博士Xia Ben湖得克萨斯A&M大学计算机科学工程系助理教授获选J.P摩根人工智能学院研究奖Hu研究如何提高产业机器学习的广泛理解、影响和可信度, 创建系统解释机器决策程序背后推理
金融领先技术库JPMorgan的目的是通过支持全球研究人员前沿创新和调查来推进人工智能实用应用
使用算法和统计模型,机器学习使计算机能够执行特定任务而无需多人交互依赖模式识别和推理,AI子集可提供关键帮助解决现实世界问题,应用范围从帮助医生检测癌症到引导自主工具分析金融
人工智能系统缺乏人际接触和透明度往往导致怀疑论和质疑机器及其结论的道德问题
深层问题归结为原因机器为什么诊断或预测股量会上升为何结果可信
机器学习, 特别是深学习, 取得了巨大成功, 却因黑盒属性而备受批评-意指它成功,人民无法理解为何失败,
缺失解释性或研究者能预测进或参数变化后会发生什么严重限制系统解释性或机器系统内部机理用人词解释的程度
可解释性与可解释性对提高和接受实战应用机学习至关重要
帮助四博士学生,Hu正努力提高对AI的广泛理解,深入研究机器学习模型、算法和各种数据视角,并开发方法为大众翻译这些模型、算法和各种数据视角团队这样做的目的是深入了解机器决策过程和结论背后推理转而帮助解开机器何以思考的谜题-让研究人员和专业人员更好地了解机器脑内部工作原理,如异常检测和网络解析
加入金融界增强机器学习一开始可能听起来不合时宜,
第一,随着金融体系中发现所有丰富的数据模式,产业专家必须拥有快速精确检测诸如欺诈或金融异常等事物的手段-机器学习很容易提供的东西。但他们同样重要的是理解为什么交易标签为欺诈性或是什么使股票预测改变Hu研究将缩小AI工程师和金融行业专家的知识空白,平整领域并允许每个人理解系统推理
第二,开发可解释机器学习算法和系统Morgan Hu和他的团队 将能够应用他们的研究 解决现实世界问题 并观察直接效果除向用户提供工具看他们的研究并跟踪结果实现未来改善外,实施还帮助用户有更好和更安全的财务经验
接受研究奖并成为名大学众多杰出教职成员中的一员,历经数年研究后, 极感兴奋地有机会与JP合作摩根观察机器学习研究如何直接促进金融系统