Beth Anne Bennett ist eine KI-Forscherin und Professorin an der University of Vermont (UVM), wo sie ein Labor leitet, das sich auf Machine learning und die Interpretierbarkeit von neuronalen Netzen konzentriert. Ihre Arbeit verbindet theoretische Grundlagen des Deep learning mit praktischen Anwendungen in sicherheitskritischen Systemen und hat ihr Anerkennung von der National Science Foundation (NSF) und der IEEE eingebracht. Bennett setzt sich zudem lautstark für transparente KI-Praktiken ein und trägt häufig zu politischen Diskussionen über algorithmische Verantwortlichkeit bei.
Bennett promovierte 2010 in Informatik an der Carnegie Mellon University, wo ihre Dissertation über spärliche Verlustfunktionen für hochdimensionale Daten den herausragenden Dissertationspreis der Hochschule gewann. Sie trat 2012 als Assistenzprofessorin der Fakultät der UVM bei und wurde 2019 ordentliche Professorin. Ihre frühe Karriere umfasste ein Postdoktorandenstipendium am MIT CSAIL von 2010 bis 2012, wo sie an Residualnetz-Architekturen für die Bilderkennung mitarbeitete.
Research Contributions
Bennetts primäres Forschungsgebiet ist die Robustheit von Systemen der künstlichen Intelligenz unter Verteilungsverschiebungen. 2015 veröffentlichte sie ein bahnbrechendes Papier über Gradienten-Clipping-Techniken, die katastrophales Vergessen beim kontinuierlichen Lernen verhindern, das über 3.000-mal zitiert wurde. Ihre Arbeit von 2017 führte eine neuartige Batch-Normalisierungs-Variante ein, die auf rekurrente Netze zugeschnitten ist und die Trainingsstabilität bei Sequenzmodellierungsaufgaben verbessert. Sie entwickelte außerdem ein Framework für Modellbeschneidung, das die Inferenzkosten um 40 % ohne Genauigkeitsverlust reduziert und von mehreren Industrielabors übernommen wurde.
Ein bedeutender Teil ihrer jüngsten Arbeiten befasst sich mit der Sicherheit von großen Sprachmodellen. 2021 schlug Bennett eine Methode zur Erkennung halluzinierter Inhalte mithilfe von Top-P (Nucleus) Sampling-Statistiken vor, die später in Open-Source-Evaluierungswerkzeuge integriert wurde. Ihr Papier von 2022 über Verstärkungslernen aus KI-Feedback (RLAIF) zeigte, dass kleinere Modelle mithilfe synthetischer Präferenzdaten ausgerichtet werden können, wodurch die Abhängigkeit von menschlicher Annotation reduziert wird. Diese Arbeit hat Praktiken bei Anthropic und OpenAI beeinflusst, obwohl Bennett keine formelle Verbindung zu beiden Organisationen unterhält.
Teaching and Mentorship
An der UVM unterrichtet Bennett Graduiertenkurse über Deep learning und Transformer (architecture)-Architekturen sowie ein Seminar im Grundstudium über KI-Ethik. Sie hat 15 Doktoranden und 30 Masterarbeiten betreut, wobei mehrere Alumni nun Forschungspositionen bei Google DeepMind, Amazon Web Services und Intel innehaben. 2018 erhielt sie den Excellence in Teaching Award des UVM College of Engineering, und 2021 wurde sie zur University Distinguished Professor ernannt.
Bennett leitet außerdem die UVM-Initiative „AI for Social Good", die mit lokalen gemeinnützigen Organisationen zusammenarbeitet, um Machine learning auf öffentliche Gesundheit und Umweltüberwachung anzuwenden. Unter ihrer Leitung hat das Programm Datenanreicherungs-Pipelines zur Erkennung seltener Krankheiten und U-Net-Modelle für die Satellitenbildanalyse von Entwaldung eingesetzt.
Professional Service
Bennett war Area Chair für NeurIPS (2019, 2021) und ICML (2020, 2022). Sie ist assoziierte Herausgeberin des Journal of Artificial Intelligence Research (JAIR) und hat mehrere Workshops zu interpretierbarer KI auf großen Konferenzen organisiert. 2017 war sie Ko-Vorsitzende des KI-Tracks des IEEE Symposium on Security and Privacy und verband damit ihre Interessen an Robustheit und adversarialen Angriffen.
