NSF CAREER-díjat kapott a compound AI rendszereket kutató Deepti Raghavan

A többlépcsős AI-rendszerek kezelése a kutatás fókusza

Deepti Raghavan, a Brown Computer Science oktatója 2026. augusztus 26-án kapta meg a National Science Foundation, vagyis az NSF CAREER-díját. A támogatás olyan módszerek kidolgozását segíti, amelyekkel a compound AI rendszerek hatékonyabban szolgálhatók ki és taníthatók.

Raghavan szerint a mai AI-rendszerek jóval többre képesek annál, mint hogy egy bemenethez egyetlen előrejelzést adjanak. Gyakran több lépésből állnak, és a modellek, valamint a külső eszközök együttműködésére épülnek. Ilyen felhasználás lehet jelentések összeállítása, kód létrehozása és tesztelése, illetve kérdések megválaszolása egy bizonyítékokat tartalmazó korpusz alapján.

A Brown CS közleménye szerint az ilyen rendszerek üzembe állítása nehéz és erőforrás-igényes. A projekt hosszú távú célja olyan új rendszerek létrehozása, amelyek mellett a fejlesztők elsősorban az AI-rendszerek létrehozására és pontosságuk javítására összpontosíthatnak, miközben az tehokony végrehajtás és az erőforrás-kezelés részleteit a rendszer kezeli.

Három kutatási területre épül a projekt

A kutatás három fő irányt követ. Az első olyan programozási modellek kialakítása, amelyek képesek leírni a modern compound AI-rendszereket. Ebben külön figyelmet kapnak a feldolgozási lépések összekapcsolásában, illetve párhuzamosításában rejlő lehetőségek.

A második terület a GPU-k számítási kapacitásának és memóriájának rugalmas kezelése. A módszereknek a többlépcsős rendszerek különböző komponensei között, változó terhelés mellett kell kezelniük ezeket az erőforrásokat.

A harmadik irány az, hogy a fejlesztők jobban megfigyelhessék és javíthassák a compound AI-rendszerek pontosságát. Raghavan célja, hogy a projekt olyan szoftvereszközökhöz vezessen, amelyekkel a szakemberek könnyebben hozhatnak létre, telepíthetnek, figyelhetnek meg és vezérelhetnek ilyen rendszereket, kevesebb erőforrás felhasználásával.

Az NSF CAREER-díjakat olyan pályájuk elején járó oktató-kutatók támogatására ítélik oda, akik kiemelkedő teljesítményt nyújtanak a kutatásban és az oktatásban, valamint a kettőt az intézményi küldetés részeként kapcsolják össze.

Oktatás és gépi tanulási rendszerek

A projektben alap- és mesterszakos hallgatók is részt vesznek. A képzés során a modern gépi tanulási rendszerek teljesítménye, erőforrás-felhasználása és pontossága közötti kompromisszumokat tanulmányozhatják.

Raghavan 2024 óta a Brown CS oktatója. Kutatási területei közé a gépi tanulási rendszerek, a hálózati rendszerek és az operációs rendszerek tartoznak. Munkájában olyan új rendszerabsztrakciókra összpontosít, amelyek a teljesítmény javítását teszik lehetővé, többek között az adatok mozgatásának időpontját, módját és helyét befolyásoló programozási felületek módosításával.

Az általa létrehozott CSCI 1390, Systems for Machine Learning kurzus a Brown CS szerint az elsők között kínál egyetemi szinten gyakorlati feladatokat a modern gépi tanulási rendszerek rétegei közötti kompromisszumok vizsgálatához. Oktatott tárgyai között szerepel még a CSCI 0300, Fundamentals of Computer Systems, valamint a CSCI 2690, Cloud and Datacenter Operating Systems.

Korábbi kutatások és Brown CS-díjazottak

Raghavan legutóbbi kutatásai között szerepel az „ALTO: An Efficient Network Orchestrator for Compound AI Systems”, a „Towards Practically-Secure Tools for AI Agents” és a „Cornflakes: Zero-Copy Serialization for Microsecond-Scale Networking” című munka.

Az NSF CAREER-díjjal Raghavan csatlakozik a Brown CS korábbi díjazottaihoz. A közlemény a tavalyi év díjazottjai között Nikos Vasilakist, Ellis Hershkowitzot, Serena Bootht és Chen Sunt említi. A mostani projekt a fejlesztők számára a compound AI-rendszerek létrehozásának, telepítésének és ellenőrzésének egyszerűsítését célozza, miközben a hallgatók a teljesítmény, az erőforrás-felhasználás és a pontosság közötti összefüggéseket is tanulmányozhatják.