Willkommen, Professor Niao He

Frau Professor He, willkommen an der ETH Zürich! Was sind Ihre aktuellen Forschungsinteressen?
Meine Forschung liegt an der Schnittstelle von Operations Research und maschinellem Lernen, mit einem primären Schwerpunkt auf den algorithmischen und theoretischen Grundlagen datengesteuerter Entscheidungsfindung. Das Ziel meiner Forschung ist die Nutzung von Daten, Optimierung und Lernen, um nachweislich effiziente, zuverlässige und intelligente Entscheidungen für die KI der nächsten Generation zu treffen. Zu meinen Hauptforschungsinteressen gehören Optimierung im grossen Massstab, Optimierung unter Unsicherheit, Reinforcement Learning und probabilistische Inferenz. Ich interessiere mich auch für die Entwicklung von Modellen und Algorithmen des maschinellen Lernens für interdisziplinäre Anwendungen in der Betriebsführung, Robotik, Analytik im Gesundheitswesen etc.

Welche Auswirkungen hat Ihre Forschung auf die Gesellschaft?
Das maschinelle Lernen (insbesondere Deep Learning und Deep Reinforcement Learning) hat in den letzten zehn Jahren eine phänomenale Popularität erreicht und atemberaubende Fortschritte in der praktischen Anwendung gemacht. Neben der beispiellosen Datenmenge und Rechenleistung hängt der Erfolg auch stark von effizienter Heuristik, Hyperparameter-Tuning, empirischer Exploration und Architektur-Engineering ab. Infolgedessen sind selbst die modernsten Umsetzungen häufig begrenzt durch unzureichendes theoretisches Verständnis, Interpretierbarkeit und Belastbarkeit der Modelle. Das erschwert ihren Einsatz in der unsicheren realen Welt. Meine Forschung konzentriert sich auf die Entwicklung grundlegender Prinzipien für maschinelles Lernen aus der neuen Perspektive der Optimierung. Dies öffnet einen Weg zu prinzipientreuen, vielseitigen und robusten Algorithmen mit sowohl theoretischer als auch praktischer Effizienz. Ich halte es für unerlässlich, diese Lücken zwischen Theorie und Praxis zu überbrücken, um dazu beizutragen, die Entwicklung vertrauenswürdiger KI zu beschleunigen und ihre Anwendbarkeit in unserem täglichen Leben zu erweitern.

Wo haben Sie gearbeitet, bevor Sie an die ETH Zürich kamen?
Bevor ich an die ETH Zürich kam, war ich seit 2016 Assistenzprofessorin an der University of Illinois at Urbana-Champaign. Davor erhielt ich 2015 meinen Doktortitel von der Georgia Tech.

Welche Lehrveranstaltungen werden Sie an der ETH unterrichten?
Ich werde Bachelor- und Masterkurse in Datenwissenschaften und maschinellem Lernen unterrichten. Ich freue mich auch darauf, neue Kurse zu Big-Data-Optimierung und Reinforcement Learning zu entwickeln, um die Studierenden an die vorderste Front der Forschung in diesen Bereichen zu bringen.

Was sind Ihre ersten Eindrücke von der Schweiz und der ETH Zürich?
Obwohl ich die Schweiz und die ETH Zürich wegen der Pandemie nicht vorher besuchen konnte, war mein virtueller Besuch des Landes und der Hochschule bereits beeindruckend – die herrliche Landschaft, die Diversität und vor allem auch die enthusiastische und offene Kultur hier. Die Dozierenden und Mitarbeitenden der ETH Zürich waren unglaublich zuvorkommend und hilfsbereit und haben uns den Übergang von einem Kontinent zum anderen so einfach gemacht. Ich freue mich sehr, Teil dieser wunderbaren Gruppe zu sein.

Welchen Rat würden Sie Studierenden geben, die gerade erst in die Informatik einsteigen?
Die Informatik entwickelt sich schnell. Die Laufbahn der PhD-Forschung in diesem Bereich ist selbst ein Prozess des Reinforcement Learning. Hier sind drei Ratschläge, die der Weisheit der Reinforcement-Learning-Algorithmen entlehnt sind:

1. Abwägen von Exploration und Exploitation: Lesen Sie breit, aber denken Sie tief und kritisch nach;
2. Optimismus im Angesicht der Unsicherheit: Streben Sie nach der langfristigen Belohnung und dem grossen Ziel, lassen Sie sich nicht durch kleine Rückschläge unterkriegen;
3. Geben Sie sich nie mit suboptimalen Lösungen zufrieden: Verbessern Sie sich weiter und machen Sie stets progressive Schritte.