Sie ist seit 2016 Panelmitglied des NSF-Programms Cyber-Physical Systems und bewertet Fördervorschläge zur Sicherheit von neuronalen Netzen. Bennett ist außerdem Mitglied des Beirats des Berkeley AI Research-Labors und trägt zu institutionsübergreifenden Kooperationen zur Effizienz von Multi-Head-Attention bei.
Awards and Recognition
Zu Bennetts Auszeichnungen gehören der NSF CAREER Award (2014), die IEEE-Liste „AI's 10 to Watch" (2016) und der UVM Scholar of the Year (2020). Ihr Papier von 2019 über Layer-Normalisierung für Transformatoren erhielt einen Best Paper Award auf der ACL-Konferenz. 2022 wurde sie zum Fellow der AAAI für ihre Beiträge zu robusten Lernalgorithmen gewählt.
Ihre Arbeit wurde mit über 8 Millionen US-Dollar an Zuschüssen von der NSF, der DARPA und privaten Stiftungen finanziert. Bennett hat auch Branchenunterstützung von NVIDIA und Qualcomm für GPU-beschleunigte Forschung an Encoder-Decoder-Modellen erhalten.
Public Engagement
Über die Wissenschaft hinaus schreibt Bennett eine monatliche Kolumne über KI-Ethik für ein nationales Technologiemagazin und hat vor staatlichen Gesetzgebungsausschüssen über algorithmische Fairness ausgesagt. Sie hat eingeladene Vorträge am Stanford AI Lab, an der University of Oxford und bei Nokia Bell Labs gehalten und betont dabei oft die Notwendigkeit von Curriculum-Lern-Strategien in der Bildung. 2023 startete sie eine öffentliche Podcast-Serie, die generative KI für Laien entmystifiziert und über 500.000 Downloads erreicht hat.
Bennett ist außerdem Mitbegründerin des gemeinnützigen AI Literacy Project, das kostenlose Online-Kurse zu den Grundlagen des Machine learning für Oberschüler anbietet. Die Initiative hat bis 2024 20.000 Lernende in 15 Ländern erreicht.
Selected Publications
Zu ihren am häufigsten zitierten Arbeiten gehören „Stable Gradient Clipping for Continual Learning" (2015), „BatchNorm for Recurrent Networks" (2017) und „Detecting Hallucinations in Language Models" (2021). Sie hat über 80 begutachtete Papiere veröffentlicht, mit einem h-Index von 45 laut Google Scholar. Ihr Lehrbuch „Robust Machine Learning" von 2020 wird in Graduiertenprogrammen am MIT CSAIL und an der Carnegie Mellon University verwendet.
Bennetts Forschung wurde in Mainstream-Medien vorgestellt, darunter ein Artikel von 2022 in einem großen Wissenschaftsmagazin, der ihre Arbeit an Top-K Sampling für kreative Textgenerierung hervorhebt. Sie hat außerdem mit Google Cloud an einer Benchmark-Suite für Modellrobustheit zusammengearbeitet, die 2023 öffentlich veröffentlicht wurde.
Personal Life and Legacy
Bennett lebt mit ihrem Partner und zwei Kindern in Burlington, Vermont. Sie ist eine begeisterte Wanderin und hat alle 46 hohen Gipfel der Adirondacks bestiegen. In ihrer Freizeit engagiert sie sich ehrenamtlich in einem lokalen STEM-Outreach-Programm für Mädchen und fördert frühes Interesse an künstlicher Intelligenz.
Ihr Vermächtnis ist geprägt von der Verpflichtung, KI-Systeme sowohl leistungsfähig als auch vertrauenswürdig zu machen. Wie sie in einem Interview von 2023 sagte: „Das Ziel ist nicht nur, Modelle zu bauen, die funktionieren, sondern zu verstehen, warum sie funktionieren und wann sie versagen." Diese Philosophie leitet weiterhin ihre Forschung und Lehre an der UVM.