Nasza rozmowa zaczyna się od kwestii globalnych, geopolitycznych i obywatelskich – by skończyć się bardzo intymnym, osobistym akcentem i refleksją, która zostaje z nami na długo po tym, jak wybrzmi już końcowy jingiel MamStartup Podcast. Przez godzinę prof. Tomasz Trzciński ze znawstwem, swadą i otwartością opowiada o zachłanności AI na energię i dane. O tym, czy AI może wreszcie zacząć uczyć się na swoich błędach i bez naszej ingerencji poszerzać własną wiedzą. Pada także fundamentalne pytanie: „być albo nie być”, czyli czy William Szekspir w dramaturgicznym pojedynku pokonałby krzemowy mózg.
Ważne, że w rozmowie wątki uniwersalne – np. etyka czy filozofia – przeplatają się ze sprawami teraźniejszymi, dotyczącymi zakusów polityków na nadzorowanie naszego życia i ryzyko wykorzystania AI do doraźnych celów.
Rozmowy posłuchasz w serwisie YouTube:
albo w Spotify
Prof. dr hab. inż. Tomasz Trzciński to naukowiec z wieloma sukcesami na koncie, którego kariera naukowa i zawodowa jest pełna sukcesów. Kieruje CVLab na Politechnice Warszawskiej, skupiając zespół badawczy na zagadnieniach widzenia maszynowego. Jednocześnie jest liderem grupy badawczej „Uczenie maszynowe zero-waste w wizji komputerowej” w IDEAS.
Jego doświadczenie zawodowe obejmuje pracę w Google (2013), Qualcomm (2012) i Telefónice (2010). Jest Senior Member w IEEE, członkiem ELLIS Society (dyrektor ELLIS Unit Warsaw) oraz ALICE Collaboration w CERN. Jest także ekspertem Narodowego Centrum Nauki i Fundacji na rzecz Nauki Polskiej.
Prof. Trzciński jest współwłaścicielem firmy Tooploox, gdzie jako Chief Scientist kieruje zespołem zajmującym się uczeniem maszynowym. Był także współzałożycielem Comixify, startupu technologicznego wykorzystującego sztuczną inteligencję do edycji wideo (Comixify został przejęty przez Alter, którą następnie kupił Google).
Jego zainteresowania naukowe skupiają się wokół widzenia maszynowego, w tym symultanicznej lokalizacji i mapowania oraz wyszukiwania wizualnego. Zajmuje się również uczeniem maszynowym, w szczególności głębokimi sieciami neuronowymi, modelami generatywnymi i uczeniem ciągłym. Dodatkowo, interesuje się uczeniem reprezentacji, w tym deskryptorami binarnymi.
