OpenAI Scholars 2019: Meet our Scholars
Zusammenfassung
Kurz
OpenAI stellt acht Scholars des 2019 gestarteten Programms vor, die aus unterschiedlichen Fachgebieten kamen und an maschinellem Lernen für Robotik, Sprachverarbeitung, Bildung und weitere Bereiche arbeiteten. Der Beitrag schildert ihre Hintergründe und Projektziele, liefert aber noch keine abschließenden Ergebnisse, da das Programm zum Zeitpunkt des Berichts lief.
Mittel
Der OpenAI-Beitrag von 2019 stellt acht Scholars aus 550 Bewerbungen vor. Sie kamen aus unterschiedlichen Bereichen wie Literatur, Biologie, Statistik, Wirtschaft, Physik und Unternehmensinnovation und waren laut OpenAI meist Neueinsteiger im maschinellen Lernen. Das Programm hatte im Februar begonnen; die Teilnehmenden sollten ihre Fortschritte bloggen und mit einem quelloffenen Abschlussprojekt enden.
Genannte Arbeitsfelder sind bestärkendes Lernen für Robotermanipulation und Sentimentanalyse sowie Verbesserungen beim Schlussfolgern in der Sprachverarbeitung. Die Biografien beschreiben unter anderem Vorhaben zu KI und Bildung, Deep Reinforcement Learning für Gesundheitswesen und Unternehmensführung, der Verallgemeinerungsfähigkeit von Lernverfahren, generativen Modellen für Daten und Bildrekonstruktion sowie natürlichem Sprachverständnis. Die Scholars brachten dafür unter anderem Vorwissen aus Literaturwissenschaft, Zellbiologie, Mathematik, Statistik, Ökonomie und Experimentalphysik mit.
OpenAI hebt ihre fachliche Breite und Eigenmotivation hervor und stellt den Jahrgang als Beispiel für einen zugänglichen Einstieg ins maschinelle Lernen dar. Der Artikel berichtet allerdings über laufende Arbeiten und Ziele, nicht über abgeschlossene Projektergebnisse. AWS stellte laut Beitrag Rechenressourcen bereit; Community-Mentoren berieten die Scholars.
Ausführlich lesen
Der OpenAI-Beitrag stellt den zweiten Jahrgang des OpenAI-Scholar-Programms von 2019 vor. Die acht ausgewählten Scholars kamen laut Beitrag aus 550 Bewerbungen und brachten unterschiedliche Fachkenntnisse mit, darunter Literatur, Philosophie, Zellbiologie, Statistik, Wirtschaftswissenschaften, Quantenphysik und Unternehmensinnovation. OpenAI beschreibt sie als technische Fachkräfte aus verschiedenen Disziplinen, die überwiegend noch am Anfang ihrer Laufbahn im maschinellen Lernen standen.
Das Programm hatte im Februar begonnen und sollte mit einem quelloffenen Abschlussprojekt enden. Währenddessen sollten die Teilnehmenden ihre Fortschritte über Blogs mit der Forschungsgemeinschaft teilen. Der Artikel nennt drei Anwendungsfelder, an denen sie arbeiteten: bestärkendes Lernen für die Robotermanipulation, bessere Schlussfolgerungs- und Inferenzfähigkeiten in der Sprachverarbeitung sowie bestärkendes Lernen für Sentimentanalyse. Die vorgestellten Projekte und Interessen reichten außerdem von Anwendungen des Deep Reinforcement Learning im Gesundheitswesen und in der Unternehmensführung bis zu generativen Modellen für die Analyse und Rekonstruktion von Daten oder Bildern.
Die Kurzbiografien zeigen die fachliche Bandbreite des Jahrgangs. Fatma verband eine Promotion in Vergleichender Literaturwissenschaft mit einem Informatik-Master und wollte Inferenz und Schlussfolgern in der natürlichen Sprachverarbeitung verbessern. Jonathan, ausgebildeter Zellbiologe und Mathematiker, wandte sich der Robotik zu; langfristig interessierte er sich für die Verbindung von maschinellem Lernen, Optimierung und Regelungstheorie. Nancy brachte Erfahrung aus Softwareentwicklung, Mathematik, Psychologie und Bildung mit und wollte interdisziplinäre KI-Prototypen für den Bildungsbereich entwickeln. Elynn, promovierte Statistikerin, arbeitete bei OpenAI an Deep Reinforcement Learning und möglichen Anwendungen im Gesundheitswesen und in der Unternehmensführung.
Helen verband Ressourcenökonomie und Statistik und plante ein Projekt zur Sentimentanalyse mit Reinforcement-Learning-Verfahren. Yuhao studierte maschinelles Lernen und interessierte sich für die Verallgemeinerungsfähigkeit von Lernmethoden. Janet untersuchte, wie generative Modelle wichtige Merkmale in Daten oder Bildern aufzeigen und Rekonstruktionen erzeugen könnten; zugleich leitete sie ein Unternehmen, das unter anderem Augmented und Virtual Reality für traditionelle Branchen einsetzte. Edgar kam aus der Experimentalphysik und konzentrierte sich als Scholar auf natürliches Sprachverständnis.
OpenAI führt die technischen Fähigkeiten, die Eigenmotivation und die fachliche Vielfalt der Scholars als wichtige Voraussetzungen für ein selbstgesteuertes Programm an. Der Beitrag hofft, ihr Fortschritt könne zeigen, dass maschinelles Lernen zugänglich ist, und verweist auf eigene Lernmaterialien. Er beschreibt jedoch vor allem Personen, Arbeitsfelder und Vorhaben: Da das Programm noch lief, enthält der Text keine abschließenden Projektergebnisse oder Belege dafür, wie erfolgreich die Anwendungen waren. Als Unterstützer für Rechenressourcen werden AWS und für die fachliche Begleitung Community-Mentoren genannt.
Gegengeprüft von Claude Haiku 5.5: ok
Luna hat nur die Sammelfragen SF-E1 und SF-T3 eingeordnet; für Teilfragen liegt keine Einordnung vor.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
Unabhängig prüfen
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 72 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Tempo und Grenzen
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 30 %Hintergrund, keine Belege
- JEV 33 %gleiches Oberthema, hilft nicht
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 72 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung kein Bezug
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 56 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 62 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 39 %nur am Rande erwähnt
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 52 %gleiches Oberthema, hilft nicht
- d3-ultra
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 33 %gleiches Oberthema, hilft nicht
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 34 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 25 %gleiches Oberthema, hilft nicht
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra