Hoppa till huvudinnehållet
Institutionen för informationsteknologi

Forskarprofil: Thomas Schön

Thomas Schön

Thomas Schöns forskning handlar om Machine Learning - att bygga matematiska modeller utifrån data och att ge datorn en förmåga att lära sig saker som den inte är specifikt programmerad för. Foto: Kajsa Örjavik

”Jag är något av en entreprenör”

Thomas Schön har byggt upp ett framgångsrikt forskarteam inom Machine Learning på Institutionen för Informationsteknologi. Det bubblar av aktiviteter inom många olika forskningsområden, mycket tack vare Thomas förmåga att sätt ihop samarbeten och driva genom projekt.

- Min forskning handlar om Machine Learning, som är en del av AI, artificiell intelligens, säger Thomas Schön, professor i reglerteknik på Institutionen för Informationsteknologi vid Uppsala Universitet. Det handlar om att bygga matematiska modeller utifrån data och att ge datorn en förmåga att lära sig saker som den inte är specifikt programmerad för.

Thomas intresse för Machine Learning väcktes några år efter disputationen och det var av två anledningar.
- Dels används den matematik som jag kan och tycker är kul och dels används den matematiken för att lösa en mycket bredare uppsättning frågeställningar än vad jag var van vid, så jag fick tillgång till en mängd nya och spännande tillämpningar. Jag trodde också att Machine Learning skulle komma att påverka mycket, men den viktigaste anledningen var nog trots allt att jag helt enkelt inte kunde låta bli att gå in i området.

Det finns en mängd olika användningsområden för Machine Learning. Och det händer mycket inom Thomas forskarteam. Faktum är att det verkar bubbla av aktiviteter.
- Något som vi arbetar med just nu är automattolkning av EKG. Det är ett projekt där vi samarbetar med forskare i Brasilien. Där är vår automattolkning faktiskt bättre än riktiga läkare på att hitta fem av de sex vanligaste hjärtfelen numera. Det är rykande färska resultat som vi nyss har publicerat!

Thomas berättar att han har en strävan att leverera den bästa grundforskningen och den mest relevanta tillämpade forskningen. Den tillämpade forskningen görs tillsammans med företag eller tillämpande forskargrupper.
- Som exempel är forskningen kring automattolkningen av EKG där kardiologer i Brasilien har samlat in data i tio år och har skapat en forskargrupp, förklarar Thomas. En gästdoktorand på institutionen kommer från den gruppen. Han presenterade projektet och undrade om jag ville hjälpa till, och det passade perfekt. Vi hjälpte till med de matematiska modellerna (deep learning i detta fall) och de bidrar med de kliniska kunskaperna och så får vi en bra användning av våra kunskaper i en gemensam tillämpning.

Grunden är att Thomas forskarteam vidareutvecklar matematiska modeller och undersöker deras egenskaper och hur de kan användas. Vilken tillämpning de sedan forskar inom är oftast slumpmässig. Bara forskningen kan göra nytta i samhället.
- Ett samarbete kan uppstå genom att jag har möten med någon för att prata om något helt annat. Faktum är att jag utsätter mig för situationer och möten för att se vilka idéer som kan uppstå.

Ett av fokusområdena för Thomas forskning är medicin.
- Det startade med att jag fick bra kontakter med läkare bland annat genom en ledarskapskurs som jag gick. Uppsala är bra på det sättet genom att vi finns nära Universitetssjukhuset och läkare som forskar. När sedan min mamma blev sjuk i cancer påverkade det mig naturligtvis personligen, så jag ville hitta något sätt som jag kunde bidra till att göra den vården bättre.
När företaget Elekta kontaktade Thomas och ville ha hjälp med utvecklingen av en ny strålmaskin kändes det rätt.
Ett annat nytt forskningsområde inom Machine Learning som Thomas kollega Dave Zachariah har börjat arbeta inom handlar om kausalitet - att systematiskt hitta orsak-verkan-samband från mänsklig kunskap och stora datamängder.
- Det känns jättespännande metodmässigt och tillämpningsmässigt, säger Thomas. Att hitta orsakssamband, som exempelvis mellan beteenden och sjukdom.

