Amir Shaikhha hat am 1. Juli seine Tätigkeit als Professor für KI-Systeme und KI-Hardware am Fachbereich Informatik der TU Darmstadt aufgenommen. Er ist zudem Mitglied von hessian.AI, dem Hessischen Zentrum für Künstliche Intelligenz. Ziel seiner Forschung ist es, die Architektur von KI-Systemen neu zu gestalten, um Produktivität, Leistung und Energieverbrauch zu verbessern. Der 37-jährige Wissenschaftler, der zuvor als außerordentlicher Professor an der Universität Edinburgh tätig war, nennt den Dahl-Nygaard Young Scientist Award und den Google Research Scholar Award als seine bislang wichtigsten akademischen Meilensteine. Die TU Darmstadt hat Professor Shaikhha einige Fragen zu seinem Start an der Universität gestellt.
Warum sollten Studierende sich für Ihre Themen interessieren? Was ist das Spannende daran?
Mein Interessengebiet liegt an der Schnittstelle einiger der wichtigsten Bereiche der modernen Informatik: Datenmanagement, Programmiersprachen, Systeme und Künstliche Intelligenz. Moderne Wissenschaft und Industrie sind zunehmend darauf angewiesen, große Datenmengen effizient analysieren zu können, und Datenanalysesysteme bilden den Kern dieses Prozesses.
Was dieses Fachgebiet so spannend macht, ist die Geschwindigkeit, mit der es sich weiterentwickelt. KI verändert nicht nur, was wir mit Daten tun können, sondern auch, wie wir die Sprachen, Compiler und Systeme entwerfen, die zu ihrer Verarbeitung eingesetzt werden. Dies eröffnet zahlreiche Möglichkeiten, neue Werkzeuge zu entwickeln, die die Datenwissenschaft effizienter, ausdrucksstärker und zugänglicher machen.
An der TU Darmstadt wird Interdisziplinarität großgeschrieben. Wo gibt es in Ihrem Arbeitsfeld Schnittstellen zu anderen Fachgebieten?
Mein Fachgebiet ist naturgemäß interdisziplinär, da moderne Datenanalysesysteme an der Schnittstelle mehrerer Bereiche der Informatik und darüber hinaus angesiedelt sind. Wissenschaftliche Disziplinen wie Biologie, Medizin, Klimawissenschaft und Sozialwissenschaften sind zunehmend auf die Analyse großer Datenmengen angewiesen. Dies schafft einen Bedarf an fachspezifischen Werkzeugen, die es Expert:innen in diesen Bereichen ermöglichen, effektiv mit Daten zu arbeiten, ohne stets die gesamte Komplexität der zugrunde liegenden Systeme verstehen zu müssen.
Wenn ich heute Student wäre, würde ich …
… das Studentenleben in vollen Zügen genießen, indem ich Aktivitäten, Erlebnisse und Freundschaften genieße, für die man später im Leben vielleicht nicht mehr die gleiche Zeit oder Energie hat. Außerdem würde ich wissenschaftliche und nicht-wissenschaftliche Diskussionen mit meinen Kommiliton:innen schätzen, da einige der bedeutendsten Lernerfahrungen durch Gespräche, Debatten und gemeinsame Neugierde entstehen.
Wir freuen uns auf die Zusammenarbeit und wünschen einen guten Start!
Die Fragen stellte Patrick Ball/TU Darmstadt (Quelle).
Bild: Patrick Bal/TU Darmstadt
About Dr. Anirban Mukhopadhyay
Dr. Anirban Mukhopadhyay completed his Ph.D. in Computer Science at the University of Georgia. He then worked as a postdoc at the IMT Lucca Institute and subsequently at the Zuse Institute Berlin. In 2017, he joined TU Darmstadt and is currently the head of the Medical and Environmental Computing Labs (MEC-Lab).
He organizes leading international conferences, challenges, and workshops. Dr. Mukhopadhyay leads several national infrastructure projects on federated and continuous learning in healthcare such as RACOON, EVA-KI, and FED-PATH. He is also the host of the “AI-ready Healthcare” podcast.
Medical data and regulatory hurdles
In our conversation, Dr. Anirban Mukhopadhyay shares his vision: „To Reverse Engineer the Doctor’s Mind.“
At the core of Mukhopadhyay’s work are assistive AI technologies focused on improving diagnostic accuracy and providing more consistent and precise analyses in surgery.
A key project is the Radiological Cooperative Network (RACOON), in which radiology departments from 38 German university hospitals have joined forces, the scientist tells me. This network enables the training of deep learning models without sharing medical data at a central location. In AI research, this approach is known as „Federated Learning.“
A primary task in Mukhopadhyay’s research is the continuous updating of AI models in the face of ever-changing medical data. He explains that medical knowledge is dynamic and must quickly adapt to new situations such as a pandemic.
The major challenge lies in developing AI models that can be regularly updated without having to undergo a complete regulatory process again. This requires an innovative approach at the technical, clinical, and regulatory levels.
A look at AI systems authorised in the EU or the USA for medical use shows that they are always static AI. “You train them once with what you have and hope that nothing will happen afterwards. The universe remains the same,“ the researcher concludes. „So we are looking at how we can enable technologies that constantly update themselves when the AI model becomes outdated or obsolete.“
Multimodality, minimally invasive surgery, and podcasts
In addition to developing better diagnostic tools, Mukhopadhyay and his team are also working on multimodal „No-Line-of-Sight Computer Vision“ for minimally invasive surgery. Specifically, the aim is to improve the accuracy and safety of surgical interventions by combining the electromagnetic tracking of surgical instruments with image signals, such as X-ray images.
These techniques should enable surgeons to perform operations with sub-millimetre precision without being able to see their instruments directly.
Alongside his research activities, Mukhopadhyay is also a co-host of the “AI-ready Healthcare” podcast. With guests ranging from doctors and scientists to industry experts, global healthcare representatives and patient advocates, the podcast discusses topics from technical challenges to societal impacts. Now in its 9th season, the podcast is also supported by Hessian.AI.