การสร้างผลกระทบบางครั้งหมายถึงการเสียสละความลึกเพื่อความกว้าง

ในซีรีส์ Author Spotlight บรรณาธิการ TDS สนทนากับสมาชิกในชุมชนของเราเกี่ยวกับเส้นทางอาชีพด้านวิทยาศาสตร์ข้อมูล การเขียน และแหล่งที่มาของแรงบันดาลใจ วันนี้เรารู้สึกตื่นเต้นที่จะแบ่งปันบทสนทนาของเรากับAdrienne Kline

Adrienne Kline เป็นเพื่อนหลังปริญญาเอกในภาควิชาเวชศาสตร์ป้องกันที่มหาวิทยาลัยนอร์ธเวสเทิร์น เธอสำเร็จการศึกษาระดับปริญญาเอก ในวิศวกรรมชีวการแพทย์ (ที่มีความเชี่ยวชาญด้านการถ่ายภาพในการเรียนรู้ของเครื่อง) แพทยศาสตรบัณฑิตสาขาการแพทย์ ในสาขาวิศวกรรมไฟฟ้า

ความสนใจของเธออยู่ที่จุดตัดของการแพทย์และวิศวกรรม โดยเฉพาะอย่างยิ่งในการใช้ประโยชน์จากการสนับสนุนการตัดสินใจด้วยอัลกอริทึมสำหรับการประยุกต์ใช้การแปลกับการแพทย์ งานของเธอนำไปสู่การพัฒนาวิธีการใหม่ในการจัดการข้อมูลที่ขาดหายไป เมตริกที่เป็นนวัตกรรมใหม่สำหรับการประเมินความน่าเชื่อถือของการคาดการณ์ของแมชชีนเลิร์นนิง และการรวมข้อมูลของสตรีมข้อมูลต่อเนื่องหลายรูปแบบ โดยเน้นที่ข้อมูลเชิงโครงสร้าง การมองเห็นด้วยคอมพิวเตอร์ การเรียนรู้แบบเสริมกำลัง และอัลกอริธึมเชิงกำเนิด เธอหวังที่จะเปลี่ยนแปลงประสิทธิภาพและความน่าเชื่อถือในการใช้ยา

หัวข้อและโครงการประเภทใดที่คุณสนใจมากที่สุดในทุกวันนี้

งานของฉันมักประกอบด้วยการผสมผสานระหว่างแอปพลิเคชันและวิธีการใหม่ๆ แอปพลิเคชัน เนื่องจากฉันมักจะต้องการใช้ประโยชน์จากเครื่องมือที่มีอยู่สำหรับงาน แต่เมื่อเครื่องมือที่ฉันต้องการไม่มีอยู่ในฟิลด์ ฉันพยายามสร้างมันขึ้นมา ปัจจุบัน ฉันกำลังทำงานกับเครื่องมือเพิ่มความสามารถในการใส่ข้อมูลใหม่และการเรียนรู้ด้วยเครื่อง ซึ่งทั้งสองอย่างนี้เป็นวิธีการและต้องใช้คณิตศาสตร์เป็นหลัก

อีกสองโครงการที่ฉันกำลังดำเนินการในสาขาโรคหัวใจอยู่ในแบบจำลองกำเนิดและการเรียนรู้แบบเสริมแรง สิ่งเหล่านี้มีทั้งแบบอิงตามแอปพลิเคชันและทำหน้าที่ปรับปรุงความน่าเชื่อถือของการตัดสินใจในผู้ป่วยหัวใจล้มเหลว นอกจากนี้ ฉันค้นหาโครงการใหม่ที่รวมฮาร์ดแวร์และซอฟต์แวร์เมื่อฉันพบปัญหาที่เรียกใช้พวกเขา ฉันมักจะกลับไปใช้ทฤษฎี แก้ปัญหาที่มีความหมาย

ในฐานะคนที่มีภูมิหลังแบบสหสาขาวิชาชีพในด้านวิศวกรรม การเรียนรู้ของเครื่อง และการแพทย์ คุณตัดสินใจเลือกเส้นทางอาชีพอย่างไร

อาชีพด้านการเรียนรู้ด้วยเครื่องของฉันเริ่มต้นในช่วงหลัง ๆ ของการศึกษาระดับปริญญาตรีด้านวิศวกรรม โปรเจกต์สุดหินของฉันอยู่ที่ส่วนต่อประสานระหว่างสมองกับคอมพิวเตอร์ (BCIs) — ทำงานในการประมวลผลสัญญาณ/ภาพเพื่อควบคุมมือหุ่นยนต์โดยใช้

