엘레나 글래스먼은 하버드 대학교의 컴퓨터 과학자이자 교수로, 인간-컴퓨터 상호작용(HCI)과 머신러닝의 교차점에서 연구를 이끌고 있다. 그녀의 연구는 복잡한 AI 시스템을 프로그래머, 디자이너, 비전문가를 포함한 다양한 사용자에게 더 투명하고, 해석 가능하며, 접근 가능하게 만드는 도구와 기술을 개발하는 데 초점을 맞추고 있다. 그녀는 특히 대화형 머신러닝, 신경망 시각화, 그리고 알고리즘 출력에 대한 인간의 이해를 지원하는 시스템에 대한 기여로 잘 알려져 있다.
글래스먼은 카네기 멜론 대학교에서 컴퓨터 과학 학사 학위를, MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)에서 박사 학위를 받았다. 롭 밀러의 지도 아래 수행된 그녀의 박사 연구는 프로그래밍과 디버깅을 위한 새로운 인터페이스를 탐구했으며, 이는 이후 설명 가능한 AI에 대한 그녀의 작업의 기초가 되었다. 박사 학위를 마친 후, 그녀는 하버드 공학 및 응용 과학 대학의 교수진에 합류하여 인간-컴퓨터 상호작용 및 머신러닝(HCI-ML) 연구실을 설립했다.
머신러닝을 위한 대화형 시각화
글래스먼 연구의 핵심 주제는 사람들이 신경망이 어떻게 결정을 내리는지 이해하도록 돕는 대화형 시각화의 개발이다. 그녀의 연구실은 사용자가 모델 동작을 조사하고, 학습된 특징을 검사하며, 잠재적인 편향이나 오류를 식별할 수 있는 도구를 만들었다. 예를 들어, '샐러미' 및 '시각적 디버깅' 모델에 대한 그녀의 작업은 실무자가 입력의 어떤 부분이 모델 출력에 영향을 미치는지 확인할 수 있게 하여 딥러닝의 '블랙 박스' 특성을 더 투명하게 만든다. 이러한 도구는 대규모 언어 모델 디버깅이나 의료 영상 데이터 분석과 같은 실제 환경에서 사용되도록 설계되었다.
인간 중심 AI와 크라우드소싱
글래스먼은 또한 인간 중심 AI 분야, 특히 크라우드소싱을 활용한 머신러닝 시스템 개선에 상당한 기여를 했다. 그녀의 연구는 비전문가 작업자가 데이터 라벨링, 모델 평가, 심지어 알고리즘 설계와 같은 작업에 효과적으로 참여할 수 있는 방법을 탐구한다. 그녀는 많은 사람들이 AI 시스템의 오류를 협력적으로 식별하고 수정하는 '크라우드 규모' 디버깅을 위한 프레임워크를 개발했다. 이 접근 방식은 모델 정확도를 향상시킬 뿐만 아니라 다양한 인간 관점을 AI 개발 과정에 통합하는 방법을 제공한다.
프로그래머와 디자이너를 위한 도구
글래스먼의 또 다른 작업 영역은 머신러닝과 소프트웨어 개발 사이의 격차를 해소하는 도구를 만드는 것이다. 그녀는 ML API를 사용하는 코드를 프로그래머가 이해하고 디버깅하는 데 도움을 주는 시스템과 AI 기반 애플리케이션을 위한 인터페이스를 디자이너가 만들 수 있도록 지원하는 시스템을 구축했다. 그녀의 연구는 종종 개발자가 모델을 어떻게 생각하고 상호작용하는지 연구하여 새로운 디버깅 인터페이스와 테스트 방법론의 설계로 이어진다. 이 작업은 생성형 AI 도구가 일상적인 소프트웨어 개발 워크플로우에 더 통합됨에 따라 특히 관련이 있다.
교육 이니셔티브와 공공 참여
연구 외에도 글래스먼은 AI 교육과 공공 참여에 헌신하고 있다. 그녀는 하버드에서 학생들에게 머신러닝의 기술적 기초와 AI 시스템을 평가하는 데 필요한 비판적 사고 능력을 모두 가르치는 강좌를 개발했다. 그녀는 또한 AI 리터러시를 더 널리 보급하는 것을 옹호하며, AI의 한계와 사회적 영향을 이해하는 중요성에 대해 강연하고 글을 쓰고 있다. 그녀의 교육은 상으로 인정받았으며, 그녀는 학계와 산업계에서 경력을 쌓는 학생들을 자주 멘토링한다.
인정과 향후 방향
글래스먼의 연구는 CHI, UIST, NeurIPS를 포함한 최고의 HCI 및 ML 학회에 게재되었으며 여러 최우수 논문상을 수상했다. 그녀는 또한 국립과학재단과 같은 기관에서 조기 경력 상을 받았다. 그녀의 현재 연구 방향은 트랜스포머 모델을 더 해석 가능하게 만드는 방법 탐구, 인간 참여형 학습의 새로운 방법 개발, 그리고 고위험 영역에서 AI 배포의 윤리적 영향 조사를 포함한다. 2020년대 중반 현재, 그녀의 연구실은 인간과 기계가 효과적으로 협력할 수 있는 방법의 경계를 계속 넓히고 있으며, AI 기술이 강력할 뿐만 아니라 이해 가능하고 신뢰할 수 있도록 보장하는 데 초점을 맞추고 있다.