बेन रेख्त कैलिफोर्निया विश्वविद्यालय, बर्कले में इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर विज्ञान विभाग में प्रोफेसर हैं, जहाँ वे मशीन लर्निंग, अनुकूलन और नियंत्रण के गणितीय आधारों पर केंद्रित एक शोध समूह का नेतृत्व करते हैं। उनका काम कृत्रिम बुद्धिमत्ता के सैद्धांतिक और व्यावहारिक पहलुओं को शामिल करता है, जिसमें स्केलेबल एल्गोरिदम का विकास और आधुनिक AI प्रणालियों के बारे में किए गए दावों का आलोचनात्मक मूल्यांकन शामिल है। रेख्त बर्कले AI अनुसंधान (BAIR) प्रयोगशाला के सह-संस्थापक भी हैं और उन्होंने अमेज़न वेब सर्विसेज में शोध वैज्ञानिक के रूप में कार्य किया है, जहाँ उन्होंने AWS ट्रेनियम चिप्स के विकास में योगदान दिया।
रेख्त ने 2000 में कार्नेगी मेलन विश्वविद्यालय से कंप्यूटर विज्ञान और गणित में स्नातक विज्ञान स्नातक की डिग्री प्राप्त की, और 2006 में स्टैनफोर्ड विश्वविद्यालय से माइकल आई. जॉर्डन के पर्यवेक्षण में कंप्यूटर विज्ञान में पीएच.डी. की। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी में पोस्टडॉक्टरल पद के बाद, वे 2009 में विस्कॉन्सिन-मैडिसन विश्वविद्यालय में संकाय में शामिल हुए, और 2013 में बर्कले में स्थानांतरित हो गए। उन्हें स्लोअन रिसर्च फेलोशिप और NSF करियर अवार्ड सहित कई पुरस्कार मिले हैं।
अनुकूलन और लर्निंग थ्योरी
रेख्त का प्रारंभिक शोध उत्तल अनुकूलन और तंत्रिका नेटवर्क तथा सिग्नल प्रोसेसिंग में इसके अनुप्रयोगों पर केंद्रित था। उन्होंने निम्न-रैंक मैट्रिक्स पूर्णता और पुनर्प्राप्ति के सिद्धांत में महत्वपूर्ण योगदान दिया, जो सहयोगी फ़िल्टरिंग और संपीड़ित संवेदन की समस्याओं के लिए मौलिक हैं। 2013 में प्रकाशित स्टोकेस्टिक औसत ग्रेडिएंट (SAG) एल्गोरिदम पर उनका काम बड़े पैमाने पर मशीन लर्निंग मॉडल को अनुकूलित करने के लिए एक नई विधि प्रदान करता है, और उन्होंने तब से गैर-उत्तल सेटिंग्स में स्टोकेस्टिक ग्रेडिएंट डिसेंट वेरिएंट के व्यवहार का पता लगाया है।
2018 के एक व्यापक रूप से उद्धृत पेपर में, रेख्त और उनके सहयोगियों ने यादृच्छिक रूप से लेबल किए गए डेटा पर प्रशिक्षण देकर तंत्रिका नेटवर्क के सामान्यीकरण का अध्ययन किया। उन्होंने पाया कि गहरे नेटवर्क यादृच्छिक लेबल को पूरी तरह से फिट कर सकते हैं, फिर भी वास्तविक डेटा पर अच्छी तरह से सामान्यीकरण करते हैं, जो नियमितीकरण और मॉडल क्षमता की भूमिका के बारे में पारंपरिक ज्ञान को चुनौती देता है। इस कार्य ने ग्रेडिएंट-आधारित अनुकूलन के अंतर्निहित पूर्वाग्रह और गहन लर्निंग क्यों काम करता है, इसके रहस्य पर शोध के एक बड़े निकाय को जन्म दिया।
AI दावों पर आलोचनात्मक दृष्टिकोण
रेख्त AI अनुसंधान के मूल्यांकन के लिए अपने संदेहपूर्ण और कठोर दृष्टिकोण के लिए जाने जाते हैं। अली रहीमी के साथ सह-लेखित 2021 के एक लेख में, उन्होंने तर्क दिया कि मशीन लर्निंग में कई सफलताएँ अभी तक मजबूत वैज्ञानिक समझ द्वारा समर्थित नहीं हैं, और उन्होंने अधिक सावधानीपूर्वक बेंचमार्किंग और प्रतिलिपि प्रस्तुतीकरण का आह्वान किया। वे बड़े भाषा मॉडल और जनरेटिव AI के आसपास के प्रचार के आलोचक रहे हैं, अक्सर यह बताते हुए कि प्रभावशाली डेमो वास्तविक दुनिया की सेटिंग्स में विश्वसनीय प्रदर्शन में अनुवाद नहीं करते हैं।