หลังจากจบปริญญาตรี ฉันได้รับการตอบรับให้เข้าเรียนในหลักสูตรปริญญาเอกและแพทยศาสตรบัณฑิตพร้อมกัน และเลือกที่จะเลื่อนการเรียนแพทย์ในขณะที่ฉันสำเร็จการศึกษาระดับบัณฑิตศึกษา ในช่วงปริญญาเอกของฉัน ฉันยังคงใช้การเรียนรู้ของเครื่องในหุ่นยนต์ BCI ที่ฉันออกแบบโดยใช้ fMRI (การถ่ายภาพด้วยคลื่นแม่เหล็กไฟฟ้าเชิงฟังก์ชัน) และ EEG สำหรับผู้ป่วยที่ได้รับบาดเจ็บที่ไขสันหลัง

เมื่อฉันเริ่มเรียนโรงเรียนแพทย์โดยเปิดเลนส์ด้านวิศวกรรม ฉันเริ่มเห็นคุณค่าความแตกต่างและความยากของการตัดสินใจทางการแพทย์ การแพทย์เป็นอาชีพที่เรียกร้อง แต่เมื่อฉันได้เรียนรู้วิธีคิดแบบแพทย์ ฉันเริ่มสังเกตเห็นหลายๆ วิธีที่ฉันต้องการปรับปรุงกระบวนทัศน์ปัจจุบัน แม้ว่าเพื่อนร่วมชั้นขี้กังวลของฉันจะดูล้ำหน้า แต่ฉันก็คาดการณ์ถึงการจับคู่ที่อยู่อาศัยเพราะฉันมองว่าตัวเองเป็นสะพานเชื่อมระหว่างโลกมากกว่าที่จะเป็นแพทย์

ฉันสนุกกับการดูแลผู้ป่วย แต่บทบาทในอุดมคติของฉัน ซึ่งเล่นตามจุดแข็งของฉัน กลายเป็นบทบาทที่ฉันสามารถให้การดูแลผู้ป่วยที่ฉันไม่เคยพบ โดยเสียสละความลึกเพื่อความกว้าง ฉันพูดเสมอว่าฉันไม่ได้ทำงาน ฉันทำตามหน้าที่ ซึ่งฉันสามารถทำงาน 'ที่ม้านั่ง' ได้ จัดการทีมวิศวกรและนักวิทยาศาสตร์ ร่วมมือกับพันธมิตรแพทย์ของเรา และพูดทั้งสองภาษา ด้วยความน่าเชื่อถือ

ท้ายที่สุด ฉันต้องการพัฒนาและแปลเทคโนโลยี (อัลกอริทึม อุปกรณ์ ข้อมูล) ที่ปรับปรุงความน่าเชื่อถือ ลดค่าใช้จ่าย และปรับปรุงประสิทธิภาพการดูแลผู้ป่วย

ผู้ปฏิบัติงานด้านข้อมูลในปัจจุบันมีทางเลือกในอาชีพมากมาย คำถามประเภทใดที่คุณแนะนำให้พวกเขาถามตัวเองขณะออกเดินทาง

มีโอกาสมากมายในสาขาที่เฟื่องฟูและน่าตื่นเต้นนี้

ฉันคิดว่ามันเป็นเรื่องง่ายที่จะขายด้วยคำศัพท์ยอดนิยมด้วยการใช้วลี "ปัญญาประดิษฐ์" มากเกินไป ในท้ายที่สุด การตัดสินใจด้านอาชีพเป็นการตัดสินตามคุณค่าซึ่งขึ้นอยู่กับแต่ละบุคคล หากคุณมีแรงจูงใจจากเงินเดือน คุณก็ดีกว่าในอุตสาหกรรมนี้ หากคุณต้องการเดินขบวนไปตามจังหวะเสียงกลองของคุณเอง สถาบันการศึกษาหรือสตาร์ทอัพอาจเหมาะกับคุณ

