\n Химабинду 'Хима' Лаккарару — индийско-американский компьютерный ученый, работающий в области машинного обучения и искусственного интеллекта. Она занимается вопросами алгоритмов предвзятости, ответственности ИИ и доверием к технологиям AI. В настоящее время является ассистент-профессором Гарвардской школы бизнеса (Harvard Business School) и также связана с кафедрой компьютерных наук в том же университете.Лаккарару известна своими исследованиями по вопросам доверительного ИИ, этики искусственного интеллекта. Ее работы направлены на создание моделей машинного обучения, которые можно интерпретировать и делать прозрачными для пользователей; они также должны быть справедливыми и надежно работающими.Её исследования охватывают широкий спектр применения ИИ в высокорисковых областях: здравоохранение, правосудие, бизнес и образование. Лаккарару была признана одной из ведущих инноваторов до 35 лет по версии журнала Vanity Fair и MIT Technology Review.Она активно занимается популяризацией машинного обучения среди широкой аудитории: совместно с коллегами основала Trustworthy ML Initiative (TrustML), чтобы облегчить доступ к исследованиям в области интерпретируемости, справедливого использования и надежности моделей. Лаккарару также разработалась учебные материалы по объяснимому машинному обучению.

Лаккарау получила степень магистра в области компьютерных наук Индийского научного института (IISc) в Бангалоре. В рамках своей дипломной работы она занималась вероятностными графическими моделями и создала полу-супервизированные модели тематического анализа для извлечения информации из отзывов клиентов, что было опубликовано на конференции SIAM по Data Mining. За эту работу она получила награду за лучшую научную статью.После этого два года работала в IBM Research India и затем переехала в Стэнфорд для получения докторской степени (PhD) под руководством Джура Лесковец, сотрудничая с такими известными учеными как Джон Клейнберг, Синтия Рудин и Шендил Муллайнатан. Её диссертация была посвящена разработке интерпретируемых моделей машинного обучения для поддержки принятия решений в социально значимых областях.Во время учебы она также участвовала в программе Data Science for Social Good и работала над проектами по выявлению проблемных студентов, а затем как исследователь сотрудничал с Microsoft Research.\n

Докторская работа Лаккарару сосредоточена на разработке интерпретируемых, прозрачных и справедливых предсказательных моделей. Эти модели помогают людям принимать решения в таких областях как здравоохранение, правосудие и образование (например, для врачей или судей). В рамках диссертации она создала алгоритмы для автоматического построения интерпретируемых правил классификации. Также исследовала проблемы оценки моделей при отсутствии контрфактов и неучтенных факторов.Вместе с соавторами Лаккарару изучила трудности в проверке предсказательных систем, разработала новые методы для их решения. В одном из её совместных трудов показано, что использование машинного обучения при решении вопроса о залогах может уменьшить преступность до 24.8% без увеличения расовых неравенств.В 2018 году она стала постдоком в Гарварде и с 2020 года работает ассистент-профессором на факультетах бизнес-школы и компьютерных наук университета. Лаккарару активно занимается объяснимостью машинного обучения. Она исследовала адаптивные интерактивные методики для пояснения моделей, которые учитывают предпочтение пользовательских запросов.Её работы также касаются уязвимостей популярных постхоковых (послеобучающих) объяснений и их правильной трактовки экспертами. Она показала, что специалисты могут ошибаться в интерпретации таких пояснительных методик. Лаккарару разрабатывает более надежные способы создания объясняющей информации: предложила теоретические основы для анализа и улучшения устойчивости различных типов постхоковых методов. Также внесла вклад в область алгоритмического рекурса, разработав подход к проверке моделей на значимость и справедливость предоставляемых рекомендаций.=

=

В 2020 году Лаккарару совместно с соучредителями основал инициативу Trustworthy Machine Learning Initiative (TrustML), направленную на демократизацию исследований в области надежного машинного обучения, включающего интерпретируемость моделей, справедливость, конфиденциальность и устойчивость. Идея заключается в предоставлении доступа к базовым ресурсам для новичков, создании платформы для молодых исследований и формирование сообщества специалистов по тематике надежного ML.Лаккарару разработал несколько учебных материалов и полноценный курс по объяснимому машинному обучению в рамках этой программы.

2021 Грант Национальной Научной Фонда (NSF) – Amazon Fairness in AI2020 Премия исследовательских грантов от Amazon2019 MIT Technology Review: Инноваторы до 35 лет2019 Vanity Fair Future Innovators2017 Microsoft Research Dissertation Grant2017 INFORMS Best Data Mining Paper Prize2016 Carnegie Mellon University Rising Stars в области электротехники и компьютерных наук2015 Google Anita Borg Scholarship2013 Стэнфордский Грант для аспирантов

Курс по теме 'Интерпретируемость и объяснимое машинное обучение', 2019 год.Туториал на NeurIPS конференции: 'Объяснение предсказаний ML: состояние дел, вызовы и возможности', 2020AAAI туториал по теме 'Пояснения для прогнозирования машинного обучения...', 2021 год.CHIL конференция: Туториал на тему 'Объяснимое МЛ: пределы понимаемости и границы возможностей', 2021

Jon Kleinberg; Himabindu Lakkaraju; Jure Leskovec; Jens Ludwig; Sendhil Mullainathan (Февраль, 2017). 'Human Decisions and Machine Predictions' [PDF]. National Bureau of Economic Research Working Paper Series. NBER WP №23180.Himabindu Lakkaraju; Stephen H Bach; Jure Leskovec (Август, 1, 2016). 'Interpretable Decision Sets: A Joint Framework for Description and Prediction'. Proceedings of the ACM SIGKDD international conference on Knowledge discovery and data mining. NBER WP №2939672.Michal Kosinski; Yilun Wang; Himabindu Lakkaraju; Jure Leskovec (Декабрь, 1, 2016).'Майнинг больших данных для выявления паттернов и предсказания реальных результатов'. Психологические методы. 21 (4): 493–506. doi:10.1037/MET0000105. ISSN 1082-989X. PMID 27918179.