OpenAI Rekrut Zico Kolter Seorang Profesor Universitas Carnegie Mellon ke Dewan Direksi

JAKARTA - OpenAI resmi merekrut seorang Profesor dan Direktur Departemen Pembelajaran Mesin yang berfokus pada keamanan AI di Universitas Carnegie Mellon, Zico Kolter sebagai Dewan Direksi OpenAI. 

Dengan keahliannya dalam meriset arsitektur jaringan mendalam yang baru, metodologi inovatif untuk memahami pengaruh data pada model, dan metode otomatis untuk mengevaluasi ketahanan model AI, Zico sangat berharga bagi Direktur teknis perusahaan.

Zico juga akan bergabung dengan Komite Keselamatan dan Keamanan Dewan bersama para direktur lainnya termasuk Bret Taylor, Adam D'Angelo, Paul Nakasone, Nicole Seligman, dan Sam Altman (CEO) serta para ahli teknis OpenAI. 

Komite ini bertanggung jawab untuk membuat rekomendasi mengenai keputusan keselamatan dan keamanan yang penting bagi semua proyek OpenAI. 

“Zico menambahkan pemahaman teknis dan perspektif mendalam dalam hal keamanan dan ketahanan AI yang akan membantu kita memastikan kecerdasan buatan secara umum bermanfaat bagi seluruh umat manusia,” ujar Bret Taylor, Ketua Dewan OpenAI dalam blog resminya. 

Sekilas tentang Zico Kolter 

Zico Kolter adalah seorang Profesor Ilmu Komputer dan kepala Departemen Pembelajaran Mesin di Universitas Carnegie Mellon, tempat ia telah menjadi tokoh penting selama 12 tahun. 

Zico menyelesaikan gelar Ph.D. dalam ilmu komputer di Universitas Stanford pada tahun 2010, diikuti oleh beasiswa pasca doktoral di MIT dari tahun 2010 hingga 2012. 

Sepanjang kariernya, ia telah memberikan kontribusi signifikan pada bidang pembelajaran mesin, menulis banyak makalah pemenang penghargaan di konferensi bergengsi seperti NeurIPS, ICML, dan AISTATS.

Penelitian Zico mencakup pengembangan metode pertama untuk membuat model pembelajaran mendalam dengan ketahanan yang terjamin. Dia juga memelopori teknik untuk menanamkan batasan keras ke dalam model AI menggunakan pengoptimalan klasik dalam lapisan jaringan saraf. 

Baru-baru ini, pada tahun 2023, timnya mengembangkan metode inovatif untuk menilai keamanan model bahasa besar (LLM) secara otomatis, yang menunjukkan potensi untuk melewati perlindungan model yang ada melalui teknik pengoptimalan otomatis.