Los intereses de investigación de Sarah Alnegheimish residen en la intersección del aprendizaje automático y la ingeniería de sistemas. Su objetivo: hacer que los sistemas de aprendizaje automático sean más accesibles, transparentes y confiables.
Alnegheimish es un estudiante de doctorado en el principal científico de investigación del científico de investigación Kalyan Veeramachaneni en el Laboratorio del MIT para Sistemas de Información y Decisión (LIDS). Aquí, ella compromete la mayor parte de su energía para desarrollar Orion, un marco de aprendizaje automático de código abierto y de código abierto y una biblioteca de series de tiempo que es capaz de detectar anomalías sin supervisión en entornos industriales y operativos a gran escala.
Influencia temprana
Hija de una profesora universitaria y educadora docente, aprendió de una edad temprana que el conocimiento debía ser compartido libremente. «Creo que crecer en un hogar donde la educación fue muy valorada es parte de por qué quiero que las herramientas de aprendizaje automático sean accesibles». La experiencia personal de Alnegheimish con recursos de código abierto solo aumentó su motivación. «Aprendí a ver la accesibilidad como la clave para la adopción. Para luchar por el impacto, los que la necesitan es acceder y evaluar la nueva tecnología. Ese es el propósito de hacer un desarrollo de código abierto».
Alnegheimish obtuvo su licenciatura en la Universidad King Saud (KSU). “Estaba en la primera cohorte de especialidades en informática. Antes de que se creara este programa, la única otra especialización disponible en informática fue [information technology]. » Ser parte de la primera cohorte fue emocionante, pero trajo sus propios desafíos únicos. Tener éxito requirió una experiencia de aprendizaje independiente. Fue entonces cuando me encontré por primera vez con MIT OpenCourseWare: como un recurso para enseñarme a mí mismo «.
Poco después de graduarse, Alnegheimish se convirtió en investigador en la Ciudad del Rey Abdulaziz para la Ciencia y la Tecnología (KACST), el laboratorio nacional de Arabia Saudita. A través del Centro de sistemas de ingeniería complejos (CCE) en Kacst y MIT, comenzó a realizar investigaciones con Veeramachaneni. Cuando solicitó al MIT para la escuela de posgrado, su grupo de investigación fue su mejor opción.
Creación de Orion
La tesis maestra de Alnegheimish se centró en la detección de anomalías de series de tiempo: la identificación de comportamientos o patrones inesperados en los datos, que pueden proporcionar a los usuarios información crucial. Por ejemplo, los patrones inusuales en los datos de tráfico de red pueden ser un signo de amenazas de ciberseguridad, las lecturas anormales de los sensores en maquinaria pesada pueden predecir posibles fallas futuras y monitorear los signos vitales del paciente puede ayudar a reducir las complicaciones de salud. Fue a través de la investigación de su maestro que Alnegheimish comenzó a diseñar Orion.
Orion utiliza modelos estadísticos y de aprendizaje automático basados en el aprendizaje que se registran y mantienen continuamente. Los usuarios no necesitan ser expertos en aprendizaje automático para utilizar el código. Pueden analizar señales, comparar métodos de detección de anomalías e investigar anomalías en un programa de extremo a extremo. El marco, el código y los conjuntos de datos son todos de código abierto.
«Con código abierto, accesibilidad y transparencia se logran directamente. Tiene acceso sin restricciones al código, donde puede investigar cómo funciona el modelo a través de la comprensión del código. Hemos aumentado la transparencia con Orion: etiquetamos cada paso en el modelo y lo presentamos al usuario». Alnegheimish dice que esta transparencia ayuda a que los usuarios comiencen a confiar en el modelo antes de que finalmente se ven por sí mismos lo confiable que es.
«Estamos tratando de tomar todos estos algoritmos de aprendizaje automático y ponerlos en un solo lugar para que cualquiera pueda usar nuestros modelos listos para usar», dice ella. «No es solo para los patrocinadores con los que trabajamos en el MIT. Está siendo utilizado por muchos usuarios públicos. Vienen a la biblioteca, la instalan y lo ejecutan en sus datos. Está demostrando ser una gran fuente para que las personas encuentren algunos de los últimos métodos para la detección de anomalías».
