Razan är på väg mot en doktorsexamen inom autonoma system

Bild

– För att lyckas som doktorand måste du veta hur du bäst lär dig. För om du vill bedriva ledande forskning måste du alltid lära dig nya saker, säger Razan Ghzouli.

Razans väg till livet som doktorand började med en kandidatexamen i Computer and Automation Engineering i Damaskus. Hon fick ett stipendium för att åka till Göteborgs universitet och studera på masterprogrammet Applied Data Science. Hon tog examen i november 2019 och började sin doktorandtjänst strax därefter.

– Jag trodde faktiskt aldrig att jag skulle hoppa på en doktorandtjänst, men möjligheten uppstod och jag tyckte att det lät intressant. Jag fick chansen att prata med professorn som utlyste tjänsten och jag gillade verkligen själva ämnet, lärarna och handledaren. Chalmers, där jag är anställd, är ett toppuniversitet så jag tänkte, varför inte ansöka?

Krävande men givande

Razan är en del av en forskargrupp inom enheten för Software Engineering som fokuserar på autonoma system – mer specifikt robotar, AI och maskininlärning.

– Jag arbetar med robotik, och specifikt säkerheten kring det. Förhoppningen är att etablera metoder och verktyg för att säkerställa att roboten gör vad den ska göra, utan att det uppstår något problematiskt scenario. Så jag extraherar beteendemodellen för en robot och letar efter möjliga problematiska scenarier.

Enligt Razan är det både krävande och givande att vara doktorand.

– I en doktorandposition skaffar du dig många färdigheter. Du lär dig att multitaska, du lär dig hur du själv jobbar bäst. Naturligtvis finns din handledare alltid där, men om du inte lär dig hur du bäst utnyttjar din tid blir det svårt att komma vidare. Det kan stundtals vara riktigt utmanande.

Hon fortsätter:

– Jag tror att de viktigaste färdigheterna för att lyckas som doktorand är självlärande, tidsstyrning och uthållighet. Ibland kan det vara viktigare än att kunna ämnet.

Razan, vad förde dig till området applied data science?

– Det började under min kandidatexamen, där jag lärde mig lite om många olika saker. Vissa delar relaterade till AI och maskininlärning. Vi pratade inte specifikt om data science, mer om hur man använder maskininlärning inom ett ämne. Efter min kandidatexamen jobbade jag i två år. Mitt första jobb var inom kommunikation där jag arbetade med nyckeltal för nätverk. Jag gjorde många saker manuellt, och insåg att jag ville lära mig att göra dessa saker på ett smartare sätt. Mitt andra jobb var humanitärt arbete, och det var där jag insåg behovet av att extrahera information från data och analysera den, för att försöka hitta mönster som kan hjälpa människor. Efter det blev jag mer angelägen att få ett stipendium och ta en masterexamen inom just data science.