Ayesha étudie les systèmes complexes en contexte multidimensionnel, avec des projets spécifiques dans divers domaines d'application financés par le CRSNG, le CFREC, le CANSSI et MITACS. Elle commence par analyser le processus de génération des données, puis le relie à un modèle de Markov graphique pour résoudre des problèmes inspirés d'applications concrètes. Ses contributions à la recherche comprennent le développement de méthodes d'optimisation pour la régularisation de données de comptage multivariées, de techniques de visualisation XAI pour les modèles profonds en présence de petits échantillons, et de méthodes proximales pour les régressions régularisées qui exploitent la structure du graphe des prédicteurs. Parmi ses domaines d'application, on peut citer la composition du microbiome intestinal, le choix du moment optimal pour les analyses d'azote du maïs, l'estimation du rendement des cultures à partir de données de télédétection et la biosurveillance de l'exposition aux produits chimiques et de ses effets sur la santé. Ayesha a obtenu son doctorat en statistique à l'Université de Washington. Elle a brièvement occupé un poste à l'Université nationale de Singapour avant de revenir au Canada.