Michael Irwin Jordan (geboren am 25. Februar 1956) ist ein US-amerikanischer Wissenschaftler und Professor an der University of California, Berkeley, wo er die Pehong-Chen-Professur innehat, mit Berufungen in die Abteilungen für Elektrotechnik und Informatik sowie Statistik. Er ist außerdem Forschungswissenschaftler bei Inria Paris. Jordan gilt weithin als eine der führenden Persönlichkeiten im Bereich maschinelles Lernen, mit einer Karriere, die sich über Kognitionswissenschaft, Statistik und künstliche Intelligenz erstreckt. Im Jahr 2016 wurde er von einem Bericht der Zeitschrift Science auf Basis des Semantic-Scholar-Projekts als der einflussreichste Informatiker der Welt identifiziert. Seine Arbeit hat moderne Ansätze zu probabilistischen grafischen Modellen, variationeller Inferenz und den theoretischen Grundlagen von Lernalgorithmen geprägt.
Jordans Forschung verbindet traditionelle Statistik mit rechnergestütztem Lernen und betont, dass robuste KI eine prinzipielle statistische Grundlage erfordert. Er hat zahlreiche prominente Forscher betreut und wurde in die National Academy of Engineering, die National Academy of Sciences und die American Academy of Arts and Sciences gewählt. Für seine Beiträge erhielt er Auszeichnungen, darunter den inauguralen World Laureates Association Prize in Informatik oder Mathematik im Jahr 2022 und den BBVA Foundation Frontiers of Knowledge Award im Jahr 2024.
Ausbildung
Jordan erwarb 1978 einen Bachelor of Science magna cum laude in Psychologie an der Louisiana State University. Anschließend absolvierte er 1980 einen Master of Science in Mathematik an der Arizona State University. Seine Promotion erfolgte 1985 an der University of California, San Diego, im Fach Kognitionswissenschaft. Dort studierte er unter David Rumelhart und war aktives Mitglied der Parallel Distributed Processing (PDP)-Gruppe in den 1980er Jahren, einer Zeit, die das Fundament für konnektionistische Modelle der Kognition legte.
Karriere und Forschung
Jordan begann seine akademische Laufbahn als Professor in der Abteilung für Gehirn- und Kognitionswissenschaften am Massachusetts Institute of Technology (MIT), wo er von 1988 bis 1998 tätig war. In dieser Zeit entwickelte er rekurrente neuronale Netze als Modelle der menschlichen Motorsteuerung und der kognitiven Verarbeitung und trug so zu den frühen theoretischen Grundlagen neuronaler Netze bei. 1998 wechselte er an die University of California, Berkeley, wo er seither eine gemeinsame Berufung in Statistik und Elektrotechnik/Informatik innehat.
Im Laufe der Jahre verlagerte sich Jordans Forschungsschwerpunkt von einer primär kognitionswissenschaftlichen Perspektive hin zu einer vertieften Auseinandersetzung mit statistischer Theorie. Er hat maßgeblich dazu beigetragen, Bayessche Netze in der Gemeinschaft des maschinellen Lernens zu popularisieren, und betont die engen Verbindungen zwischen maschinellem Lernen und klassischer Statistik. Seine Arbeiten zu variationellen Methoden für approximative Inferenz und zum Expectation-Maximization (EM)-Algorithmus sind zu Standardverfahren geworden und beeinflussen sowohl theoretische Forschung als auch praktische Anwendungen.
Jordans Beiträge erstrecken sich auf Optimierung, grafische Modelle und die Analyse großskaliger Lernsysteme. Zudem hat er sich lautstark für offenen Zugang in der akademischen Publikationslandschaft eingesetzt. Im Jahr 2001 trat er gemeinsam mit mehreren Kollegen von der Herausgeberschaft der Zeitschrift Machine Learning zurück, um gegen restriktive Zugriffsrichtlinien zu protestieren. In einem öffentlichen Brief argumentierten sie, dass die rasche Entwicklung des Feldes eine offenere Verbreitung von Forschungsergebnissen erfordere. Dieser Schritt führte zur Gründung des Journal of Machine Learning Research (JMLR), das von Leslie Kaelbling ins Leben gerufen wurde, um eine kostenlose und offen zugängliche Plattform für hochwertige Forschung im maschinellen Lernen zu bieten. Diese Initiative gilt weithin als wegweisender Moment in der Bewegung für offene Wissenschaft in der künstlichen Intelligenz.