उनका ब्लॉग, "बेन रेख्त का ब्लॉग" शीर्षक से, शोधकर्ताओं और चिकित्सकों के लिए एक लोकप्रिय संसाधन बन गया है, जहाँ वे अनुकूलन सिद्धांत से लेकर गहन लर्निंग की व्यावहारिक सीमाओं तक के विषयों पर चर्चा करते हैं। वे अक्सर सरल बेसलाइनों के महत्व पर प्रकाश डालते हैं, जैसे कि रैखिक मॉडल, जो कुछ कार्यों पर जटिल ट्रांसफॉर्मर आर्किटेक्चर से बेहतर प्रदर्शन करते हैं।
नियंत्रण सिद्धांत और रोबोटिक्स
मशीन लर्निंग से परे, रेख्त ने नियंत्रण सिद्धांत में योगदान दिया है, विशेष रूप से लर्निंग-आधारित नियंत्रण के क्षेत्र में। उन्होंने सुदृढीकरण लर्निंग को मॉडल भविष्य कहनेवाला नियंत्रण के साथ संयोजित करने वाले एल्गोरिदम पर काम किया है, और उनके शोध को रोबोटिक्स और स्वायत्त प्रणालियों पर लागू किया गया है। उन्होंने अनुकूलन और नियंत्रण के प्रतिच्छेदन का भी अध्ययन किया है, अज्ञात गतिशीलता वाली प्रणालियों को स्थिर करने के तरीके विकसित किए हैं।
वेमो और अन्य कंपनियों के शोधकर्ताओं के सहयोग से, रेख्त ने पता लगाया है कि लर्निंग-आधारित प्रणालियों को वितरणात्मक बदलाव के प्रति अधिक मजबूत कैसे बनाया जाए, जो सुरक्षा-महत्वपूर्ण डोमेन में AI तैनात करने के लिए एक महत्वपूर्ण चुनौती है। "मजबूत नियंत्रण" ढांचे पर उनका काम प्रभावित करता है कि चिकित्सक मशीन लर्निंग मॉडल में अनिश्चितता के बारे में कैसे सोचते हैं।
शिक्षण और मेंटरशिप
रेख्त एक समर्पित शिक्षक हैं, जिन्होंने स्नातक और स्नातकोत्तर दोनों स्तरों पर अनुकूलन, मशीन लर्निंग और नियंत्रण पर पाठ्यक्रम पढ़ाए हैं। उन्होंने कई पीएच.डी. छात्रों और पोस्टडॉक्टरल शोधकर्ताओं को मेंटर किया है, जो शिक्षा और उद्योग में पदों पर गए हैं, जिनमें OpenAI, Anthropic और Google DeepMind शामिल हैं। उनकी शिक्षण सामग्री, विशेष रूप से उत्तल अनुकूलन पर उनके व्याख्यान नोट्स, दुनिया भर के विश्वविद्यालयों में व्यापक रूप से उपयोग की जाती हैं।
वे पाठ्यक्रम विकास में भी शामिल रहे हैं, पारंपरिक इंजीनियरिंग और आधुनिक डेटा विज्ञान के बीच की खाई को पाटने वाले नए पाठ्यक्रमों को डिजाइन करने में मदद करते हैं। उनका दृष्टिकोण गणितीय कठोरता और व्यावहारिक समस्या-समाधान पर जोर देता है, और वे अक्सर छात्रों को क्षेत्र में प्रचलित धारणाओं पर सवाल उठाने के लिए प्रोत्साहित करते हैं।
उद्योग सहयोग और परामर्श
रेख्त ने अपने पूरे करियर में उद्योग के साथ मजबूत संबंध बनाए रखे हैं। अमेज़न वेब सर्विसेज के साथ अपने काम के अलावा, उन्होंने एप्पल, इंटेल और सैमसंग इलेक्ट्रॉनिक्स सहित विभिन्न प्रौद्योगिकी कंपनियों के लिए परामर्श दिया है। अनुकूलन में उनकी विशेषज्ञता चिप डिजाइन, डेटा सेंटर प्रबंधन और क्लाउड कंप्यूटिंग की समस्याओं पर लागू की गई है। उन्होंने कई स्टार्टअप्स के तकनीकी सलाहकार बोर्डों पर भी कार्य किया है, एल्गोरिदमिक चुनौतियों पर मार्गदर्शन प्रदान किया है।
AWS के साथ उनके सहयोग ने AWS ट्रेनियम के डिजाइन में योगदान दिया, जो मशीन लर्निंग प्रशिक्षण और अनुमान के लिए एक कस्टम चिप है। गहन लर्निंग की कम्प्यूटेशनल बाधाओं में रेख्त की अंतर्दृष्टि ने हार्डवेयर की वास्तुकला को सूचित करने में मदद की, जो अब कई उद्यमों द्वारा उपयोग की जाती है।
पुरस्कार और मान्यता