Ännu ett resultat från Thomas forskarteam är ett nytt programmeringsspråk. Språket är specialbyggt för att ge fler personer tillgång till möjligheterna att använda de ganska komplicerade algoritmerna Sequential Monte Carlo (även kända som partikelfilter). Med hjälp av dessa algoritmer kan man lösa många sorters problem.
- Det kan användas inom i princip alla vetenskapliga områden, säger Thomas. Vi har nyligen testat att använda det inom fylogenetik, som handlar om att bygga upp träd över hur arter utvecklas och dör ut. Där samarbetar vi med Fredrik Ronquist på Naturhistoriska riksmuseet. Det har också använts för Epidemiologiska studier, som zika-viruset.

Den röda tråden i Thomas forskning är dynamiska system, saker som förändras över tiden och hur man matematiskt beskriver det med hjälp av modeller som resonerar med osäkerhet.
Forskningen kan bidra till att lösa många olika sorters problem och har stor relevans för de flesta forskningsområden där stora mängder data hanteras. Det sker samarbeten med medicin, matematik, fysik, samt freds-och konfliktvetenskap som länge har samlat data över konflikter, för att nämna några.
- Största utmaningarna är att hitta personal och tid. Jag letar hela tiden efter kompetenta forskare att rekrytera.

Att ha byggt upp ett starkt team inom Machine Learning är Thomas Schöns största bedrift enligt honom själv.
- För fem år sen var jag ensam och idag är vi över 20, säger Thomas. Jag hade från början en stark vilja att skapa ett team att jobba inom. Jag vill inte sitta själv och forska, då tröttnar jag.
Thomas menar att en av hans framgångsfaktorer är att han är något av en entreprenör i Universitetsmiljön.
- Jag är bra på att sy ihop flexibla samarbeten, plocka ihop folk från hela världen som är mest lämpade för att göra en viss grej och se till att det faktiskt görs också.
Nästa mål är att försöka få fler duktiga medarbetare på senior nivå till teamet och att få ut kunskapen så att den kan användas av andra.

Thomas undervisar också och det är något som han gillar och tycker är viktigt.
- Det är jättespännande att skapa ett intresse hos studenterna. Dessutom är det uppfriskande att få jobba med unga människor som inte är låsta utan tänker fritt, ifrågasätter och kommer med nya idéer. Det är en lyx inom det här jobbet!

Fakta - Thomas Schön

Ålder: 41
Titel: Professor i reglerteknik
Utbildning: Civilingenjör i teknisk fysik och elektroteknik och Ekonomie kandidat i företagsekonomi
Bor: Uppsala
Familj: En jättefin familj bestående av föräldrar, en bror och nära vänner runt om i världen.
Gör på fritiden: Spenderar mycket tid ute i naturen på olika sätt, tränar en del, åker skidor (framförallt toppturer och turåkning ute på fjället), jakt och vandring.
Aktuellt: Att via forskningsprojektet WASP (Sveriges största individuella forskningsprojekt hittills) få igång bra forskning och utbildning inom artificiell intelligens/machine learning i Sverige.
Lyssnar på: Kloka människor (via möten i verkligheten, böcker, poddar m.m.). Har en bred musiksmak, men är värdelös på att komma ihåg artister.
Dold talang: Kan klättra uppför verktikala isväggar.
Styrka: Möjlighetsskapande.
Svaghet: Tidsoptimist.
Drömprojekt: Att bygga ett timmerhus i bergen där det finns mycket snö och spännande turer runt hörnet. Tycker mycket om området kring Abisko och de delar av nord-Norge jag besökt så här långt.

Uppdaterad  2019-01-14 15:47:05 av Kajsa Örjavik.