ที่กล่าวว่ามันเคยเป็นสถาบันการศึกษาเทียบกับอุตสาหกรรม แต่หลายบริษัทมีแผนก R&D ที่เข้มงวดและเคร่งครัดซึ่งเผยแพร่เอกสารสีขาว และนักวิชาการหลายคนจดสิทธิบัตรการวิจัยและบริษัทต้นกำเนิดจากการทำงานในห้องทดลองของตน ดังนั้นเมื่อต้องตัดสินใจใดๆ เช่นเดียวกับอัลกอริธึมที่ดีใดๆ ให้ค้นหาแง่มุมที่สำคัญที่สุดสำหรับคุณ (เงินเดือน ความคล่องตัวที่สูงขึ้น อิสระ ความคล่องตัวทางภูมิศาสตร์ ฯลฯ) เพื่อใช้ประกอบการตัดสินใจ จากนั้นให้คะแนนสิ่งเหล่านี้ (และให้น้ำหนักที่แตกต่างกันหากคุณต้องการ) เทียบกับตัวเลือกที่คาดหวังแต่ละตัวเลือกที่ตอบสนองความต้องการที่แท้จริงเหล่านั้นได้ดีเพียงใด นี่คือการตัดสินใจในชีวิตและอาชีพของฉัน

ความสามารถในการปรับตัวและความยืดหยุ่นเป็นสิ่งจำเป็นอย่างยิ่งสำหรับการคงอยู่ในปัจจุบันโดยไม่คำนึงถึงพื้นที่ และเพื่อพัฒนาทักษะ คนต้องการพื้นที่ในการพัฒนาในงานของตน ดังนั้น หากคุณกำลังพิจารณาอุตสาหกรรมหนักกว่านี้ ให้ใช้ความระมัดระวังและตรวจสอบให้แน่ใจว่าห้องพัฒนาบางส่วนมีอยู่ในรายละเอียดของงาน มีแนวโน้มที่จะสร้างเป็นศูนย์การเรียนรู้ทางวิชาการโดยอัตโนมัติ

โดยไม่คำนึงถึงอาชีพการงาน ฉันสนับสนุนให้ผู้คนไม่ละทิ้งพื้นฐานทางคณิตศาสตร์ สถิติ วิทยาการคอมพิวเตอร์ และวิศวกรรม ปัจจัยพื้นฐานเหล่านี้เป็นปมสำคัญในการสร้างความแปลกใหม่ สถาปัตยกรรมและอัลกอริธึมใหม่ๆ ปรากฏขึ้นทุกวัน และหากคุณโฟกัสที่ใบไม้ คุณจะมองไม่เห็นต้นไม้ ถามตัวเองเสมอว่า “แล้วไง” เพื่อเป็นพื้นฐานในการทำงานของคุณและเป็นเครื่องเตือนใจให้ตอบคำถามสำคัญๆ

เหตุใดคุณจึงตัดสินใจเขียนเกี่ยวกับข้อมูลและการเรียนรู้ของเครื่องสำหรับผู้ชมที่กว้างขึ้น

บทความแรกของฉันเกี่ยวกับ TDS เป็นเรื่องเกี่ยวกับแพ็คเกจ Python ที่ฉันสร้างขึ้น — psmpy ตอนนี้มีเอกสารไวท์เปเปอร์ที่เป็นทางการซึ่งฉันได้อ้างถึงในบทความขนาดกลางแล้ว การส่งเอกสารไวท์เปเปอร์เกิดขึ้นในช่วงต้นปี 2022 และไม่ได้นำเสนอในการประชุม IEEE จนถึงเดือนกรกฎาคม แต่เนื่องจากกระดาษต้องใช้แพ็คเกจการทำงาน ฉันรู้สึกว่ามันเป็นโอกาสพิเศษในการทำให้ชุมชนวิทยาศาสตร์ข้อมูลและสถิติตระหนักถึงการมีอยู่ของมัน แทนที่จะใช้ ReadMe ที่จะนั่งในที่เก็บข้อมูลที่มองไม่เห็น

น่าแปลกที่มันกลายเป็นบทความยอดนิยม ดังนั้นฉันจึงเริ่มเขียนบทความอื่นที่ได้รับแรงบันดาลใจจากคำถามที่นักศึกษาระดับบัณฑิตศึกษาถามฉันในห้องแล็บ ฉันสนุกกับการสอนและให้ความสำคัญกับการให้คำปรึกษาเป็นอย่างมาก ด้วยการสร้างที่เก็บบทความเหล่านี้ ฉันมีทรัพยากรที่ฉันสามารถแนะนำนักเรียนได้ บทความเหล่านี้เป็นแหล่งข้อมูลสำหรับการสอนและลดการซ้ำซ้อนในคำถามที่ฉันถาม

ในช่วงหลายเดือนที่ผ่านมา คุณได้เผยแพร่ชุดสถิติ Bootcamp ที่ยอด เยี่ยม อะไรเป็นแรงบันดาลใจให้กับแนวคิดนี้ และคุณหวังว่าผู้อ่านจะได้อะไรจากแนวคิดนี้

