Na haar afstuderen en promotie in Polen werkte Anna als postdoc in de VS. “Mijn werk verschoof van puur academisch naar meer toegepast. Tijdens mijn promotieonderzoek ontwikkelde ik methoden voor het omzetten van numerieke data in gewone, natuurlijke taal (natural language). In de VS pasten we natural language toe door bij ouderen verzamelde data om te zetten naar adviezen in natuurlijke taal voor de verpleegkundigen die de ouderen verzorgen.”

Wetenschappers hebben meestal geen moeite met data in de vorm van cijfers. De meerderheid van de algemene bevolking heeft dat echter wel. “De meeste mensen begrijpen natuurlijke taal makkelijker dan getallen. We weten wat het cijfer op de snelheidsmeter in onze auto aangeeft, maar als het dashboard een wereld aan numerieke data laat zien, dan raken we de weg kwijt. Als je dan bedenkt dat, bijvoorbeeld, de hoeveelheid data die een ziekenhuis produceert elke twee jaar verdubbelt, dan zie je dat het in begrijpelijke taal samenvatten van data steeds belangrijker wordt.”

Bij medisch wetenschappelijk onderzoek verwerken onderzoekers de medische gegevens van patiënten. Meestal gaat het om onderzoek in meerdere ziekenhuizen tegelijk. Vanwege privacywetgeving wordt dit een steeds moeilijkere opgave. Federated Learning brengt uitkomst. “Elk ziekenhuis traint een deel van het computermodel met zijn eigen data. De wetenschappers verzamelen dan de deel-modellen en voegen die samen tot een compleet model. Op deze manier hoeft de data van de patiënt het ziekenhuis nooit te verlaten. Federated Learning is ook terug te vinden in je smartphone. Wanneer je een woord typt geeft de telefoon suggesties van woorden die je waarschijnlijk bedoelt. Dit kan dankzij Federated Learning waarbij je data je telefoon nooit verlaten.