Jennifer Neville was oorspronkelijk niet van plan om de informatica in te gaan. Toch belandde ze precies in dat vakgebied en groeide ze uit tot een vooraanstaand onderzoeker. In haar werk richt ze zich op een van de meest fascinerende aspecten van kunstmatige intelligentie: de opmerkelijke en onverwachte manieren waarop geavanceerde AI-systemen falen wanneer ze geconfronteerd worden met complexe, dynamische netwerken.
Haar professionele reis verliep niet via een rechte lijn, maar werd gevormd door een reeks van proberen, bijsturen en ontdekken. Juist door het analyseren van situaties waarin algoritmes de mist in gaan, legt Neville het fundament voor betrouwbaardere technologie.
Onverwachte kronkelwegen naar de top van AI-onderzoek
Het verhaal van Neville onderstreept dat een carrière in de IT- en datawetenschap niet altijd begint met een gepassioneerde jeugdliefde voor programmeren. Door open te staan voor nieuwe inzichten vond ze uiteindelijk haar professionele 'sweet spot' op het snijvlak van netwerkwetenschap, statistisch leren en kunstmatige intelligentie.
In haar huidige onderzoek bestudeert ze hoe modellen beslissingen nemen binnen ingewikkelde, onderling verbonden datastructuren — zoals sociale netwerken, moleculaire structuren en grote informatiesystemen.
Foutpatronen als sleutel tot robuustere algoritmes
Wanneer AI-systemen in de praktijk falen, gebeurt dat zelden op een voorspelbare manier. Waar eenvoudige modellen vaak geleidelijk minder nauwkeurig worden, vertonen complexe AI-modellen soms "verrassende fouten" (surprising failures). Een kleine verandering in de context of de netwerkstructuur kan ertoe leiden dat een anders zo betrouwbaar model een volstrekt verkeerde conclusie trekt.
Neville betoogt dat het bestuderen van deze fouten geen teken van zwakte is, maar juist de meest waardevolle bron van inzicht vormt. Door precies te ontleden waar en waarom de AI de draad kwijtraakt bij complexe vraagstukken, kunnen onderzoekers betere beschermingsmechanismen bouwen. Mislukking wordt zo de belangrijkste drijfveer voor de volgende generatie van robuuste en veilige kunstmatige intelligentie.
