خود وینگ هرگز قصد تحصیل در علوم کامپیوتر را نداشت. در اواسط دهه 1970، او با الهام از پدرش که استادی در آن رشته بود، وارد MIT شد تا مهندسی برق را دنبال کند. هنگامی که او متوجه علاقه خود به علوم کامپیوتر شد، با او تماس گرفت تا از او بپرسد که آیا این یک مد گذرا است. بالاخره این رشته حتی کتاب درسی هم نداشت. او به او اطمینان داد که اینطور نیست. وینگ تغییر رشته داد و هرگز به عقب نگاه نکرد.
وینگ که قبلاً معاون شرکت تحقیقاتی مایکروسافت و اکنون معاون اجرایی تحقیقات در دانشگاه کلمبیا بود، پیشرو در ترویج علم داده در چندین رشته است.
آنیل آنانتاسوامی اخیراً از وینگ درباره برنامه بلندپروازانه اش برای ترویج «هوش مصنوعی قابل اعتماد»، یکی از 10 چالش تحقیقاتی که او در تلاش برای ایجاد منصفانه تر و کم سوگیری سیستم های هوش مصنوعی شناسایی کرده است، پرسید.
س: آیا می‌خواهید بگویید که در روش انجام محاسبات تغییری در راه است؟
ج: قطعا. قانون مور ما را راه درازی برد. ما می‌دانستیم که می‌خواهیم به سقف قانون مور برسیم، [so] محاسبات موازی مطرح شد. اما تغییر فاز، محاسبات ابری بود. سیستم‌های فایل توزیع شده اصلی نوعی محاسبات ابری نوزاد بودند که در آن فایل‌های شما محلی برای دستگاه شما نبودند. آنها در جای دیگری در سرور بودند. رایانش ابری آن را می گیرد و آن را حتی بیشتر تقویت می کند، در جایی که داده ها در نزدیکی شما نیستند. محاسبات نزدیک شما نیست
تغییر بعدی در مورد داده است. برای طولانی‌ترین زمان، ما روی چرخه‌ها تمرکز کردیم و باعث شد کارها سریع‌تر کار کنند – پردازنده‌ها، پردازنده‌ها، پردازنده‌های گرافیکی و سرورهای موازی بیشتر. بخش داده را نادیده گرفتیم. حالا باید روی داده‌ها تمرکز کنیم.
س: این حوزه علم داده است. تو چطور اینو تعریف میکنی؟ چالش های استفاده از داده ها چیست؟
آ: من یک تعریف بسیار موجز دارم. علم داده مطالعه استخراج ارزش از داده ها است.
شما نمی توانید فقط یک دسته از داده های خام را به من بدهید و من یک دکمه را فشار می دهم و مقدار آن بیرون می آید. با جمع آوری، پردازش، ذخیره، مدیریت، تجزیه و تحلیل و تجسم داده ها و سپس تفسیر نتایج شروع می شود. من آن را چرخه عمر داده ها می نامم. هر مرحله در آن چرخه کار زیادی است.
س: هنگامی که از داده های بزرگ استفاده می کنید، اغلب نگرانی هایی در مورد حفظ حریم خصوصی، امنیت، انصاف و تعصب ایجاد می شود. چگونه می توان به این مشکلات بخصوص در هوش مصنوعی رسیدگی کرد؟
آ: من این دستور کار تحقیقاتی جدیدی را دارم که تبلیغ می کنم. من آن را هوش مصنوعی قابل اعتماد می نامم که از چندین دهه پیشرفت ما در محاسبات قابل اعتماد الهام گرفته شده است. منظور ما از قابلیت اعتماد، امنیت، قابلیت اطمینان، در دسترس بودن، حریم خصوصی و قابلیت استفاده است. در طول دو دهه گذشته، ما پیشرفت های زیادی داشته ایم. ما روش‌های رسمی داریم که می‌تواند صحت یک کد را تضمین کند. ما پروتکل های امنیتی داریم که امنیت یک سیستم خاص را افزایش می دهد. و ما مفاهیم خاصی از حریم خصوصی داریم که رسمی شده اند.
هوش مصنوعی قابل اعتماد از دو طریق پیشرفت می کند. ناگهان، ما در مورد استحکام و انصاف صحبت می کنیم – استحکام به این معنی که اگر ورودی را مختل کنید، خروجی خیلی مختل نمی شود. و ما در مورد تفسیر پذیری صحبت می کنیم. اینها چیزهایی هستند که هرگز در مورد محاسبات صحبت نمی کردیم.