Reutilización de modelos para la detección de anomalías
En su doctorado, Alnegheimish está explorando aún más formas innovadoras de hacer la detección de anomalías utilizando Orion. «Cuando comencé mi investigación, todos los modelos de aprendizaje automático debían ser entrenados desde cero en sus datos. Ahora estamos en un momento en el que podemos usar modelos previamente capacitados», dice. Trabajar con modelos previamente capacitados ahorra tiempo y costos computacionales. Sin embargo, el desafío es que la detección de anomalías de series temporales es una tarea nueva para ellos. «En su sentido original, estos modelos han sido entrenados para pronosticar, pero no para encontrar anomalías», dice Alnegheimish. «Estamos presionando sus límites a través de la ingeniería rápida, sin ningún entrenamiento adicional».
Debido a que estos modelos ya capturan los patrones de los datos de la serie temporal, Alnegheimish cree que ya tienen todo lo que necesitan para permitirles detectar anomalías. Hasta ahora, sus resultados actuales respaldan esta teoría. No superan la tasa de éxito de los modelos que están entrenados de forma independiente en datos específicos, pero ella cree que algún día.
Diseño accesible
Alnegheimish habla extensamente sobre los esfuerzos por los que ha realizado para hacer que Orion sea más accesible. «Antes de venir al MIT, solía pensar que la parte crucial de la investigación era desarrollar el modelo de aprendizaje automático en sí o mejorar su estado actual. Con el tiempo, me di cuenta de que la única forma en que puede hacer que su investigación sea accesible y adaptable para otros es desarrollar sistemas que los haga accesibles. Durante mis estudios de posgrado, he adoptado el enfoque de desarrollar mis modelos y sistemas en Tandem».
El elemento clave para el desarrollo de su sistema fue encontrar las abstracciones correctas para trabajar con sus modelos. Estas abstracciones proporcionan representación universal para todos los modelos con componentes simplificados. «Cualquier modelo tendrá una secuencia de pasos para pasar de la entrada sin procesar a la salida deseada. Hemos estandarizado la entrada y la salida, lo que permite que el medio sea flexible y fluido. Hasta ahora, todos los modelos que hemos ejecutado han podido adaptar en nuestras abstracciones». Las abstracciones que usa han sido estables y confiables durante los últimos seis años.
El valor de los sistemas y modelos de construcción simultáneos se puede ver en el trabajo de Alnegheimish como mentor. Tuvo la oportunidad de trabajar con dos estudiantes de maestría que ganaban sus títulos de ingeniería. «Todo lo que les mostré fue el sistema en sí y la documentación de cómo usarlo. Ambos estudiantes pudieron desarrollar sus propios modelos con las abstracciones a las que nos estamos ajustando. Reafirmó que estamos tomando el camino correcto».
Alnegheimish también investigó si un modelo de lenguaje grande (LLM) podría usarse como mediador entre los usuarios y un sistema. El agente LLM que ha implementado puede conectarse a Orion sin que los usuarios necesiten conocer los pequeños detalles de cómo funciona Orion. «Piense en ChatGPT. No tienes idea de lo que el modelo está detrás de él, pero es muy accesible para todos». Para su software, los usuarios solo conocen dos comandos: ajustar y detectar. FIT permite a los usuarios entrenar su modelo, mientras que Detect les permite detectar anomalías.
«El objetivo final de lo que he tratado de hacer es hacer que la IA sea más accesible para todos», dice ella. Hasta ahora, Orion ha alcanzado más de 120,000 descargas, y más de mil usuarios han marcado el repositorio como uno de sus favoritos en GitHub. «Tradicionalmente, solía medir el impacto de la investigación a través de citas y publicaciones en papel. Ahora obtienes la adopción en tiempo real a través de código abierto».