रेख्त को उनके शोध के लिए कई प्रतिष्ठित पुरस्कार मिले हैं। 2012 में, उन्हें स्लोअन रिसर्च फेलोशिप से सम्मानित किया गया, और 2013 में, उन्होंने NSF करियर अवार्ड प्राप्त किया। उन्हें 2013 में मैट्रिक्स पूर्णता पर काम के लिए इंटरनेशनल कॉन्फ्रेंस ऑन मशीन लर्निंग (ICML) में सर्वश्रेष्ठ पेपर पुरस्कार और 2015 में गैर-उत्तल अनुकूलन में योगदान के लिए कॉन्फ्रेंस ऑन न्यूरल इंफॉर्मेशन प्रोसेसिंग सिस्टम्स (NeurIPS) में सर्वश्रेष्ठ पेपर पुरस्कार से भी मान्यता दी गई है। वे IEEE के फेलो और ACM के सदस्य हैं।
उनके शोध को राष्ट्रीय विज्ञान फाउंडेशन, नौसेना अनुसंधान कार्यालय और रक्षा उन्नत अनुसंधान परियोजना एजेंसी (DARPA) सहित अन्य से अनुदान द्वारा वित्त पोषित किया गया है। उन्होंने प्रमुख सम्मेलनों में मुख्य भाषण दिए हैं और मशीन लर्निंग और अनुकूलन में शीर्ष स्तरीय आयोजनों की कार्यक्रम समितियों में कार्य किया है।
सार्वजनिक जुड़ाव और लेखन
अपने शैक्षणिक कार्यों के अलावा, रेख्त एक सक्रिय सार्वजनिक बुद्धिजीवी हैं। उन्होंने लोकप्रिय आउटलेट्स के लिए लेख लिखे हैं और पॉडकास्ट और समाचार कार्यक्रमों पर साक्षात्कार में चित्रित किए गए हैं, जहाँ वे AI अनुसंधान की स्थिति पर चर्चा करते हैं। वे जटिल तकनीकी विषयों के स्पष्ट और सुलभ स्पष्टीकरण के लिए जाने जाते हैं, और वे अक्सर मशीन लर्निंग के बारे में बिंदुओं को स्पष्ट करने के लिए नियंत्रण सिद्धांत और भौतिकी से उपमाओं का उपयोग करते हैं।
वे खुले विज्ञान के मुखर समर्थक भी रहे हैं, अपने प्रयोगों के लिए कोड और डेटा प्रकाशित करते हैं, और दूसरों को भी ऐसा करने के लिए प्रोत्साहित करते हैं। उनके ब्लॉग पोस्ट शैक्षणिक पेपरों में उद्धृत किए गए हैं और क्षेत्र की दिशा के बारे में बहस छेड़ दी है, विशेष रूप से AI अनुसंधान में प्रतिलिपि प्रस्तुतीकरण संकट के संबंध में।
वर्तमान शोध दिशाएँ
2024 तक, रेख्त का शोध अनुकूलन, सांख्यिकी और नियंत्रण के प्रतिच्छेदन पर केंद्रित है, जिसमें उन तरीकों को विकसित करने पर जोर दिया गया है जो सैद्धांतिक रूप से ध्वनि और व्यावहारिक रूप से प्रभावी दोनों हैं। वे विशेष रूप से "अनुकूलन सीखने" की समस्या में रुचि रखते हैं, जहाँ मशीन लर्निंग का उपयोग अनुकूलन एल्गोरिदम को स्वयं बेहतर बनाने के लिए किया जाता है। वे बड़े मॉडलों को अधिक कुशल और मजबूत बनाने के लिए मॉडल प्रूनिंग और डेटा ऑगमेंटेशन के उपयोग की भी खोज कर रहे हैं।
वे BAIR और अन्य संस्थानों के शोधकर्ताओं के साथ सहयोग जारी रखते हैं, और उनके हालिया काम ने भाषा मॉडल के अंशांकन और ध्यान तंत्र की सीमाओं जैसे विषयों को छुआ है। वे जनरेटिव AI के वादों और नुकसानों के बारे में चल रही बातचीत में एक प्रमुख आवाज बने हुए हैं, समुदाय से प्रचार के बजाय मापने योग्य प्रगति पर ध्यान केंद्रित करने का आग्रह करते हैं।
विरासत और प्रभाव
बेन रेख्त का प्रभाव उनके तकनीकी योगदान से परे है। उन्होंने मशीन लर्निंग अनुसंधान की संस्कृति को आकार देने में मदद की है, कठोरता, संदेह और बौद्धिक ईमानदारी को बढ़ावा दिया है। मूल बातों को समझने पर उनका आग्रह छात्रों और शोधकर्ताओं की एक पीढ़ी को नवीनतम रुझानों से परे देखने और एल्गोरिदम कैसे और क्यों काम करते हैं, इसके बारे में गहरे प्रश्न पूछने के लिए प्रेरित किया है। उनके काम ने अधिक विश्वसनीय और भरोसेमंद AI प्रणालियों के विकास के लिए महत्वपूर्ण आधार तैयार किया है, और उनका आलोचनात्मक दृष्टिकोण क्षेत्र में अक्सर अत्यधिक आशावादी कथाओं के प्रति संतुलन के रूप में कार्य करता है।