Jeremy Howard

wiki
, , , ,
1

Científico de datos australiano, emprendedor en serie y educador, conocido como cofundador de fast.ai, creador de ULMFiT y una voz líder en la democratización del aprendizaje profundo.

Perfil
Nacimiento 13 de noviembre de 1973, Londres, Inglaterra (criado en Melbourne, Australia)
Nacionalidad Australiana
Institución(es) actual(es) fast.ai (investigador fundador); Answer.AI (cofundador); Universidad de Queensland (profesor honorario); Stanford Digital Economy Lab (Digital Fellow); CSIRO Data61 (Adjunct Science Fellow)
Áreas de investigación Aprendizaje profundo, Transferencia de aprendizaje, PLN, Accesibilidad a la IA, IA Médica
Educación Licenciatura en Filosofía, Universidad de Melbourne (sin título formal en ciencias de la computación)
Sitio web jeremy.fast.ai
X / Twitter @jeremyphoward
GitHub jph00
Google Scholar Jeremy Howard

Resumen

Jeremy Howard es una de las figuras no tituladas más influyentes en la historia de la IA moderna. Sin un título en ciencias de la computación, construyó carreras en consultoría de gestión, análisis de seguros e infraestructura de correo electrónico antes de descubrir el aprendizaje automático y convertirse — por clasificación competitiva — en el científico de datos mejor clasificado del mundo en Kaggle en 2010 y 2011. Fundó Enlitic, la primera empresa en aplicar el aprendizaje profundo al diagnóstico médico, y más tarde cofundó fast.ai, cuyo curso ha sido visto por más de seis millones de personas y cuya biblioteca fastai tiene más de 25.000 estrellas en GitHub. Su algoritmo ULMFiT (ACL 2018), coescrito con Sebastian Ruder, estableció la transferencia de aprendizaje como el paradigma estándar para el PLN e influyó directamente en la metodología de entrenamiento de GPT, ChatGPT y sus sucesores. También es cofundador de Answer.AI, un laboratorio práctico de I+D en IA lanzado en 2023, y lideró el movimiento global Masks4All durante la pandemia de COVID-19, coescribiendo una revisión de evidencia fundamental en PNAS. Su carrera está definida por una filosofía consistente: que las potentes herramientas de IA, rigurosamente comprendidas y abiertamente compartidas, deberían ser accesibles para cualquiera.

Primeros años y educación

Howard nació en Londres el 13 de noviembre de 1973 y se mudó a Melbourne, Australia, con su familia en 1976. Asistió a Melbourne Grammar y estudió filosofía en la Universidad de Melbourne. No posee un título formal en ciencias de la computación ni matemáticas — un hecho que ha enfatizado repetidamente como prueba de que el aprendizaje profundo puede ser aprendido por cualquiera que esté dispuesto a invertir tiempo. Su participación temprana en programación incluyó contribuciones a proyectos de infraestructura de código abierto: contribuyó al lenguaje de programación Perl como presidente del grupo de trabajo Perl6-data, y a los servidores Cyrus IMAP y Postfix SMTP.

Carrera

Consultoría de gestión (principios de los 90 – finales de los 90)

Howard comenzó su carrera en consultoría de gestión en McKinsey & Co y AT Kearney, permaneciendo en consultoría durante ocho años antes de convertirse en emprendedor. En AT Kearney lideró el grupo Leveraging Customer Information, una práctica internacional de aprendizaje automático y análisis de datos. Se describe a sí mismo como el primer analista especialista en McKinsey en Australia a principios de los 90, en un momento en que solo existían dos especialistas de este tipo a nivel global en la firma.

FastMail y Optimal Decisions Group (finales de los 90 – 2000s)

Estando en Australia, Howard fundó dos startups exitosas: el proveedor de correo electrónico FastMail, que vendió a Opera Software, y la empresa de optimización de precios de seguros Optimal Decisions Group (ODG), que vendió a ChoicePoint. En ODG inventó la fijación de precios optimizada para beneficios en seguros, un método ahora utilizado por casi todos los aseguradores de hogar y automóviles, y creó el método Drivetrain para construir productos de datos.

Kaggle (2010–2013)

Howard se involucró por primera vez con Kaggle, la plataforma de competición de ciencia de datos, después de convertirse en su participante mejor clasificado a nivel mundial. Las competiciones que ganó involucraron la previsión turística y la predicción del éxito de solicitudes de subvención. Posteriormente se convirtió en Presidente y Científico Jefe de Kaggle. En diciembre de 2011, la revista Wired publicó un artículo sobre Howard, llamándolo «El científico accidental». Dejó Kaggle en diciembre de 2013.

