Thomas G. Dietterich

wiki
, ,
1

Catedrático Emérito Distinguido de la Universidad Estatal de Oregón y uno de los arquitectos fundacionales del campo del aprendizaje automático, cuyas contribuciones abarcan códigos de salida con corrección de errores, aprendizaje de instancias múltiples, aprendizaje por refuerzo jerárquico y sostenibilidad computacional.

Perfil
Nacimiento 1954, South Weymouth, Massachusetts
Nacionalidad Estadounidense
Institución(es) actual(es) Universidad Estatal de Oregón — Escuela de EECS (Catedrático Emérito Distinguido); BigML (Científico Principal)
Áreas de investigación Aprendizaje automático, métodos de conjunto, aprendizaje por refuerzo jerárquico, aprendizaje de instancias múltiples, sostenibilidad computacional, seguridad de la IA
Director de doctorado Bruce G. Buchanan
Tesis doctoral Constraint-Propagation Techniques for Theory-Driven Data Interpretation (Universidad de Stanford, 1984)
X / Twitter @tdietterich
GitHub tdietterich
Google Scholar Thomas G. Dietterich — más de 33 000 citas

Resumen

Thomas G. Dietterich es uno de los investigadores fundadores del aprendizaje automático, ya que pasó la mayor parte de su carrera — desde 1985 hasta su jubilación en 2016 — construyendo el programa de IA de la Universidad Estatal de Oregón y produciendo una serie de contribuciones técnicamente duraderas que siguen siendo referencias estándar. Es más conocido por introducir los códigos de salida con corrección de errores (ECOC) como método general para la clasificación multiclase, formalizar el problema del aprendizaje de instancias múltiples (MIL) y desarrollar el marco de descomposición MAXQ para el aprendizaje por refuerzo jerárquico. Institucionalmente, fue presidente fundador de la Sociedad Internacional de Aprendizaje Automático, editor ejecutivo de la revista Machine Learning durante seis años, cofundador del Journal of Machine Learning Research, presidente de AAAI de 2014 a 2016 y presidente del programa tanto de AAAI-90 como de NeurIPS 2000. Consiguió más de 30 millones de dólares en subvenciones de investigación y formó a una generación de estudiantes que pueblan grupos de investigación de IA en todo el mundo. Desde que se retiró de la docencia activa, ha mantenido un compromiso público como moderador de la categoría cs.LG de arXiv y como comentarista sobre el riesgo de la IA — defendiendo sistemáticamente un enfoque pragmático del peligro de la IA centrado en los errores y los fallos, en lugar de en escenarios de superinteligencia de ciencia ficción.

Primeros años y educación

Dietterich nació en 1954 en South Weymouth, Massachusetts. Su familia se mudó primero a Nueva Jersey y luego a Illinois, donde se graduó del Naperville Central High School. Se matriculó en el Oberlin College, graduándose con honores en Matemáticas — especializándose en probabilidad y estadística — en 1977, logrando ser elegido para Phi Beta Kappa y obteniendo una Beca Nacional al Mérito. Pasó dos años en la Universidad de Illinois en Urbana-Champaign y luego ingresó en el programa de doctorado en Ciencias de la Computación de la Universidad de Stanford. Su investigación doctoral, supervisada por Bruce G. Buchanan en el Proyecto de Programación Heurística, abordó métodos de propagación de restricciones para la interpretación de datos científicos guiada por teorías — un ejercicio temprano de combinación de conocimiento del dominio con inferencia inductiva. Recibió su doctorado en 1984, el mismo año en que fue nombrado profesor asistente en la Universidad Estatal de Oregón. Durante sus años en Stanford, también ocupó un puesto de verano en los Laboratorios Telefónicos Bell (1979) trabajando en la transferencia de archivos entre ordenadores para sistemas de conmutación.

Carrera

Universidad Estatal de Oregón — Escuela de EECS (1985–2016; Emérito 2016–presente)

Dietterich se incorporó al Departamento de Ciencias de la Computación de OSU en 1985 como profesor asistente, fue ascendido a profesor asociado en 1988 y a catedrático en 1995. En 2005 fue nombrado Director de Investigación en Sistemas Inteligentes y en 2013 fue designado Catedrático Distinguido — el máximo honor académico de la universidad — en reconocimiento a su posición como uno de los científicos más citados en su campo. Se retiró de la cátedra activa en 2016 y ostenta la condición de emérito. Durante tres décadas en OSU, formó un grupo de investigación que trabajó en toda la amplitud del aprendizaje automático, desde la teoría fundamental hasta la informática ecológica, atrajo más de 30 millones de dólares en financiación externa y supervisó a un número considerable de estudiantes de doctorado. Ya no acepta nuevos estudiantes ni posdoctorados.

