Ashutosh Saxena
Ashutosh Saxena | |
---|---|
Narodowość | amerykański |
Alma Mater | |
zawód (-y) | CEO, Caspar.AI |
Nagrody |
|
Kariera naukowa | |
Pola | Sztuczna inteligencja ( uczenie maszynowe ) |
Instytucje | Współzałożyciel i CEO Caspar.AI |
Praca dyplomowa | (2009) |
Doradca doktorski | Andrzej Ng |
Strona internetowa | Uniwersytet Stanforda — Ashutosh Saxena |
Ashutosh Saxena to indyjsko-amerykański informatyk, badacz i przedsiębiorca znany ze swojego wkładu w dziedzinie sztucznej inteligencji i robotyki. Jego zainteresowania badawcze obejmują głębokie uczenie się, robotykę i trójwymiarowe widzenie komputerowe. Saxena jest współzałożycielem i dyrektorem generalnym Caspar.AI, firmy zajmującej się sztuczną inteligencją, która automatyzuje domy ludzi i tworzy aplikacje, takie jak czujniki upadku dla seniorów. Przed Caspar.AI, Ashutosh był współzałożycielem Cognical Katapult (NSDQ: KPLT), który zapewnia nie wymagającą kredytu alternatywę dla tradycyjnego finansowania dla handlu detalicznego online i wielokanałowego. Przed Katapultem Saxena była adiunktem na Wydziale Informatyki i dyrektorem wydziału Projektu RoboBrain na Uniwersytecie Cornell .
Edukacja
Saxena uzyskał tytuł licencjata w dziedzinie elektrotechniki w Indyjskim Instytucie Technologii w Kanpur w 2004 roku. W 2009 roku, mając jako doradcę pioniera sztucznej inteligencji Andrew Ng , Saxena uzyskał tytuł magistra i doktora. w dziedzinie informatyki z naciskiem na sztuczną inteligencję na Uniwersytecie Stanforda .
Kariera
W 2003 roku Ashutosh rozpoczął karierę jako stażysta naukowy w firmie Bose Corporation , gdzie opracował modele matematyczne wykorzystujące obwody elektroniczne do konstruowania lepszych głośników. Po ukończeniu studiów licencjackich Ashutosh został badaczem w Commonwealth Scientific and Industrial Research Organisation , gdzie opracował modele algorytmiczne dla urządzeń medycznych. W latach 2010-2013 Saxena był głównym naukowcem nowojorskiej firmy Holopad, gdzie wraz z zespołem Stevena Spielberga tworzył przewodniki i doświadczenia 3D do swojego filmu TinTin .
Przed Casparem Saxena zajmował się innymi przedsięwzięciami przedsiębiorczymi, takimi jak ZunaVision, startup zajmujący się sztuczną inteligencją, który założył wraz z Andrew Ng , który wykorzystuje sztuczną inteligencję do przydzielania przestrzeni reklamowej w filmach. Ashutosh pełnił funkcję CTO w ZunaVision w latach 2008-2010. Po ZunaVision Saxena była współzałożycielką Cognical Katapult, która zapewniała rozwiązania finansowe dla klientów niebędących najlepszymi i nieubezpieczonymi , korzystających ze sztucznej inteligencji. W latach 2014-2016 Saxena był dyrektorem wydziału projektu RoboBrain, który był wspólnym przedsięwzięciem, które rozpoczął między Stanford University , Cornell University , Brown University i University of California, Berkeley , które stworzyło silnik wiedzy dla robotów.
Saxena była współzałożycielką Caspar.AI w 2015 roku wraz z Davidem Cheritonem , który jest głównym naukowcem. Caspar.AI był szeroko omawiany w kilku punktach sprzedaży, w tym w Forbes Japan i MIT Technology Review. Ashutosh został doceniony za swoją pracę, otrzymując stypendium Alfreda P. Sloana w 2011 r., nagrodę Google Wydziału Badań w 2012 r., stypendium Microsoft Wydziału w 2012 r., nagrodę NSF Career w 2013 r., nagrodę One of the Eight Innovators to Watch przyznaną przez Smithsonian Institution w 2015 r. i otrzymał TR35 Innovator Award od MIT Technology Review w 2018 roku. Został uznany przez San Francisco Business Times za młodego lidera biznesu w wieku poniżej 40 lat.
Badania
Saxena jest autorem ponad 100 opublikowanych artykułów z zakresu głębokiego uczenia się, robotyki i komputerowej wizji 3D. Jego prace w dziedzinie wizji komputerowej i głębokiego uczenia były prezentowane w komunikatach prasowych i recenzjach czasopism akademickich. Wczesne prace Ashutosha obejmują Stanford Artificial Intelligence Robot (STAIR) i Make3D, który umożliwia oszacowanie głębi na podstawie pojedynczego obrazu. Na Uniwersytecie Cornell Ashutosh kierował Robot Learning Lab, które wykorzystało podejście uczenia maszynowego do szkolenia robotów do wykonywania zadań w środowiskach ludzkich, takich jak uogólnianie manipulacji w trójwymiarowych chmurach punktów, w których roboty uczą się przenosić trajektorie manipulacji na nowe obiekty, wykorzystując dużą próbkę demonstracje z crowdsourcingu.