Enlitic (2014–2016)

En agosto de 2014, Howard fundó Enlitic para utilizar el aprendizaje automático y hacer que las herramientas de diagnóstico médico y apoyo a decisiones clínicas fueran más rápidas, precisas y accesibles. Recaudó 15 millones de dólares en los dos primeros años de la creación de la empresa. MIT Tech Review la clasificó en el puesto n.º 14 en su lista de las empresas más inteligentes del mundo, justo por delante de Facebook y SpaceX. Enlitic fue la primera empresa del mundo centrada específicamente en el aprendizaje profundo para imágenes médicas — anticipándose por varios años a la ola de startups de salud basadas en IA que le siguieron.

fast.ai (2016–presente)

Fast.ai es un grupo de investigación sin ánimo de lucro centrado en el aprendizaje profundo y la IA. Fue fundado en 2016 por Jeremy Howard y Rachel Thomas con el objetivo de democratizar el aprendizaje profundo. El producto estrella de la organización es el curso Practical Deep Learning for Coders (course.fast.ai), que no requiere más requisitos previos que conocimientos de Python y ha sido descrito por The Economist como un modelo para la educación masiva en IA. El curso ha sido visto por más de seis millones de personas y es el curso de aprendizaje profundo más longevo y más utilizado del mundo, y ha lanzado muchas carreras en investigación, industria y startups.

La biblioteca de software fastai, desarrollada conjuntamente con Sylvain Gugger, proporciona una API en capas sobre PyTorch que permite la creación rápida de prototipos y resultados de vanguardia con un código mínimo. Tiene más de 25.000 estrellas en GitHub. Howard y sus estudiantes también establecieron velocidades de entrenamiento récord en el benchmark Stanford DawnBench en 2018, demostrando que un equipo pequeño podía igualar o superar a las grandes empresas tecnológicas en costo y tiempo para entrenar clasificadores ImageNet.

En fast.ai, Howard también creó nbdev, una herramienta de programación literaria que permite a los desarrolladores escribir bibliotecas de Python directamente en Jupyter notebooks, simplificando drásticamente la documentación, las pruebas y la distribución de paquetes.

Wicklow AI in Medicine Research Initiative / Universidad de San Francisco

Howard se desempeñó como Distinguished Research Scientist en la Universidad de San Francisco y como presidente fundador de la Wicklow AI in Medicine Research Initiative (WAMRI), construyendo alianzas con UCSF, Harvard, Stanford y muchos otros centros médicos académicos, lo que resultó en importantes avances en investigación médica publicados.

COVID-19 y Masks4All (2020–2021)

Al principio de la pandemia, Howard se convirtió en un defensor público líder del uso universal de mascarillas. Lideró la revisión de evidencia más grande sobre mascarillas, publicada en las Actas de la Academia Nacional de Ciencias, y se convirtió en el artículo más leído de todos los tiempos en preprints.org. Escribió artículos de opinión en el Washington Post, The Guardian y The Atlantic, y apareció en las principales cadenas de televisión estadounidenses, incluyendo Good Morning America y Nightline.

Answer.AI (2023–presente)

Howard cofundó Answer.AI con Eric Ries como un nuevo tipo de laboratorio de I+D en IA que crea productos prácticos para el usuario final basados en avances de investigación fundamentales. La filosofía del laboratorio es mantenerse pequeño, lanzar rápidamente y centrarse en productos genuinamente útiles para usuarios individuales — contrastada explícitamente con la tendencia de «IA agéntica» de las grandes empresas. Los primeros lanzamientos notables incluyeron un sistema basado en FSDP y QLoRA que permite el entrenamiento de modelos de 70B en dos GPU de consumo, y herramientas destinadas a ayudar a desarrolladores y escritores a desarrollar sus propias capacidades utilizando asistencia de IA.

Contribuciones clave

  • ULMFiT — Universal Language Model Fine-tuning (ACL 2018) — Coescrito con Sebastian Ruder. Propuso un método efectivo de transferencia de aprendizaje aplicable a cualquier tarea de PLN, reduciendo el error entre un 18 y un 24% en la mayoría de los conjuntos de datos de referencia, e igualando el rendimiento del conjunto de datos completo con solo 100 ejemplos etiquetados. Citado más de 5.000 veces y acreditado como el predecesor técnico del enfoque de entrenamiento de la familia GPT. Cuando se publicó, Howard y Ruder se encontraron con un escepticismo sustancial: la comunidad descartó ampliamente el fine-tuning como falto de principios, y la vindicación de ULMFiT tardó un año.

  • Curso fast.ai — El curso de aprendizaje profundo en línea más longevo del mundo, que enseña una pedagogía distintiva de arriba abajo y primero el código, que ha introducido a millones de profesionales en el campo sin requisitos previos.

  • Biblioteca fastai — Una API en capas sobre PyTorch que permite resultados de vanguardia con significativamente menos líneas de código; sus principios de diseño subyacentes fueron publicados en la revista revisada por pares Information (2020). Más de 25.000 estrellas en GitHub.

