Ce Zhang es un informático y académico conocido por sus contribuciones a los sistemas de aprendizaje automático y la gestión de datos. Es profesor asociado en la Universidad de Chicago y cofundador de Together AI, una empresa centrada en la infraestructura de IA generativa de código abierto. Su investigación une la inteligencia artificial con el diseño de bases de datos y sistemas, con el objetivo de hacer que el aprendizaje automático sea más eficiente y accesible.
El trabajo de Zhang ha sido reconocido con múltiples premios, incluida una Beca de Investigación Sloan y un Premio CAREER de la NSF. Ha publicado extensamente en foros de primer nivel como SIGMOD, VLDB y NeurIPS, y su investigación ha influido tanto en las prácticas académicas como industriales para el despliegue de modelos de IA a gran escala.
Primeros años y educación
Zhang recibió su doctorado en informática en la Universidad de Toronto, donde trabajó bajo la supervisión de Renée J. Miller. Su investigación doctoral se centró en la integración y limpieza de datos, lo que más tarde informó su interés en aplicar estas técnicas a los flujos de trabajo de aprendizaje automático. Antes de unirse a la Universidad de Chicago, fue investigador postdoctoral en el Laboratorio de IA de Stanford, colaborando con Christopher Ré en el sistema DeepDive, que utilizaba inferencia estadística para la extracción de información de datos no estructurados.
Contribuciones a la investigación
La investigación de Zhang se centra en la intersección de la gestión de datos y el aprendizaje automático. Ha desarrollado sistemas que optimizan el entrenamiento y la inferencia de modelos de aprendizaje profundo aprovechando principios de bases de datos como indexación, compresión y optimización de consultas. Un proyecto notable es la implementación de SGD paralelo estilo "Hogwild!", que demostró cómo escalar variantes de SGD en sistemas multinúcleo sin bloqueo, logrando aceleraciones casi lineales.
También contribuyó al desarrollo de "Cerebro", un sistema para la selección y gestión de modelos a gran escala, que permite a los científicos de datos explorar eficientemente los espacios de hiperparámetros. Su trabajo en técnicas de "LazyBatching" y "DataSkipping" ha mejorado el rendimiento del entrenamiento de redes neuronales en datos relacionales, reduciendo los costos de E/S y computación. Estas contribuciones han sido ampliamente citadas y han influido en investigaciones posteriores en el campo de los sistemas de ML.
Together AI e impacto en la industria
En 2022, Zhang cofundó Together AI junto con otros investigadores e ingenieros. La empresa proporciona infraestructura en la nube para entrenar y ejecutar modelos de lenguaje grandes, con un enfoque en modelos y herramientas de código abierto. La plataforma de Together AI admite modelos populares como Llama y Mistral, ofreciendo servicios para ajuste fino, inferencia y despliegue. La empresa ha recaudado financiamiento significativo y se ha convertido en un actor clave en el ecosistema de IA generativa, compitiendo con proveedores de nube más grandes al ofrecer soluciones especializadas y rentables.
El papel de Zhang en Together AI implica guiar la dirección técnica, particularmente en la optimización del rendimiento de las arquitecturas transformers en sistemas distribuidos. Sus conocimientos académicos han dado forma directamente al enfoque de la empresa para construir infraestructura de IA escalable, y continúa uniendo la investigación y la práctica industrial.
Docencia y mentoría
En la Universidad de Chicago, Zhang imparte cursos sobre sistemas de aprendizaje automático y gestión de datos. Ha asesorado a numerosos estudiantes de doctorado y posdoctorados, muchos de los cuales han pasado a ocupar puestos en la academia y la industria. Su enseñanza enfatiza la experiencia práctica en la construcción y despliegue de sistemas de IA, alentando a los estudiantes a comprender tanto los fundamentos teóricos como los desafíos prácticos de ingeniería.
Zhang también ha participado activamente en la organización de conferencias y talleres académicos, sirviendo en comités de programa para foros importantes como NeurIPS, ICML y SIGMOD. Es un firme defensor de la reproducibilidad en la investigación de IA, y su laboratorio mantiene código abierto y puntos de referencia para los sistemas que desarrollan.
Reconocimientos y premios
Las contribuciones de Zhang han sido reconocidas con varios honores. Recibió la Beca de Investigación Sloan en 2021, que se otorga a científicos en etapa inicial de carrera con promesa excepcional. También recibió el Premio CAREER de la NSF, una subvención prestigiosa para profesores junior. Su artículo sobre "Cerebro" ganó el Premio al Mejor Artículo en ICDE 2020, y su trabajo sobre algoritmos estilo "Hogwild!" ha sido reconocido como una contribución fundamental al aprendizaje automático paralelo.
Ha sido invitado a dar charlas principales en varias conferencias y talleres, y su investigación ha sido destacada en medios que cubren avances en IA. Su trabajo con Together AI también ha sido resaltado en informes de la industria sobre el creciente panorama de proveedores de infraestructura de IA.
Direcciones futuras
Zhang continúa explorando nuevas fronteras en sistemas de aprendizaje automático, incluidos métodos de entrenamiento eficientes para redes residuales y otras arquitecturas, así como técnicas para poda de modelos y aumento de datos. Está interesado en hacer que la IA sea más sostenible al reducir los recursos computacionales necesarios para entrenar modelos grandes. Su investigación en curso tiene como objetivo desarrollar sistemas que puedan adaptarse a distribuciones de datos cambiantes y admitir inferencia en tiempo real a escala.
Como cofundador de Together AI, Zhang también se centra en democratizar el acceso a la IA, asegurando que investigadores y desarrolladores puedan aprovechar modelos potentes sin costos prohibitivos. Su doble papel como académico y emprendedor lo posiciona para influir tanto en la evolución teórica como práctica de la inteligencia artificial en los próximos años.