एलेना ग्लासमैन एक कंप्यूटर वैज्ञानिक और हार्वर्ड विश्वविद्यालय में प्रोफेसर हैं, जहाँ वे मानव-कंप्यूटर इंटरैक्शन (एचसीआई) और मशीन लर्निंग के प्रतिच्छेदन पर शोध का नेतृत्व करती हैं। उनका काम जटिल एआई प्रणालियों को अधिक पारदर्शी, व्याख्या योग्य और उपयोगकर्ताओं की एक विस्तृत श्रृंखला - जिसमें प्रोग्रामर, डिज़ाइनर और गैर-विशेषज्ञ शामिल हैं - के लिए सुलभ बनाने वाले उपकरणों और तकनीकों को विकसित करने पर केंद्रित है। वे विशेष रूप से इंटरैक्टिव मशीन लर्निंग, तंत्रिका नेटवर्क के विज़ुअलाइज़ेशन और एल्गोरिथम आउटपुट की मानवीय समझ का समर्थन करने वाली प्रणालियों में अपने योगदान के लिए जानी जाती हैं।
ग्लासमैन ने कार्नेगी मेलन विश्वविद्यालय से कंप्यूटर विज्ञान में स्नातक की डिग्री और एमआईटी कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता प्रयोगशाला (सीएसएआईएल) से पीएचडी प्राप्त की। उनके डॉक्टरेट शोध, जिसका परामर्श रॉब मिलर ने दिया, ने प्रोग्रामिंग और डिबगिंग के लिए नए इंटरफेस की खोज की, जिसने व्याख्यात्मक एआई पर उनके बाद के काम की नींव रखी। पीएचडी पूरी करने के बाद, वे हार्वर्ड के स्कूल ऑफ इंजीनियरिंग और एप्लाइड साइंसेज में संकाय में शामिल हुईं, जहाँ उन्होंने मानव-कंप्यूटर इंटरैक्शन और मशीन लर्निंग (एचसीआई-एमएल) प्रयोगशाला की स्थापना की।
मशीन लर्निंग के लिए इंटरैक्टिव विज़ुअलाइज़ेशन
ग्लासमैन के शोध का एक केंद्रीय विषय इंटरैक्टिव विज़ुअलाइज़ेशन का विकास है जो लोगों को यह समझने में मदद करता है कि तंत्रिका नेटवर्क निर्णय कैसे लेते हैं। उनकी प्रयोगशाला ने ऐसे उपकरण बनाए हैं जो उपयोगकर्ताओं को मॉडल व्यवहार की जांच करने, सीखी गई विशेषताओं का निरीक्षण करने और संभावित पूर्वाग्रहों या त्रुटियों की पहचान करने की अनुमति देते हैं। उदाहरण के लिए, 'सलामी' और 'दृश्य रूप से डिबगिंग' मॉडल पर उनका काम चिकित्सकों को यह देखने में सक्षम बनाता है कि इनपुट के कौन से हिस्से मॉडल के आउटपुट को प्रभावित करते हैं, जिससे गहन शिक्षण की 'ब्लैक बॉक्स' प्रकृति अधिक पारदर्शी हो जाती है। ये उपकरण वास्तविक दुनिया की सेटिंग्स में उपयोग के लिए डिज़ाइन किए गए हैं, जैसे बड़े भाषा मॉडल को डीबग करना या चिकित्सा इमेजिंग डेटा का विश्लेषण करना।
मानव-केंद्रित एआई और क्राउडसोर्सिंग
ग्लासमैन ने मानव-केंद्रित एआई के क्षेत्र में भी महत्वपूर्ण योगदान दिया है, विशेष रूप से मशीन लर्निंग प्रणालियों को बेहतर बनाने के लिए क्राउडसोर्सिंग का उपयोग करने में। उनका शोध यह पता लगाता है कि गैर-विशेषज्ञ श्रमिकों को डेटा लेबलिंग, मॉडल मूल्यांकन और यहां तक कि एल्गोरिथम डिज़ाइन जैसे कार्यों में प्रभावी ढंग से कैसे शामिल किया जा सकता है। उन्होंने 'क्राउड-स्केल' डिबगिंग के लिए रूपरेखा विकसित की है, जहाँ कई लोग सामूहिक रूप से एआई प्रणालियों में त्रुटियों की पहचान और सुधार करते हैं। यह दृष्टिकोण न केवल मॉडल सटीकता में सुधार करता है बल्कि एआई विकास प्रक्रिया में विविध मानवीय दृष्टिकोणों को शामिल करने का एक तरीका भी प्रदान करता है।