Arris Pharmaceutical Corporation (1991–1993)

Durante una excedencia de OSU, Dietterich trabajó como Científico Senior en Arris Pharmaceutical en South San Francisco. El trabajo de diseño de fármacos de este período — en el que las moléculas presentaban múltiples conformaciones alternativas de baja energía, pero solo algunas eran farmacológicamente activas — motivó directamente la formalización del aprendizaje de instancias múltiples.

MyStrands, Inc. (2004–2005); Smart Desktop, Inc. (2006–2008)

Dietterich cofundó o fue científico principal en dos empresas emergentes tempranas afines a la IA: MyStrands, una empresa de recomendación musical con sede en Corvallis que posteriormente recaudó 24 millones de dólares, y Smart Desktop, una empresa con sede en Seattle que fue adquirida poco después de su escisión de OSU. Estas actividades reflejaban su interés constante por los sistemas de ML implementados, más que por la investigación puramente académica.

BigML (2011–presente)

Desde 2011, Dietterich ha sido Científico Principal en BigML, una plataforma de aprendizaje automático basada en la nube con sede en Corvallis, Oregón. Su elección como presidente de AAAI en 2012 se anunció en el mismo período, atrayendo la atención sobre su doble función pública como líder institucional y figura de la industria del ML.

Presidencia de AAAI (2014–2016)

Como presidente de la Asociación para el Avance de la Inteligencia Artificial durante lo que resultó ser un punto de inflexión en la conciencia pública sobre la IA, Dietterich coescribió — con Eric Horvitz — el artículo de opinión de CACM de 2015 «Rise of Concerns about AI: Reflections and Directions», una de las primeras respuestas mesuradas del campo ante la creciente alarma pública sobre la superinteligencia y el riesgo existencial. Su posición pública fue sistemáticamente que los riesgos realistas de la IA a corto plazo se centran en errores, fallos del sistema y superficies de ataque cibernético, más que en una agencia autónoma malévola.

Contribuciones clave

  • Códigos de salida con corrección de errores (ECOC) (con Ghulum Bakiri, JAIR 1995) — Demostró que asignar a cada clase una palabra clave de un código corrector de errores y entrenar un clasificador binario por posición de bit mejora sistemáticamente la generalización en problemas multiclase; la técnica sigue siendo un enfoque de referencia y se encuentra entre los artículos más citados de Dietterich.
  • Formalización del aprendizaje de instancias múltiples (MIL) (con Lozano-Pérez y otros, AI Journal 1997) — Introdujo la formulación canónica de etiquetado a nivel de bolsa, motivada por la predicción de la actividad farmacológica, en la que una bolsa es positiva si al menos una de sus instancias es positiva; MIL se convirtió en un subcampo propio con cientos de artículos posteriores en visión por computador, texto y biomedicina.
  • Aprendizaje por refuerzo jerárquico MAXQ (JAIR 2000) — Introdujo la descomposición de la función de valor MAXQ, que representa una tarea como un grafo acíclico dirigido de subtareas y proporciona tanto un algoritmo de aprendizaje convergente como un marco para la abstracción de estados; ganador del Premio al Mejor Artículo de JAIR (2003).
  • Estudio sobre métodos de conjunto (2000) — Su estudio comparativo de boosting, bagging y aleatorización, presentado como artículo de Machine Learning en 2000, se convirtió en la referencia práctica más utilizada del campo para el diseño de clasificadores de conjunto.
  • Pruebas estadísticas para comparar algoritmos de aprendizaje (Machine Learning, 1998) — Proporcionó la primera evaluación sistemática de qué pruebas estadísticas (t-test corregido, McNemar, etc.) tienen tasas de error de Tipo I aceptables para comparaciones de ML; sigue siendo ampliamente citado en la metodología empírica de ML.
  • Cofundación del Journal of Machine Learning Research — Junto con otros, Dietterich ayudó a establecer JMLR como un contrapeso de acceso abierto a los canales restringidos por suscripción, dando forma a las normas de publicación del campo antes de que las prepublicaciones de arXiv se convirtieran en estándar.
  • Sostenibilidad computacional / Informática ecológica — Desarrolló modelos gráficos probabilísticos y métodos de predicción estructurada para el modelado de la migración de aves (en colaboración con el programa eBird del Laboratorio de Ornitología de Cornell), la gestión de incendios forestales y la gestión de especies invasoras; un programa de investigación aplicada sostenido durante 15 años.
  • Moderación de arXiv cs.LG — Ha sido moderador principal de la categoría de aprendizaje automático de la sección de Ciencias de la Computación de arXiv, un papel en gran medida invisible pero institucionalmente significativo para mantener la principal infraestructura de prepublicaciones del campo.

