TasaractDavut Emre Taşar
Italiano

Profilo

Lavoro come data scientist nel team AI Innovation, che fa parte dell’area AI Transformation di BBVA. Per il mio dottorato all’Università di Navarra studio come misurare e ridurre l’incertezza dei modelli di IA per rendere più eque le decisioni in ambito bancario.

Visualizza i dati grezzi JSON

Su di me

Sono di İzmir, sulla costa egea della Turchia. Facevo l’ingegnere civile finché, come in Skyrim, non mi sono preso una freccia nel ginocchio. Ho scambiato il casco da cantiere con il camice da laboratorio. Oggi lavoro come data scientist nel team AI Innovation di BBVA a Madrid.

Nel mio dottorato all’Università di Navarra studio come misurare e ridurre l’incertezza dei modelli di IA per rendere più eque le decisioni delle banche. Lo Strategic Management Executive Programme di Oxford mi ha fatto guardare alla questione anche dalla parte di chi deve decidere nell’incertezza.

Mi piace scoprire legami inattesi. Matematica astratta, fisica quantistica e filosofia, per esempio, si incontrano in una domanda che mi affascina. Dopo una misura, che cosa possiamo dire di sapere davvero?

Mentre imparo lo spagnolo, scopro Madrid e mi avvicino alle culture della Spagna e dell’America Latina. Mi piace anche dipingere e giocare a scacchi.

A casa preparo parecchio caffè. Ho una piccola darbuka, una kalimba e una Zanpakuto ispirata a Bleach, con cui pratico il kendo. Appena posso, invento qualche storia buffa per la mia bambina.

Oxford Strategic Management Executive Programme

Dove lavoro e studio

BBVA · AI Transformation · AI Innovation
Ingegnere e ricercatore nelle scienze applicate
Università di Navarra
Dottorando in equità nell’intelligenza artificiale

Interessi

Ontologie e strutture dati

Che cosa cambia nel grafo quando un treno è in ritardo?

La stazione è un luogo, la partenza un evento. Se uso due tipi di nodo e registro la fonte di ogni orario, posso risalire a tutte le coincidenze interessate da un solo ritardo?

Immaginiamo due treni che devono partire alle nove dalla stessa stazione. In un grafo posso rappresentare la stazione una volta sola e dare un’identità distinta a ciascuna partenza. Così posso aggiornare l’orario di un treno senza cambiare quello dell’altro.

Terrei sia l’orario previsto sia quello aggiornato, insieme alla fonte di ciascuno. Se una partenza slitta dalle nove alle nove e dieci, posso seguire i collegamenti di quell’evento e individuare le coincidenze da verificare. Un unico orario associato alla stazione farebbe perdere questa distinzione.

RDF 1.1 · W3C
Meaning-Native Computing

Un computer può prevedere meglio quali istruzioni verranno eseguite se conosce le regole del programma?

Meaning-Native Computing è il mio progetto di ricerca indipendente. Vorrei confrontare due metodi di previsione sullo stesso programma, con risorse di calcolo comparabili. A uno dei due fornisco anche una descrizione esplicita delle regole che il programma deve rispettare. Questo lo aiuta ad anticipare i passi successivi? Prima che una modifica prevista abbia effetto, una verifica indipendente deve confermare che rispetti quelle regole.

In questo progetto di ricerca indipendente voglio confrontare due metodi che osservano lo stesso programma in esecuzione e dispongono di risorse di calcolo simili. A uno dei due fornisco anche un’ontologia eseguibile, ossia una descrizione delle regole del programma in una forma che il computer può applicare. Conoscerle aiuta a prevedere quali istruzioni verranno eseguite dopo?

Le regole potrebbero ammettere due passi successivi diversi. Un metodo potrebbe sbagliare previsione pur rispettando ogni regola. Voglio confrontare la previsione con quello che il programma fa davvero. Prima di applicare una modifica proposta, una verifica indipendente deve accertare che sia ammessa.

Meaning-Native Computing
Teoria delle categorie

Che cosa si conserva quando compongo due trasformazioni?

Un processo ricava un grafo dagli orari, un altro vi cerca un itinerario. Quando li compongo, come conservo il legame tra ogni orario e la sua stazione?

Un procedimento trasforma un orario ferroviario in un grafo. Un altro trova un percorso al suo interno. Concatenare i due procedimenti è un esempio di composizione. Mi interessa capire se, sul percorso finale, posso ancora risalire alla stazione cui corrisponde ciascun orario.

Supponiamo che due stazioni abbiano entrambe una partenza alle nove. Se il primo passaggio salva solo l’ora e scarta la stazione, chi cerca il percorso non può ricostruire il legame dall’ora soltanto. Anche un piccolo orario aiuta a capire quali informazioni debbano arrivare al passaggio successivo.

Seven Sketches in Compositionality
Misura quantistica

E se facessi una domanda diversa allo stesso qubit?

Preparo lo stato “+”. Misurando nella base X ottengo sempre +. Nella base Z, 0 e 1 sono equiprobabili. Mi affascina che la scelta della misura cambi la risposta a parità di preparazione.

Immaginiamo di preparare di nuovo un qubit nello stato «più» prima di ogni misura. Nella base X, una misura ideale dà sempre «più». Con la stessa preparazione, nella base Z ottengo 0 e 1 con la stessa probabilità.

Dieci misure nella base Z potrebbero dare sette volte zero e tre volte uno. La probabilità di ottenere zero è pari a un mezzo in ogni prova, ma questo non fissa il numero degli zeri in un gruppo di dieci. È una distinzione facile da perdere di vista davanti a una breve serie di risultati.

Quantum Information · IBM · Specify observables in the Pauli basis · IBM Quantum Documentation

Un riconoscimento al mio lavoro

Nel 2024 ho ricevuto il premio We Think Big di BBVA per il mio lavoro sui brevetti e per i miei contributi alla ricerca accademica.

Guarda la foto del premio

Contatti e profili