungen von Privatsphäre, die formalisiert sind.
Vertrauenswürdige KI erhöht den Einsatz in zweierlei Hinsicht. Plötzlich sprechen wir von Robustheit und Fairness – Robustheit bedeutet, wenn Sie die Eingabe stören, wird die Ausgabe nicht sehr gestört. Und wir reden über Interpretierbarkeit. Das sind Dinge, über die wir früher nie gesprochen haben, als wir über Computer sprachen.