Rachel Thomas ist eine Informatikerin, Pädagogin und Unternehmerin, die vor allem als Mitbegründerin von fast.ai bekannt ist, einer Organisation, die sich der Aufgabe widmet, Deep Learning für ein breites Publikum zugänglich zu machen. Ihre Arbeit konzentriert sich darauf, die technischen Hürden für den Einstieg in künstliche Intelligenz zu senken und ethische Überlegungen in diesem Bereich zu fördern. Vor ihrer unternehmerischen Karriere sammelte sie Branchenerfahrung als Maschinenlern-Ingenieurin bei Uber, wo sie an angewandten Maschinenlern-Problemen arbeitete.
Thomas' Beiträge gehen über die technische Entwicklung hinaus und umfassen bedeutendes Engagement für Vielfalt und Fairness in der KI. Sie hat algorithmische Verzerrungen lautstark kritisiert und daran gearbeitet, Bildungsressourcen zu schaffen, die Menschen aus unterrepräsentierten Gruppen befähigen, an der KI-Gemeinschaft teilzunehmen. Ihr Ansatz betont praktisches, handlungsorientiertes Lernen, oft unter Verwendung von neuronale Netze-Frameworks, um komplexe Konzepte zu vermitteln.
Frühe Karriere und Bildung
Thomas absolvierte ein Graduiertenstudium in Mathematik und erwarb einen Doktortitel in diesem Fach. Ihr akademischer Hintergrund bot eine starke Grundlage in den theoretischen Aspekten von Berechnungund Statistik, die sie später auf ihre Arbeit im Maschinenlernen anwandte. Vor ihrem Eintritt bei Uber bekleidete sie Positionen in der Wissenschaftund der Technologiebranche, wo sie Fachkenntnisse in Datenanalyseund Softwareentwicklung entwickelte.
Bei Uber arbeitete Thomas als Maschinenlern-Ingenieurinund trug zu Projekten bei, die den Aufbauund die Bereitstellung von Modellen für verschiedene betriebliche Anforderungen umfassten. Diese Rolle gab ihr Erfahrung aus erster Hand mit den Herausforderungen der Anwendung von Deep-Learning-Techniken in einer Produktionsumgebung großer Maßstäbe, einschließlich Fragen der Datenqualität, Modellbewertungund Systemzuverlässigkeit.
Gründung von fast.ai
Im Jahr 2016 gründete Thomas fast.ai zusammen mit Jeremy Howard, einem ehemaligen Präsidenten von Kaggle. Die Mission der Organisation war es, einen kostenlosen, praktischen Kurs zu schaffen, der jedem mit grundlegenden Programmierkenntnissen ermöglichen würde, zu lernen, wie man neuronale Netze-Modelle aufbautund trainiert. Der erste Kurs, "Practical Deep Learning for Coders," wurde 2017 gestartetund wurde schnell beliebt für seinen Top-Down-Lehransatz, der betonte, schnell Ergebnisse zu erzielen, bevor man in die zugrunde liegende Theorie eintaucht.
Die Methodik von fast.ai war einflussreich in der Deep-Learning-Gemeinschaft. Die Plattform führte Techniken wie Transfer Learningund Lernraten-Zeitpläne-Optimierung ein, die es den Studierenden ermöglichten, hochmoderne Ergebnisse bei Aufgaben wie Bildklassifikation mit begrenzten Rechenressourcen zu erzielen. Die begleitende fastai-Softwarebibliothek, die auf PyTorch aufbaut, bot eine Hochlevel-API, die den Prozess des Aufbausund Trainierens von Modellen vereinfachte, was sie zu einem weit verbreiteten Werkzeug sowohl in der Bildung als auch in der Forschung machte.
Engagement für Ethik und KI
Thomas war eine prominente Stimme in Diskussionen über die gesellschaftlichen Auswirkungen von künstlicher Intelligenz. Sie hat ausführlich über die Gefahren algorithmischer Verzerrungen geschriebenund gesprochen, insbesondere in Systemen, die marginalisierte Gemeinschaften betreffen. Ihre Kritiken heben oft hervor, wie Maschinenlern-Modelle bestehende Ungleichheiten aufrechterhalten können, wenn sie nicht sorgfältig entworfenund geprüft werden.
Sie hat sich auch für eine größere Vielfalt im KI-Bereich eingesetzt. Thomas ko-organisierte Workshopsund Initiativen, die darauf abzielten, Frauenund andere unterrepräsentierte Gruppen in der Technologie zu unterstützen. Sie hat argumentiert, dass ein Mangel an vielfältigen Perspektiven in der KI-Entwicklung zu Systemen führt, die nicht allen Nutzern gerecht dienen. Ihre Arbeit in diesem Bereich wurde durch Einladungen zu Vorträgen bei großen Konferenzenund Universitäten anerkannt, einschließlich Stanford AI Labund Berkeley AI Research.
Lehre und öffentliches Engagement
Über fast.ai hinaus hat Thomas durch verschiedene öffentliche Kanäle zur KI-Bildung beigetragen. Sie hat Artikel für prominente Publikationen geschrieben, die komplexe KI-Konzepte einem allgemeinen Publikum erklären. Ihr Schreiben entmystifiziert oft technischen Jargonund bietet klare Erklärungen, wie große Sprachmodelleund andere moderne KI-Systeme funktionieren.
Sie war auch an der Erstellung von Ressourcen für Journalistenund politische Entscheidungsträger beteiligt, um ihnen zu helfen, die Fähigkeitenund Grenzen aktueller KI-Technologien zu verstehen. Diese Bildungsarbeit ist Teil ihres breiteren Ziels, eine informiertere öffentliche Debatte über KI zu fördern, die über Hype hinaus zu einem realistischen Verständnis sowohl ihres Potenzials als auch ihrer Risiken gelangt.
Vermächtnis und Wirkung
Die fast.ai-Kurse wurden von Hunderttausenden von Studierenden weltweit genutzt, von denen viele Karrieren in der KI-Forschungund im Ingenieurwesen eingeschlagen haben. Der Schwerpunkt der Plattform auf Zugänglichkeit wurde dafür gewürdigt, die Deep-Learning-Bildung zu demokratisieren, indem sie es Menschen ohne fortgeschrittene Abschlüsse in Informatik ermöglichte, in das Feld einzusteigen.
Thomas' Arbeit hat beeinflusst, wie KI gelehrt wird, wobei viele andere Bildungsinitiativen ähnliche praktik-orientierte Ansätze übernommen haben. Ihr Einsatz für ethische KI hat auch zu einem wachsenden Bewusstsein für die Notwendigkeit verantwortungsvoller Entwicklungspraktiken beigetragen. Seit den frühen 2020er Jahren bleibt sie eine aktive Teilnehmerin an KI-Forschungund -Bildung, mit dem Fokus darauf, sicherzustellen, dass die Vorteile von KI breit über die Gesellschaft verteilt werden.