211service.com
Tillämpa teori på Microsoft
Innan hon rekryterades av Microsoft Research , Jennifer Chayes var professor i matematik vid UCLA. Även om Chayes vid den tiden var förvirrad över vad mjukvarujätten skulle vilja med sitt tungt teoretiska arbete, har Chayes fortsatt att göra forskning som har omfattande tillämpningar på Internet, inklusive sökning, sökordsannonsering, rekommendationssystem och sociala nätverk. Efter att ha varit med och grundat Microsoft Research Theory Group är Chayes nu verkställande direktör för Microsoft Research New England-labbet, som öppnar i Cambridge, MA, i juli. Teknikgranskning frågade nyligen Chayes om förvandlingen som hennes arbete har genomgått och hur hon kan föra sin forskning vidare i det nya labbet.
Microsoft matematiker: Jennifer Chayes, ovan, är verkställande direktör för Microsoft Research New England-labbet, som öppnar i juli. Chayes, som började sin karriär inom den akademiska världen, har funnit att hennes abstrakta matematiska forskning har tillämpningar för sökning, sökordsannonsering, rekommendationssystem och sociala nätverk.
Teknikgranskning : När du anställdes för 11 år sedan av dåvarande CTO Nathan Myhrvold , trodde du att ditt arbete var irrelevant för Microsofts verksamhet. Vad har förändrats sedan dess?
Jennifer Chayes : Det är roligt. Jag pratade nyligen med någon i min grupp som sa: Vårt arbete har kommit så mycket närmare ansökningar under det senaste decenniet. Jag sa till honom, nej, vad som händer är att ansökningar flyttar sig så mycket närmare oss. När Nathan bestämde sig för att anställa mig och min man, Christian [Borgs], hade vi att göra med diskreta matematikproblem med många variabler och många komplicerade interaktioner, och han såg potentialen för att det skulle bli relevant. Jag tror inte att Nathan förutsåg alla tillämpningar av en World Wide Web, sociala nätverk och allt det där, men han förutsåg att det kunde vara användbart att ha människor som studerar den här typen av saker.
BARN : Din doktorsexamen var i matematisk fysik, och även den forskningen har varit användbar för Microsoft. Hur visade sig fasövergångar, som omvandlingen från fast till flytande, vara viktiga för datavetenskap?
JC : Runt 1995 var det ett par personer som började titta på fasövergångar i dessa hårda datavetenskapliga problem där man måste balansera en given mängd resurser mot en uppsättning begränsningar. Det visar sig om man har en parameter som mäter förhållandet mellan resurser och begränsningar, att systemet genomgår en övergång som matematiskt är precis som fasövergången där en vätska fryser eller kokar. Det är matematiskt samma sak där du passerar denna punkt där du bara kan tillfredsställa begränsningarna, och sedan kan du inte tillfredsställa dem längre. Det visar sig att studier av fasövergången i dessa problem-tillfredsställelse eller resursallokering har lett till några av de allra snabbaste algoritmerna som är kända för att ta reda på den optimala strukturen för nätverk. Vem skulle ha trott? Nyligen var jag på en Bill Gates granskning där Bill fick höra om vilken forskning som görs. Vi har tittat på multicasting och försökt hitta det mest effektiva sättet att sända något över webben till ett visst antal människor. Någon nämnde en del arbete som min grupp nyligen har gjort för att komma fram till en mycket snabb multicast-algoritm, baserad på detta fasövergångsarbete. För tio år sedan hade jag berättat för Bill om det och sagt att det var bra att han anställde människor vars arbete inte skulle löna sig på 100 år. Och här är det 10 år senare, och arbetet ger verkligen resultat i dessa supersnabba algoritmer.
BARN : Hur har du letts till några av de problem du har arbetat med nyligen? Vad har varit källan till några av dina frågor?
JC : För mig personligen innebar att ha varit på ett företag det senaste decenniet snarare än att ha stannat kvar i akademin att jag fick höra om vissa problem mycket snabbare än jag skulle ha gjort annars. Jag fick ta några av de här spännande sakerna som hände i den verkliga världen och vara en av de första som modellerade det, eftersom jag hörde om det. Då skulle jag kunna ta ut de här problemen i matematikgemenskapen och få andra att arbeta med dem. Till exempel hörde jag talas om länkspam väldigt tidigt i spelet och hur det påverkar kvaliteten på sökmotorresultat. Dessutom hör jag alla prata om sociala nätverk på en annan nivå än om jag vore på universitetet. Jag är övertygad om att människor som studerar grafiska system och nätverk på universitet alla kommer att titta på rekommendationssystem om tre eller fyra år. Men jag fick titta på dem lite tidigare, eftersom folk runt omkring mig frågade: Hur skulle vi tjäna pengar på ett socialt nätverk?
BARN : Du har studerat det problemet med ditt arbete med rekommendationssystem. Men nyligen har Facebook, till exempel, kämpat med en del av sina ansträngningar att tjäna pengar. Dess reklamsystem Beacon led av denna spänning mellan att dela information via ett nätverk och att skydda medlemmarna i nätverkets integritet. Vad kan man göra åt detta?
JC : Det är precis den typen av frågor vi ställer. Vi har tittat på hur man designar system som har olika egenskaper. Vi kanske kommer med ett teorem som säger att du inte kan ha ett rekommendationssystem som levererar all information du vill ha och som har all sekretess. Men då kan man säga, okej, vilka egenskaper är jag villig att ge upp, och vilka typer av rekommendationssystem kommer att ha den typ av egenskaper som jag vill ha? Vi vill arbeta med sociologer, psykologer och ekonomer i vårt nya labb, delvis för att jag är matematiker och kan modellera den här typen av saker. Jag kan få en matematisk formulering av olika former av privatliv, men jag kanske inte kan berätta vad majoriteten av människor vill ha, eller vad människor i en viss åldersgrupp vill. Så om jag arbetar med sociologer och psykologer kan de föreslå mig olika typer av fastigheter och beställa dessa fastigheter åt mig. Sedan kan jag komma på ett matematiskt ramverk och säga: Här är en algoritm som ger dig en rekommendation som har det maximala antalet egenskaper i den rankade ordningen. Med all data vi har och den typ av saker vi vill göra, tror jag att det verkligen är dags för matematiker och datavetare att börja interagera med sociologer och psykologer. Jag är ingen expert på vad folk vill ha. Jag kan bara modellera vad folk vill ha.
BARN : Kommer den här typen av tänkande att styra ditt tillvägagångssätt i det nya labbet?
JC : Jag hoppas att vårt nya labb i Cambridge kommer att vara den perfekta miljön för att titta på den här typen av frågor. Vi ska försöka få ihop alla rätt personer.