Ross King
Univerza v Manchestru, Velika Britanija
Biografija: Ross D. King je profesor strojne inteligence na britanski Univerzi v Manchestru in eden najizkušenejših raziskovalcev v državi na tem področju. Med svojim delom se osredotoča predvsem na vmesnik med računalništvom in znanostjo. Prav njemu se je porodila ideja o t. i. robotskih znanstvenikih, oziroma povezovanje umetne inteligence in laboratorijske robotike za izvajanje fizičnih znanstvenih odkritij zaprtega kroga. Njegov robot Adam je bil prva naprava, ki je samostojno prišla do znanstvenega odkritja, medtem ko Eve trenutno raziskuje zdravilo proti zapostavljenim tropskim boleznim in raku. Svojo raziskavo je objavil v najprestižnejših znanstvenih revijah (Science, Nature ipd.), zanjo pa je požel tudi veliko zanimanje javnosti. Njegovo raziskovalno delo se dotika tudi področja računanja z DNA. Razvil je prvi univerzalni nedeterministični Turingov stroj in se trenutno ukvarja z »nadvlado DNA«, oziroma DNA-računalnikom, ki lahko reši več NP-polnih problemov od tradicionalnih ali kvantnih računalnikov. Močno se zanima tudi za računsko ekonomijo in estetiko.
Avtomatizacija znanosti
Uporaba umetne inteligence (UI) v znanosti ima dolgo in bogato zgodovino. Nedavni dosežki na področju UI in laboratorijske avtomatizacije so omogočili izvajanje popolnoma avtomatiziranih preprostih znanstvenih raziskav. Robotski znanstvenik je robotski sistem, ki s pomočjo tehnik UI izvaja vrsto avtomatskih poskusov: postavljanje hipotez, izbiranje učinkovitih poskusov, s katerimi razločuje hipoteze, izvajanje poskusov z avtomatizirano laboratorijsko opremo in analiziranje rezultatov. Robotske znanstvenike smo ustvarili z namenom boljšega razumevanja znanosti in višje učinkovitosti. Naš robot, ki smo ga poimenovali Adam, je bil prva naprava, ki je samostojno prišla do novih znanstvenih odkritij, medtem ko je bila Eve sprva namenjena predvsem avtomatiziranemu odkrivanju zdravila za zapostavljene tropske bolezni. Eve skušano trenutno vpeljati v delo s sistemi kvasov na področju biologije in zdravljenja raka. V šahu poznano različne nazive od novinca do velemojstra. Trdimo, da lahko napredek na področju UI in laboratorijske avtomatizacije predstavlja gonilno silo v razvoju vedno pametnejših robotskih znanstvenikov. Dobitnik Nobelove nagrade za fiziko Frank Wilczek trdi tudi, da bo čez sto let najboljši fizik pravzaprav naprava. V tem primeru ne bo spremenil samo tehnologije, temveč tudi naše razumevanje znanosti in vesolja.
Transformativno strojno učenje: ko je eksplicitno bolje od implicitnega
Ključ uspeha strojnega učenja (SU) je uporaba učinkovitih podatkovnih predstavitev. V preteklosti so SU uporabili zgolj za reševanje posameznih problemov, medtem ko se danes zaradi vse lažje dosegljivih podatkov SU uporablja tudi za številne povezane probleme. V okviru hkratnega in prenosnega SU se ti problemi izkoriščajo za izboljšanje delovanja SU. S sodelavci smo razvili transformativno učenje (TU), novo splošno predstavitev SU kot niz povezanih problemov. TU tako omogoča bodisi boljše delovanje SU bodisi napovedi, ki jih lahko obrazložimo. Na podlagi nove temeljne ideje lahko standardne podatkovne predstave spremenimo v eksplicitne predstave, osnovane na napovedih predhodno preizkušenih modelov. TU smo ovrednotili s štirimi najpomembnejšimi nelinearnimi metodami SU: naključnimi gozdovi, metodo podpornih vektorjev, algoritmom k-najbližjih sosedov in nevronskimi mrežami, in sicer na treh znanstvenih problemih, prisotnih v resničnem svetu (načrtovanje zdravil, napovedovanje genskega izražanja in meta strojno učenje). TU je občutno izboljšal napovedi vseh štirih metod na vseh treh področjih. Dragocen stranski produkt TU-ja je množično generiranje modelov za napovedovanje, ki smo jih uporabili za združevanje učinkovin‒tarč/genov in učinkovin glede na njihove funkcijske podobnosti, obenem pa tudi za množično napovedovanje delovanja učinkovin in napovedovanje delovanja genov.