— Tematyka pracy jest ściśle związana z moimi dwoma konikami: nauką o sieciach złożonych i uczeniem maszynowym. Zainteresowałem się nimi jeszcze na studiach inżynierskich, a zwykła ciekawość z czasem przerodziła się w prawdziwe pasje — mówi laureat nagrody, aktualnie doktorant w Szkole Doktorskiej Politechniki Warszawskiej. — W przypadku sieci niewątpliwą zasługę miała moja, wtedy jeszcze przyszła, promotor, czyli prof. Agata Fronczak — dodaje.

W swojej pracy mgr inż. Kamil Orzechowski pochylił się nad Twitterem (obecnie portal X), jednym z największych spośród istniejących serwisów społecznościowych, który dzięki otwartemu dostępowi do wiedzy jest cennym źródłem informacji do badań nad interakcjami społecznymi i dynamiką ludzkich zachowań zbiorowych z wykorzystaniem różnych technik analizy danych.

— Jedną z nich jest analiza predykcyjna, stanowiąca odmianę zaawansowanej analityki, która przewiduje przyszłe wyniki w oparciu o dane historyczne połączone z modelowaniem statystycznym, technikami eksploracji danych i uczeniem maszynowym. Takie analizy można wykonywać na sieciach złożonych, o szerokiej gamie kryteriów sąsiedztwa węzłów. Przykładem mogą być sieci wzmianek między użytkownikami Twittera. W ramach pracy zbadałem i porównałem korelacje wagowo-strukturalne między lokalnym otoczeniem krawędzi a jej wagą. Charakter tych korelacji posłużył do określenia miar podobieństwa węzłów w celu wykorzystania uczenia maszynowego do predykcji przyszłych połączeń sieciowych. Mechanizmy te mogą znaleźć potencjalne zastosowanie chociażby w systemach, których celem jest rekomendacja danych usług czy produktów, biorąc pod uwagę określone podobieństwa pomiędzy ich odbiorcami. Przykłady? Spersonalizowane reklamy, nowe kontakty w serwisach społecznościowych czy proponowane filmy w serwisach streamingowych — wyjaśnia nasz doktorant.

W ramach swojego doktoratu Kamil Orzechowski skupia się na fizyce układów złożonych. Pod skrzydłami dr. hab. inż. Piotra Fronczaka, prof. PW, zajmuje się próbą rozwoju kolektywnych metod sztucznej inteligencji i próbami ich połączenia z fizyką statystyczną sieci złożonych.

Równolegle rozwija też karierę zawodową — wiedzę zdobytą na studiach wykorzystuje jako walidator modeli bankowych opartych o algorytmy uczenia maszynowego i generatywnej sztucznej inteligencji.