Corinna Cortes ist eine dänische Informatikerin, die als Leiterin von Google Research in New York tätig ist. Sie ist vor allem für ihre grundlegende Arbeit im Bereich maschinelles Lernen bekannt, insbesondere für die Mitentwicklung von Support Vector Machines (SVMs), einem überwachten Lernmodell, das häufig für Klassifikations- und Regressionsaufgaben eingesetzt wird. Ihre Forschung umfasst Bereiche wie Data Mining, Lernen in großem Maßstab und die theoretischen Grundlagen von Lernalgorithmen.
Cortes wurde in Dänemark geboren und verfolgte eine akademische Karriere in der Informatik. Sie promovierte an der Universität von Toronto, wo sie unter der Betreuung von Geoffrey Hinton, einem Pionier auf dem Gebiet der neuronalen Netze und des tiefen Lernens, studierte. Ihre Doktorarbeit konzentrierte sich auf Lernalgorithmen und deren Anwendungen und legte den Grundstein für ihre späteren Beiträge auf diesem Gebiet.
Support Vector Machines
In den frühen 1990er Jahren arbeitete Cortes mit Vladimir Vapnik bei den AT&T Bell Laboratories (heute Nokia Bell Labs) zusammen, um Support Vector Machines zu entwickeln. Ihr Artikel von 1995, "Support-Vector Networks", führte das Konzept der Maximierung des Abstands zwischen Klassen in hochdimensionalen Räumen ein, eine Methode, die sich als äußerst effektiv für die Mustererkennung erwies. SVMs wurden zu einem Eckpfeiler der künstlichen Intelligenz und des maschinellen Lernens und beeinflussten spätere Entwicklungen bei Kernel-Methoden und Klassifikatoren mit großem Abstand. Die Technik wird weiterhin häufig in Anwendungen von der Textkategorisierung bis zur Bioinformatik eingesetzt.
Karriere bei Google
Cortes trat 2003 in Google ein, wo sie Führungsrollen in Forschung und Technik übernahm. Als Leiterin von Google Research NY beaufsichtigt sie ein Team von Wissenschaftlern, die an Themen wie maschinellem Lernen in großem Maßstab, natürlicher Sprachverarbeitung und algorithmischer Fairness arbeiten. Ihre Arbeit bei Google umfasst Beiträge zu den Ranking-Systemen des Unternehmens und die Entwicklung von Werkzeugen zur Analyse großer Datensätze. Unter ihrer Leitung ist das New Yorker Büro zu einem Zentrum für Forschung in Bereichen wie generativer KI und großen Sprachmodellen geworden, das mit Teams bei Google DeepMind und anderen Abteilungen zusammenarbeitet.
Beiträge zur Lerntheorie
Über SVMs hinaus hat Cortes bedeutende Beiträge zum theoretischen Verständnis von Lernalgorithmen geleistet. Sie hat einflussreiche Arbeiten zu Themen wie Boosting, Ensemble-Methoden und der Stabilität von Lernsystemen veröffentlicht. Ihre Forschung zum Zusammenhang zwischen Generalisierungsfehler und der Komplexität von Hypothesenräumen hat dazu beigetragen, moderne Ansätze zur Modellauswahl und Regularisierung zu prägen. Sie hat auch praktische Fragen im Data Mining untersucht, darunter die Herausforderungen beim Umgang mit unbalancierten Datensätzen und verrauschten Labels.
Auszeichnungen und Anerkennung
Cortes hat zahlreiche Auszeichnungen für ihre Arbeit erhalten. Sie ist Fellow der ACM und war in den Redaktionsausschüssen mehrerer bedeutender Fachzeitschriften tätig, darunter das Journal of Machine Learning Research. Ihre Beiträge wurden mit Preisen wie dem AT&T Bell Laboratories Distinguished Member of Technical Staff Award gewürdigt. Sie wird häufig als Rednerin zu großen Konferenzen eingeladen, darunter NeurIPS und ICML, wo sie in Programmausschüssen und als Bereichsvorsitzende tätig war.
Einfluss und Vermächtnis
Der Einfluss von Cortes' Arbeit reicht über die Wissenschaft hinaus bis in die industrielle Praxis. SVMs wurden zu einem Standardwerkzeug im Werkzeugkasten des maschinellen Lernens, und ihre Erkenntnisse zum Lernen in großem Maßstab haben die Gestaltung von Systemen beeinflusst, die von Unternehmen weltweit genutzt werden. Als Führungskraft bei Google hat sie eine Generation von Forschern betreut und dazu beigetragen, die Lücke zwischen theoretischer Forschung und praktischer Umsetzung zu schließen. Ihre laufende Arbeit befasst sich weiterhin mit den Herausforderungen beim Aufbau robuster, skalierbarer und fairer KI-Systeme.
Cortes bleibt eine aktive Figur in der Forschungsgemeinschaft und setzt sich für rigorose Bewertungsmethoden und die verantwortungsvolle Entwicklung von KI-Technologien ein. Ihre Karriere verkörpert die Integration von grundlegender Theorie und angewandter Innovation, was sie zu einer zentralen Figur in der Entwicklung des modernen maschinellen Lernens macht.