ข้าพเจ้าได้มีโอกาสสอนนักศึกษาทั้งระดับปริญญาตรีและโท การสอนเป็นประสบการณ์ที่คุ้มค่าเสมอ และนักเรียนของฉันก็เป็นแรงบันดาลใจให้ฉันเสมอ ค่ายฝึกนี้สร้างขึ้นจากหลักสูตรบัณฑิตศึกษาสถิติเบื้องต้นที่ฉันสอนไปก่อนหน้านี้

ความหวังของฉันสำหรับ bootcamp คือสามารถเป็นที่เก็บบันทึกย่อที่เข้าถึงได้ง่ายและราคาไม่แพงสำหรับผู้ที่เคยเรียนระดับบัณฑิตศึกษา (และอาจต้องการฟื้นฟู) และสำหรับผู้ที่ต้องการได้รับความรู้จากหลักสูตรระดับบัณฑิตศึกษาในสาขาสถิติ แต่คงไม่มีโอกาสได้ทำเช่นนั้น การอ่านทำให้คนกลายเป็นผู้สร้างและผู้บริโภคข้อมูลได้ดีขึ้น

ไม่ว่าในสายงานเฉพาะของคุณเองหรือในระบบนิเวศที่กว้างขึ้น คุณหวังว่าจะเห็นความก้าวหน้าประเภทใดในอนาคตอันใกล้และระยะกลาง

ในอีกไม่กี่ปีข้างหน้า ฉันหวังว่าจะได้เห็นการนำแมชชีนเลิร์นนิงไปใช้ในแอปพลิเคชันการแปลมากขึ้น ข้อแม้ที่ฉันจะเพิ่มเข้าไปคือฉันต้องการทำงานและสร้างสภาพแวดล้อมที่ความน่าเชื่อถือหรือความไม่แน่นอนของการคาดคะเนมีความสำคัญยิ่งพอๆ กับความสามารถในการรับการคาดคะเนตั้งแต่แรก

การรู้ข้อจำกัดของอัลกอริทึม เช่น ใครใช้ได้ดีและใครใช้ไม่ได้ เป็นสิ่งสำคัญอย่างยิ่ง เป็นการแลกเปลี่ยนระหว่างอัลกอริทึมกับผู้มีอำนาจตัดสินใจที่เชี่ยวชาญ และควรเกิดขึ้นเป็นกรณีไป

ประการสุดท้าย ในภาคส่วนด้านสุขภาพ ฉันต้องการเห็นข้อมูลต่อเนื่องหลายรูปแบบขับเคลื่อนการตัดสินใจของผู้ป่วยมากขึ้น ในทางการแพทย์ การตัดสินใจหลายอย่างเรียกว่าการวินิจฉัยทางคลินิก ซึ่งหมายความว่าไม่ใช่ห้องแล็บหรือการศึกษาเกี่ยวกับการถ่ายภาพเพียงแห่งเดียวที่ตัดสินการวินิจฉัย แต่เป็นกลุ่มของสัญญาณ อาการ ห้องปฏิบัติการ การถ่ายภาพ ฯลฯ นี่คือจุดที่ ML มีความสามารถในการส่องแสงอย่างแท้จริง: สามารถให้น้ำหนักกับประเภทข้อมูลที่แตกต่างกันเป็น การวินิจฉัยแบบครบวงจร เนื่องจากแพทย์ (และมนุษย์ในวงกว้างกว่านั้น) ไม่เก่งเรื่องพีชคณิตเมทริกซ์เมื่อพวกเขาตรวจคนไข้

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ งานของ Adrienneและติดตามบทความล่าสุดของเธอ ติดตามเธอที่นี่บนMediumบนTwitterและบนGoogle Scholar เพื่อลิ้มรสบทความ TDS ของ Adrienne ต่อไปนี้เป็นบทความที่โดดเด่นบางส่วน:

• สำรวจโพสต์ปัจจุบันทั้งหมดในซีรี่ส์สถิติBootcamp
• การนำไปใช้และข้อจำกัดของวิธีการใส่ข้อมูล (พฤษภาคม 2565, 9 นาที)
• การสร้างแอปแดชบอร์ดด้วย Dash/Heroku: กระบวนการที่คล่องตัว (มิถุนายน 2022, 5 นาที)
• การทดสอบแบบพาราเมตริกเทียบกับแบบไม่อิงพารามิเตอร์ และเมื่อใดควรใช้ (เมษายน 2565 4 นาที)

คำถาม & คำตอบนี้ได้รับการแก้ไขเล็กน้อยเพื่อความยาวและความชัดเจน