Hittar vägar till bättre förståelse

Ragnar Thobaben kom till KTH år 2006 från Christian Albrechts University i Tyskland. Nu är han forskare och lektor vid Skolan för elektroteknik och datavetenskap (EECS). Sedan sin doktorsavhandling har han hunnit med att beröra många delar inom områdena informationsteori och kommunikationsteori. Ofta med målet att hitta sätt att uppnå bästa prestanda utifrån en given situation och förutsättningar.  

I dag rymmer hans forskning bland annat sätt att optimera inlärningen av de algoritmer som används inom maskininlärning (ML). Förenklat uttryckt kan området maskininlärning beskrivas som en form av artificiell intelligens där algoritmerna själva kan lösa olika uppgifter med hjälp av befintliga data. 

Algoritmerna hittar mönster och samband i datamängderna som gör det möjligt att dra slutsatser. För att lyckas får de träna på stora mängder data som redan samlats in, och i idealfallet så innehåller dessa data tydliga samband och mönster som de kan förstå. 

– Men så är sällan fallet. Så vår uppgift är att systematiskt begränsa algoritmernas frihetsgrader för att nå fram till metoder som kan optimera resultatet av inlärningen och öka robustheten, säger Ragnar Thobaben, lektor vid KTHs Skola för elektroteknik och datavetenskap (EECS).

Område med stor betydelse

Maskininlärning används i dag inom allt fler forskningsfält med anmärkningsvärda resultat. Ragnar Thobaben bidrar bland annat till att öka användningen inom materialvetenskap. Här används maskininlärning till en mer hållbar utveckling av nya material. 

– Inom det området kan maskininlärning underlätta det mycket tidskrävande arbete som sker i dag med att ta fram nya materialkandidater. Området maskininlärning har visat sig innebära något av en revolution inom en rad olika fält, säger han. 

Även hälso- och sjukvården drar nytta av de nya metoderna. Två av Ragnar Thobabens doktorander arbetar vid Karolinska Institutet med målet att utveckla nya sätt att automatisera övervakningen av patienter inom intensivvården. 

Här handlar det om att hitta metoder att hantera de hälsodata som samlas in från varje patient för att kunna dra slutsatser om hur hen mår just nu, och varna om det finns risk för en försämring. Det ena projektet koncentrerar sig kring blodförgiftning (sepsis) och organsvikt, medan det andra fokuserar på glukosnivån hos kritiskt sjuka med målet att kunna ge rätt mängd insulin i tid. 

Utmaningarna är många, bland annat att välja rätt markörer för att algoritmerna verkligen ska kunna förutspå patienternas mående på ett korrekt sätt. Dessutom är det svårt att utveckla tillräckligt generella metoder för att de ska kunna användas brett inom vården. Det är nämligen vanligt att olika sjukhus också använder olika medicintekniska lösningar för att övervaka patienterna under olika vårdprocesser. 

Detta betyder att den data som samlas kan skilja sig från plats till plats. 

Till sist behöver systemet både vara lätt att förstå och att använda av vårdpersonalen. 

– Det finns stora vinster för vården om vi kan automatisera monitoreringen av patienterna i en högre grad än i dag. Det kan både minska arbetsbördan och stressen hos vårdpersonalen och även öka patientsäkerheten, säger han.

DNA: framtidens lagringsform

Ragnar Thobaben expertkunskap är tillämpbar inom många områden. Andra områden som intresserar honom just nu är utvecklingen av den sjätte generationens mobilnät. Men även att utveckla nya sätt att använda DNA för att lagra information. Här finns ett intresse till samarbete med SciLifeLab.  

– Det pågår en hel del forskning kring att lagra information i DNA, och här finns flera klassiska informationsteoretiska problem som behöver lösas, och andra som vi kommer att upptäcka längs vägen, säger han. 

Potentialen är stor då DNA utgör en stabil lagringsform som kan rymma enorma mängder information i små volymer. Ännu finns det bara experimentella system för DNA-lagring och det återstår många steg innan tekniken kan komma i bruk. Bland annat behövs metoder för att hitta rätt information i stora mängder DNA, och verktygen för att fiska upp rätt data. 

– Men innan vi börjar bygga sådana system så måste vi ta reda på hur mycket som verkligen går att lagra, och till vilken kostnad, med andra ord: vad är den bästa möjliga prestandan och hur når vi dit, säger han.

Undervisning en drivkraft

Bland Ragnar Thobabens drivkrafter finns utmaningen i att hitta och lösa svåra problem. Samtidigt betonar han att forskningen är en av tre lika viktiga delar av arbetet. De övriga, undervisning och handledning samt engagemanget i organisationen, är lika viktiga.

– Ett problem med forskning är att det är så lätt att mäta. Det är enkelt att jämföra dig med andra genom att kolla upp citeringar och projekt via en enkel googling. För många kan det väcka stress och ett missnöje med de egna resultaten, säger han. 

– För att inte hamna i den fällan gäller det att behålla fokuset på de problem som ska lösas, och gärna dela med dig av dina kunskaper till andra. Det betyder mycket för mig att kunna hjälpa mina studenter vidare i livet. 

Kontakt:

Relaterade nyheter

Humor - en viktig ingrediens i mjukvaruutveckling

Humor och kulturella influenser spelar en viktig roll i de flesta mänskliga relationer och så även i mjukvara. Deepika Tiwari, doktorand vid KTH, upptäckte detta när hon tillsammans med sina handledar...

Läs artikeln

Forskning bakom mobilmasters effektivitet – en av de mest välciterade

Forskningen bakom att använda mobilmaster med många små elektriskt styrbara antenner har hamnat på Clarivates årliga lista Clarivate Highly Cited Researcers 2023. – Det är naturligtvis väldigt rol...

Läs artikeln