प्रोग्रामर और डिज़ाइनरों के लिए उपकरण
ग्लासमैन के काम का एक और क्षेत्र मशीन लर्निंग और सॉफ्टवेयर विकास के बीच की खाई को पाटने वाले उपकरण बनाना है। उन्होंने ऐसी प्रणालियाँ बनाई हैं जो प्रोग्रामर को एमएल एपीआई का उपयोग करने वाले कोड को समझने और डीबग करने में मदद करती हैं, और डिज़ाइनरों को एआई-संचालित अनुप्रयोगों के लिए इंटरफेस बनाने में सहायता करती हैं। उनका शोध अक्सर यह अध्ययन करता है कि डेवलपर्स मॉडल के बारे में कैसे सोचते हैं और उनके साथ बातचीत करते हैं, जिससे नए डिबगिंग इंटरफेस और परीक्षण पद्धतियों का डिज़ाइन तैयार होता है। यह काम विशेष रूप से प्रासंगिक है क्योंकि जनरेटिव एआई उपकरण रोजमर्रा के सॉफ्टवेयर विकास कार्यप्रवाहों में अधिक एकीकृत होते जा रहे हैं।
शैक्षिक पहल और सार्वजनिक जुड़ाव
अपने शोध के अलावा, ग्लासमैन एआई में शिक्षा और सार्वजनिक जुड़ाव के लिए प्रतिबद्ध हैं। उन्होंने हार्वर्ड में पाठ्यक्रम विकसित किए हैं जो छात्रों को मशीन लर्निंग की तकनीकी नींव और एआई प्रणालियों का मूल्यांकन करने के लिए आवश्यक आलोचनात्मक सोच कौशल दोनों सिखाते हैं। वे एआई साक्षरता को अधिक व्यापक बनाने की वकालत करती हैं, एआई की सीमाओं और सामाजिक प्रभावों को समझने के महत्व पर व्याख्यान देती हैं और लिखती हैं। उनके शिक्षण को पुरस्कारों से मान्यता मिली है, और वे अक्सर उन छात्रों का मार्गदर्शन करती हैं जो शिक्षा और उद्योग दोनों में करियर बनाते हैं।
मान्यता और भविष्य की दिशाएँ
ग्लासमैन का काम शीर्ष एचसीआई और एमएल स्थलों, जिनमें सीएचआई, यूआईएसटी और न्यूरिप्स शामिल हैं, में प्रकाशित हुआ है और उसे कई सर्वश्रेष्ठ पेपर पुरस्कार मिले हैं। उन्हें राष्ट्रीय विज्ञान फाउंडेशन जैसे संगठनों से प्रारंभिक करियर पुरस्कारों से भी सम्मानित किया गया है। उनकी वर्तमान शोध दिशाओं में ट्रांसफार्मर मॉडल को अधिक व्याख्या योग्य बनाने के तरीके तलाशना, मानव-इन-द-लूप लर्निंग के लिए नई विधियाँ विकसित करना और उच्च-दांव वाले डोमेन में एआई तैनात करने के नैतिक निहितार्थों की जांच करना शामिल है। 2020 के दशक के मध्य तक, उनकी प्रयोगशाला मनुष्यों और मशीनों के प्रभावी ढंग से सहयोग करने के तरीके की सीमाओं को आगे बढ़ा रही है, इस पर ध्यान केंद्रित करते हुए कि एआई प्रौद्योगिकियाँ न केवल शक्तिशाली हों बल्कि समझने योग्य और भरोसेमंद भी हों।