楊佳玲 教授

• Email: yangc.ntu@gmail.com
• 訪談者：黃永雯
• 訪談年份：2020

研究主題 / 專題內容

研究主要內容

  軟體與硬體同時考量的架構和系統的設計，和做系統軟體架構的實驗室，都會搭配最新的application。

實驗室的強項

  Computer Architecture (CPU, GPU) + System Software (OS) + Application (machine learning)

方向1: System and Machine Learning / Big Data (較偏向系統軟體)

• 如何設計系統讓ML和Big Data可以做更好
• 如何設計ML和Big Data的implementation方式使其在考量系統效能上可以跑得更好
• 著重在如何讓algorithm run更快
• eg. 設計新的implementation，如何運用平行加速training且同時不犧牲掉accuracy，如何設計storage系統讓graphics analytics可以更efficient
• 把儲存系統的研究與big data processing連結

方向2: Neuromorphic Computing (較偏向硬體)

• 如何讓晶片跑的方式和人腦接近
• 直接在memory的地方做computation，不用將資料搬來搬去
• 加速器的design

方向3: 運用Machine Learning協助系統的設計與管理

• 現在machine learning主要應用在如何辨識東西辨識得更好，因此想到如果用machine learning協助系統的管理可以應用在什麼地方
• 是否可以用machine learning讓以前設計的管理機制設計得更好

新的事物(Federated Learning)

• Federated Learning(聯邦學習)：因為現在資料有privacy的issue，大家把資料上傳到data center，資料就會被大公司擁有，雖然是train了一些model讓使用者很好使用可是同時資料也外洩了。
  所以如何運用big data得到好的model，然後大家可以得到好處而不犧牲掉privacy。資料不往上傳，但是大家可以一起學習該model。

與業界的連結

• 與國外的合作(最近：Facebook)、業界的合作

Q & A

Q1: 如果要加入教授的lab，需要有哪些基本的能力及技能？

• 沒有規定一定要會什麼，就是來學習，做中學，但是條件是要願意花時間，不要怕寫程式！

Q2: 希望專題生每週花多少時間，是否有固定的meeting，或者大家一起讀paper的時間？

• minimal：專題生會參加group meeting(報告論文)
• 看學生願意花多少時間，通常專題生沒辦法自己完成一個東西所以會搭配研究生一起做
• 專題生是一個自動學習的課，希望協助同學找到未來的方向，所以學生的主動性非常重要

Q3: 若已經加入別的教授的lab可以再跟教授做專題嗎？

• 可以

Q4: 請問教授是否會希望學生在經過這個學期後繼續待在lab做事？

• 若學生覺得有興趣鼓勵繼續做。專題是一個過程，讓你發現喜歡或不喜歡，是一個探索自己喜歡領域的過程。

Q5: 您認為大學部學生該怎麼看一堂專題課？

• 有些專題生會很認真當作一堂課在學習，這樣其實可以做蠻多東西的。
• 和研究生一起可以學習到何謂unstructure learning，沒有人幫你把要學習的知識安排給你，要自己知道說要看什麼，這是會影響到之後career的能力。
• 同樣坐在實驗室還有meeting，每個人學習到的不一樣，這會根據你是否有投入時間、有沒有問。
• 可以和研究生一起學習到team work，學習到一個工作交給你要如何完成，會和老師個別meeting，會問問題，這都是學習的過程。
• 學習到主動學習能力的一個過程，是一個開端，如果之後繼續念研究所就更是一個訓練的過程。