Premios y reconocimientos

  • Premio al Servicio Distinguido de AAAI — Por sus contribuciones sostenidas a la comunidad de ML como editor, presidente de la sociedad y organizador de programas.
  • Premio a la Contribución Distinguida de ACML — Reconocido por la Conferencia Asiática de Aprendizaje Automático por sus contribuciones a la comunidad de investigación en ML de Asia.
  • Fellow de AAAI (elegido en 1994) — Entre la primera cohorte de Fellows de AAAI.
  • Fellow de ACM (elegido en 2003) — Por sus contribuciones al aprendizaje automático.
  • Fellow de AAAS (2007) — Asociación Estadounidense para el Avance de la Ciencia, reconociendo el impacto interdisciplinario.
  • Catedrático Distinguido de OSU (2013) — Máxima designación académica de la universidad.
  • Premio al Mejor Artículo de JAIR (2003) — Por el artículo de RL jerárquico MAXQ.
  • Premio Presidencial de Jóvenes Investigadores de la NSF (1987–1992) — Reconocimiento temprano de la carrera por la excelencia investigadora.
  • Beca de Posgrado de IBM (1982, 1983) — Apoyó la investigación doctoral en Stanford.
  • Presidente Fundador de la Sociedad Internacional de Aprendizaje Automático — Estableció la estructura de gobierno de la serie de conferencias ICML.
  • Presidente de AAAI (2014–2016) — Lideró la principal asociación profesional del campo durante un período de rápido escrutinio público de la IA.

Relaciones clave

  • Bruce G. Buchanan — Supervisor de doctorado en Stanford; Buchanan fue un pionero de los sistemas expertos y del proyecto MYCIN, y su trabajo sobre IA intensiva en conocimiento moldeó directamente la investigación temprana de Dietterich sobre la interpretación de datos guiada por teorías.
  • Eric Horvitz — Colega y coautor de larga data; juntos escribieron el artículo de CACM de 2015 sobre los riesgos de la IA; Horvitz ha sido una figura importante en Microsoft Research y fue presidente de AAAI antes que Dietterich.
  • Prasad Tadepalli — Cercano colega en OSU y coautor; su colaboración abarca el aprendizaje estructurado, la planificación y el RL jerárquico.
  • Pedro Domingos — Coautor del artículo de agenda «Structured Machine Learning: The Next Ten Years» (2008); Domingos es una de las voces públicas más destacadas en ML de la misma generación.
  • Dan Hendrycks — Listado entre los coautores en Google Scholar; Hendrycks, ahora Director del Centro para la Seguridad de la IA, representa a la próxima generación de investigadores que trabajan en robustez y seguridad — temas que conectan con el interés constante de Dietterich en sistemas de ML fiables.
  • Tomas Lozano-Pérez — Colaborador del MIT y coautor de los artículos originales sobre aprendizaje de instancias múltiples; la colaboración reunió la perspectiva de ML de Dietterich con el modelado de conformadores de moléculas y robótica de Lozano-Pérez.
  • Jude Shavlik — Colega en Wisconsin y coautor; parte de la misma generación de investigadores de ML que construyó la infraestructura institucional del campo junto a Dietterich.

Estilo personal

La voz pública de Dietterich es característicamente mesurada: se ha mostrado notablemente resistente tanto a los polos utópico como distópico del discurso sobre la IA, prefiriendo enfoques empíricos y de ingeniería a la especulación filosófica. Su comentario de 2015 con Horvitz es un modelo de este estilo — reconociendo las preocupaciones legítimas sobre accidentes y mal uso de la IA, mientras que explícitamente pone entre paréntesis los escenarios que involucran autoconciencia malévola. En las redes sociales mantiene una presencia activa pero de baja temperatura, involucrándose con preguntas técnicas y comentarios sobre políticas sin alarmismo performativo. Su compromiso sostenido con la sostenibilidad computacional — un área de aplicación poco favorecida en relación con la era de las leyes de escala — refleja una prioridad basada en principios sobre el impacto social por encima de la novedad técnica, en consonancia con su comentario citado con frecuencia de que quiere que sus habilidades técnicas importen para los ecosistemas de la Tierra. Se describe a sí mismo como que ya no acepta estudiantes, un límite que aplica públicamente, lo que en sí mismo refleja una cierta disciplina institucional sobre lo que requiere una mentoría responsable a escala.

Referencias