Andys Arbeit sitzt an der Schnittstelle von vertrauenswürdigem maschinellem Lernen und Gesundheitsversorgung. Sein Schwerpunkt ist föderiertes und privatsphäreschonendes Lernen, insbesondere die Frage, was mit dem Modellverhalten passiert, wenn Daten die erhebende Einrichtung nicht verlassen dürfen: Heterogenität zwischen den Standorten, Kommunikationsbeschränkungen und die Lücke zwischen berichteter Performance und der Performance, auf die man sich in der klinischen Praxis verlassen kann.
Vor seinem Umzug nach Essen lehrte er zwei Jahre im Master-of-Data-Science-Programm der University of British Columbia zu Datenvisualisierung, Wahrscheinlichkeit und Statistik, Datenbanken und Kommunikation. Seine Promotion in den Neurowissenschaften erwarb er ebenfalls an der University of British Columbia, mit angewandtem Machine Learning in der Suchtpsychiatrie.
Aktuelle Projekte und Themen: FLIP-IT (föderiertes Lernen für medizinische Daten), datenschutzfreundliche Aggregation und kommunikationseffiziente föderierte Protokolle sowie die Evaluation und Verlässlichkeit klinischer ML-Modelle, einschließlich der Frage, wie gut die Performance zwischen Einrichtungen übertragbar ist.
