Die gesamte Serie lesen
Dieser Artikel ist Teil einer ausführlichen Anleitung dazu, wie wir mit Quilters physikgestützter Layout-Automatisierung einen Computer auf Basis des NXP i.MX 8M Mini nachgebaut haben.
Für Harshat Kumar, Reinforcement-Learning-Entwickler bei Quilter, war Mathematik immer mehr als Zahlen: Sie war ein Weg, die Welt zu verstehen. „Als ich aufwuchs, wollte ich eigentlich Mathematikprofessor werden“, sagt er. „Mein Großvater war Mathematikprofessor.“ Doch bald wurde das Ingenieurwesen für ihn zur Brücke zwischen Theorie und Anwendung.
Harshats Weg von den Hörsälen der Rutgers University und der University of Pennsylvania zu Quilters Herausforderungen beim physikbasierten KI-Design zeigt, was geschieht, wenn intellektuelle Präzision auf praktische Innovation trifft. „Wenn irgendjemand das lösen kann, dann dieses Team“, erinnert er sich an seine ersten Gespräche mit Sergiy und den Gründern. „Als das Angebot kam, habe ich deshalb sehr gern zugesagt.“ Humans in the Loop stellt Menschen wie Harshat vor, deren Neugier und Beharrlichkeit abstrakte Ideen in greifbaren Fortschritt verwandeln.
Die Anfänge
„Ich wusste, dass ich mich schon immer mit Mathematik beschäftigen wollte“, erinnert sich Harshat. „Und um Geld zu verdienen beziehungsweise einen Job zu haben, entschied ich mich für Ingenieurwissenschaften.“ Diese Entscheidung führte ihn zur Elektrotechnik und Computertechnik mit Mathematik als zweitem Hauptfach. „Dieses elektrotechnische Fundament hilft mir mehr, als ich erwartet hatte“, sagt er. „Mein Schwerpunkt lag eindeutig bei Algorithmen zur Signalverarbeitung, aber ich habe auch ein grundlegendes Verständnis elektronischer Bauteile, was insgesamt hilfreich ist.“
Eine einfache Erfahrung im Studium lenkte ihn zum maschinellen Lernen. „Einer der Kurse in meinem letzten Studienjahr öffnete mir die Augen für maschinelles Lernen und sein Potenzial“, sagt er. „Aus Sicht der Signalverarbeitung und Optimierung ergab das einfach Sinn.“ Seine Faszination für Reinforcement Learning entstand aus einem ganz anderen Impuls: dem Unbehagen, etwas nicht zu verstehen. „Wenn ich etwas nicht verstehe, bin ich der Typ Mensch, der sich so lange intensiv damit beschäftigt, bis er es versteht.“
Wege in der Entwicklung
An der University of Pennsylvania befasste sich Harshats Promotion mit der „Herleitung von Konvergenzraten für verschiedene Reinforcement-Learning-Algorithmen“. Er beschreibt sie als „sehr mathematiklastige Promotion“, durch die er jedoch die Präzision und Geduld lernte, die nötig sind, um Theorie mit praktischer Entwicklung zu verbinden.
Diese Sorgfalt begleitete ihn auch während seiner Zeit am Johns Hopkins Applied Physics Lab, wo er „Einblicke in modernste modellbasierte Reinforcement-Learning-Algorithmen bekam“. Doch erst bei Quilter erweiterte sich seine Denkweise über den akademischen Bereich hinaus. „Im vergangenen Jahr habe ich zu schätzen gelernt, dass es einen ganz anderen Zweig des Ingenieurwesens gibt: das Skalieren beziehungsweise das tatsächliche Lösen eines Problems im industriellen Maßstab“, erklärt er. „Man kann theoretisch den besten Algorithmus haben, aber wenn seine Ausführung ewig dauert, was nützt er dann?“
Für Harshat gehört Optimierung heute sowohl zur Theorie als auch zur Umsetzung. „Man versucht, viele unterschiedliche Bereiche zu optimieren: Zeit, Rechenleistung, Ressourcen“, sagt er. „Das wird zu einem eigenen Optimierungsproblem.“
Warum Quilter
Als Harshat zum ersten Mal auf die Stelle aufmerksam wurde, zögerte er. „Ich war etwas zurückhaltend, was die Arbeit in einem Startup anging, einfach weil ich noch nie darüber nachgedacht hatte“, gibt er zu. Doch Gespräche mit dem Team änderten das. „Nach ein paar Gesprächen mit Sergiy und dem Team dachte ich: Ja, das sind interessante Probleme. Wenn irgendjemand sie lösen kann, dann dieses Team.“
Dieses Vertrauen hat sich bestätigt. „Es macht wirklich Spaß, weil es so anders ist als die akademische Welt, in der einem viele Annahmen einfach vorgegeben werden“, sagt er. „In der Reinforcement-Learning-Forschung nimmt man an, dass die Umgebungen feststehen, etwa CartPole oder MountainCar. In der Industrie muss man dagegen das Spiel selbst definieren.“
Bei Quilter trifft Harshats mathematischer Hintergrund auf die Komplexität realer Systeme. Daraus entsteht ein dynamischer Rückkopplungskreis zwischen Forschung und Produktion. „Es geht immer besser“, sagt er. „Man kann den Ressourcenbedarf immer weiter verringern, immer weiter optimieren. Genau das ist so spannend.“
Jenseits der Werkbank
Außerhalb der Arbeit nehmen Harshat und seine Frau, eine Ärztin in Weiterbildung mit einer Vorliebe für Mythologie und Literatur, sich Zeit, „gelegentlich am Wochenende zu verreisen, wenn wir Zeit haben“. Seine Begeisterung gilt auch kleineren Freuden: „Ich spiele unheimlich gern Squash“, sagt er lachend. „Das ist mein Hobby, seit ich denken kann.“
Auch seine Freude am Lesen entdeckt er wieder: „Ich habe mir einen Kindle gekauft und versuche, wieder mehr zu lesen.“ Und wenn der Tag ausklingt, endet er oft in der Küche. „Meine Eltern machen Aloo Paratha, die immer so gut sind“, sagt er liebevoll, „und meine Frau macht Dosa selbst – das ist pures Glück.“ Er lächelt. „Ich glaube, ich koche auch ganz ordentlich, aber sie ist besser.“
Ein Satz, der bleibt
„Alle Modelle sind falsch, aber manche sind nützlich“, sagt Harshat und zitiert den Statistiker George Box. Dann fügt er einen eigenen, leisen Gedanken hinzu: „Im Alltäglichen liegt Schönheit, mein Freund.“
Zum Abschluss
An Harshat fällt auf, wie selbstverständlich er zwei Welten verbindet: die Gewissheit der Mathematik und die Offenheit der Entwicklung. Sein Instinkt, sich in das zu vertiefen, was er nicht versteht, befähigt ihn und das Team um ihn herum, Theorie in Praxis zu verwandeln.