  • nbdev — Un sistema de programación literaria para desarrollar software de Python en Jupyter notebooks, que incluye generación automática de pruebas, documentación y publicación de paquetes; ampliamente adoptado en las comunidades de fast.ai y Python de código abierto.

  • Enlitic — La primera empresa del mundo de aprendizaje profundo para medicina (2014), demostrando que las redes neuronales profundas podían igualar o superar el rendimiento a nivel de radiólogo en tareas de imagenología médica.

  • Récords de velocidad DawnBench (2018) — Con estudiantes de fast.ai, estableció récords por el entrenamiento de ImageNet más rápido y barato, superando a los equipos de Google e Intel y demostrando el poder práctico de la metodología de entrenamiento de fast.ai.

  • Deep Learning for Coders with fastai and PyTorch (O’Reilly, 2020) — Coescrito con Sylvain Gugger; calificado con cinco estrellas en Amazon y elogiado por Peter Norvig como una de las mejores fuentes para que los programadores se vuelvan competentes en aprendizaje profundo.

  • Revisión de evidencia sobre mascarillas en PNAS (2021) — Codirigida con 20 autores de múltiples instituciones; se convirtió en el artículo más leído en preprints.org en el momento de su publicación e influyó directamente en las políticas de salud pública de varios países.

  • Charla TED — «The wonderful and terrifying implications of computers that can learn» — Más de 2,5 millones de visitas, traducida a 26 idiomas; una de las introducciones públicas más vistas sobre las implicaciones sociales del aprendizaje profundo.

Premios y reconocimientos

  • MIT Technology Review Smartest Companies (2015, 2016) — Enlitic clasificada en el n.º 14 a nivel mundial, por delante de Facebook y SpaceX.
  • Wired «El científico accidental» (2011) — Perfil que reconoce su ascenso al primer puesto mundial en Kaggle.
  • Young Global Leader del Foro Económico Mundial — Invitado a hablar en Davos 2014 sobre «Empleos para las máquinas».
  • Profesor honorario, Universidad de Queensland (2022–presente) — Reconocimiento académico formal de sus contribuciones educativas.
  • Digital Fellow, Stanford Digital Economy Lab (2023–presente) — Beca afiliada en Stanford HAI.

Relaciones clave

  • Rachel Thomas — Cofundadora de fast.ai; matemática, eticista y educadora que cocreó el curso y dirigió el plan de estudios de ética de datos. La asociación hizo de fast.ai una de las organizaciones de educación en IA más equilibradas del campo.
  • Sebastian Ruder — Coautor de ULMFiT; investigador de PLN entonces en el Insight Centre for Data Analytics, ahora en Google DeepMind. La colaboración unió el PLN académico y el enfoque aplicado de fast.ai en un momento crucial.
  • Sylvain Gugger — Contribuyente principal y comantenedor de la biblioteca fastai y nbdev; coautor de Deep Learning for Coders. La profundidad de ingeniería detrás de muchas de las herramientas prácticas de fast.ai.
  • Eric Ries — Cofundador de Answer.AI; creador de la metodología Lean Startup. Howard ha citado la influencia de Ries en su pensamiento sobre el desarrollo iterativo de productos y la tecnología útil.
  • Peter Norvig — Director de Investigación de Google, quien respaldó públicamente Deep Learning for Coders como uno de los mejores libros de aprendizaje profundo disponibles; el respaldo tuvo un peso significativo en la validación del enfoque no titulado de Howard.

Estilo personal

Howard es un contradictorio deliberado en cuestiones de pedagogía de IA y cultura de investigación. Su curso fast.ai invierte la secuencia convencional — comenzando con aplicaciones y yendo hacia atrás a la teoría — basándose en la creencia explícita de que la motivación precede a la comprensión, y que la función de guardián de los prerrequisitos matemáticos ha excluido históricamente a las personas más capaces de aplicar la IA de manera útil. Ha sido igualmente contradictorio en la investigación: ULMFiT fue desarrollado y publicado cuando la comunidad de PLN era profundamente hostil al fine-tuning, y sus resultados de DawnBench desafiaron deliberadamente la suposición de que solo las grandes organizaciones con grandes presupuestos de cómputo podían avanzar en el estado del arte. Su filosofía de Answer.AI extiende esto: oposición explícita a la «IA agéntica» que automatiza a los humanos fuera del bucle, a favor de herramientas que brinden a los profesionales humanos más influencia sobre su propio trabajo. Escribe y habla de manera accesible, sin jerga, y tiene un largo historial de interactuar directamente con los estudiantes — su AMA en Reddit de 2014 sigue siendo ampliamente enlazada como una introducción a su pensamiento.

Referencias