Ehrungen und Auszeichnungen
Jordan hat im Laufe seiner Karriere zahlreiche Ehrungen erhalten. Zu den frühen Anerkennungen gehören der NSF Presidential Young Investigator Award und ein Preis für den besten Beitrag auf der American Control Conference im Jahr 1991. Er wurde zum Fellow mehrerer bedeutender Fachgesellschaften ernannt: AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) und der International Society for Bayesian Analysis (2014). Diese Fellowships spiegeln seinen breiten Einfluss über Statistik, Informatik und Ingenieurwissenschaften hinweg wider.
Im Jahr 2009 erhielt Jordan den ACM-AAAI Allen Newell Award, 2015 wurde er mit dem David E. Rumelhart Prize geehrt. 2020 wurde ihm die IEEE John von Neumann Medal verliehen. 2016 wurde er auf der Grundlage einer Literaturanalyse des Semantic-Scholar-Projekts als der einflussreichste Informatiker der Welt identifiziert. 2022 gewann er den inauguralen World Laureates Association Prize in Informatik oder Mathematik, der für grundlegende Beiträge zu den Fundamenten des maschinellen Lernens und seiner Anwendungen verliehen wurde. 2024 erhielt er den BBVA Foundation Frontiers of Knowledge Award in Informations- und Kommunikationstechnologien.
Jordan ist außerdem Mitglied der National Academy of Engineering (gewählt 2010), der National Academy of Sciences und der American Academy of Arts and Sciences. Er hat zahlreiche eingeladene Vorträge gehalten, darunter die Neyman Lecture und die Medallion Lecture des Institute of Mathematical Statistics.
Einfluss und Vermächtnis
Jordans Einfluss reicht weit über seine eigenen Veröffentlichungen hinaus. Er hat eine große Zahl von Doktoranden und Postdoktoranden betreut, die später zu führenden Persönlichkeiten in Wissenschaft und Industrie wurden, darunter Daphne Koller und Anima Anandkumar. Seine pädagogischen Beiträge, insbesondere das weit verbreitete Lehrbuch über probabilistische grafische Modelle, haben Generationen von Forschern ausgebildet. Im Jahr 2019 argumentierte Jordan, dass die Revolution der künstlichen Intelligenz noch nicht vollständig stattgefunden habe und dass eine echte KI eine tiefere Integration von Informatik und Statistik erfordere. Diese Perspektive hat die laufenden Debatten über die zukünftige Ausrichtung des Feldes maßgeblich geprägt.
Ausgewählte Publikationen
Jordan hat Hunderte von Artikeln und mehrere einflussreiche Bücher verfasst oder mitverfasst. Zu den bemerkenswerten Werken gehören seine frühen Arbeiten über rekurrente neuronale Netze, seine grundlegenden Artikel zur variationellen Inferenz sowie seine gemeinsamen Forschungsarbeiten zu grafischen Modellen und Optimierung. Sein Artikel von 2004, gemeinsam mit X. Nguyen und M. Wainwright, erhielt einen Preis für den besten Studentenbeitrag, und seine Arbeit von 1991 mit R. Jacobs wurde auf der American Control Conference ausgezeichnet. Diese Publikationen dokumentieren seine anhaltende Produktivität und seine zentrale Rolle bei der Weiterentwicklung sowohl theoretischer als auch methodischer Grundlagen des maschinellen Lernens.
Referenzen
Dieser Artikel stützt sich auf öffentlich zugängliche Informationen über die Karriere von Michael I. Jordan, einschließlich seiner offiziellen Biografie an der University of California, Berkeley, sowie auf Aufzeichnungen über seine akademischen Ehrungen. Zu den wichtigsten Quellen gehören der Science-Bericht von 2016, Ankündigungen der World Laureates Association und die Fellowships-Dokumentationen der jeweiligen Fachgesellschaften.