Marcin Sendera, doktorant z działającej na naszym wydziale grupy GMUM, znalazł się w gronie trzech laureatów prestiżowej Nagrody im. Witolda Lipskiego w kategorii informatyka stosowana.

Nagroda im. Witolda Lipskiego przyznawana jest od 2005 roku i ustanowiona została dla upamiętnienia przedwcześnie zmarłego znakomitego polskiego informatyka. Wręczana jest wyróżniającym się młodym naukowcom (poniżej 35 roku życia) w dwóch kategoriach: informatyka teoretyczna i informatyka stosowana.

Badania Marcina Sendery obejmują sztuczne sieci neuronowe, które są podstawą uczenia głębokiego (ang. deep learning), a obecnie także podstawowymi metodami używanymi do rozwoju tzw. Sztucznej Inteligencji. W jego opinii na sieci neuronowe można spojrzeć na wiele sposobów. Jednym z nich jest podejście probabilistyczne. Pozwala ono na operowanie oraz przekształcanie całych rozkładów danych, efektywne przeszukiwanie przestrzeni potencjalnych rozwiązań (np. nowych cząsteczek chemicznych) oraz oszacowania, jak bardzo pewne czy niepewne są nasze modele AI, gdy zwracają nam odpowiedź.

Jak pisze Laureat Nagrody im. W. Lipskiego: "Moje zainteresowania w tym zakresie idą niejako dwutorowo. Po pierwsze, interesuje mnie zastosowanie takich metod (np. modeli dyfuzyjnych) w rozwoju innych dziedzin nauki, jak np. właśnie odkrywania nowych cząsteczek i potencjalnych reakcji chemicznych, czy tworzenia modeli uczących się „grać w matematykę” (wychodząc od samych aksjomatów, proponować hipotezy matematyczne i je weryfikować). Natomiast długoterminowo interesuje mnie zjawisko samego rozumowania w modelach AI - w jaki sposób jesteśmy je w stanie zamodelować, czy są warunki, kiedy pojawia się samoczynnie, czy wystarczy operowanie na długich łańcuchach „myśli”, czy konieczne jest inne bardziej strukturalne podejście? W tym momencie wydaje mi się, że może to być podejście Bayesowskie, ale niewykluczone, że zmienię zdanie."

Z bardziej matematycznej perspektywy, badania Marcina skupiają się na kilku podstawowych problemach probabilistycznego uczenia głębokiego, tj. estymacji gęstości rozkładu danych, efektywnego próbkowania z nieznanych, nieznormalizowanych rozkładów oraz wnioskowaniu Bayesowskim. W szczególności, Marcin rozwijał metody uczenia głębokiego oparte m.in. o procesy decyzyjne Markowa, stochastyczne i zwyczajne równania różniczkowe, sekwencyjne metody Monte Carlo, przekształcenia dyfeomorficzne oraz procesy Gaussowskie.

Marcin Sendera miesiąc temu złożył pracę doktorską pt. Probabilistic deep learning: from efficient sampling to principled generation i obecnie czeka na jej zrecenzowanie. W dalszym horyzoncie planuje dalej prowadzić badania w zakresie podejść probabilistycznych, skupiając się przede wszystkim na problemach związanych z bardziej strukturalnym rozumowaniem. Zamierza kontynuować współpracę z naukowcami z UJ, w tym z jego promotorem, prof. Jackiem Taborem, a także dalsze współprace międzynarodowe, które zawiązał w ramach stażu badawczego w ośrodku Mila - AI Quebec Institute w Montrealu, gdzie pracował z prof. Yoshuą Bengio - laureatem Nagrody Turinga i jednym z twórców uczenia głębokiego.

Serdecznie gratulujemy i życzymy dalszych sukcesów!