Pedro Domingos (1965) ist ein emeritierter Professor für Informatik und Ingenieurwesen an der University of Washington. Er ist ein Forscher auf dem Gebiet des [[machine-learning|maschinellen Lernens]], bekannt für seine Arbeiten zu Markov-Logik-Netzwerken, die unsicheres Schließen ermöglichen, indem sie Logik erster Ordnung mit Wahrscheinlichkeit kombinieren. Domingos hat auch Beiträge zur Datenstromanalyse, kosten sensitiven Klassifikation und adversarialem Lernen geleistet und ist der Autor des populärwissenschaftlichen Buches The Master Algorithm* (2015).
Bildung
Domingos erwarb einen Bachelor-Abschluss und einen Master of Science am Instituto Superior Técnico (IST) in Portugal. Anschließend wechselte er an die University of California, Irvine, wo er einen zweiten Master of Science und später einen PhD erlangte. Seine Doktorarbeit konzentrierte sich auf maschinelles Lernen und Data Mining und legte den Grundstein für seine späteren Beiträge auf diesem Gebiet.
Forschung und Karriere
Nach Abschluss seiner Promotion verbrachte Domingos zwei Jahre als Assistenzprofessor am IST, bevor er 1999 als Assistenzprofessor für Informatik und Ingenieurwesen an die University of Washington wechselte. 2012 wurde er ordentlicher Professor und wechselte später in den Ruhestand als emeritierter Professor. 2018 gründete er eine Forschungsgruppe für maschinelles Lernen beim Hedgefonds D. E. Shaw & Co., verließ diesen jedoch im folgenden Jahr, um zu akademischen Tätigkeiten zurückzukehren.
Domingos war Mitbegründer der International Machine Learning Society, einer Fachorganisation, die sich der Förderung des Fachgebiets widmet. Ab 2018 war er Mitglied des Redaktionsbeirats der Zeitschrift Machine Learning. Seine Forschung hat theoretische Grundlagen und praktische Anwendungen überbrückt, einschließlich Arbeiten zu viralem Marketing und Informationsintegration.
Publikationen
Domingos ist vor allem für sein Buch The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World aus dem Jahr 2015 bekannt, das bei Basic Books erschienen ist (ISBN 978-0-465-06570-7). In dem Buch argumentiert er, dass alle Paradigmen des maschinellen Lernens in einem einzigen Algorithmus vereinigt werden können, und stützt sich dabei auf Erkenntnisse aus neuronalen Netzen, evolutionärer Berechnung, Bayes'scher Inferenz und anderen Ansätzen.
Er schrieb auch „Our Digital Doubles: AI will serve our species, not control it“, veröffentlicht in Scientific American im September 2018. In diesem Essay beschrieb er Systeme der künstlichen Intelligenz als „wie autistische Savants“, denen gesunder Menschenverstand fehlt und die Anweisungen zu wörtlich nehmen können, betonte jedoch, dass sie Werkzeuge bleiben würden, die menschliche Bedürfnisse erfüllen. 2024 veröffentlichte er einen satirischen Roman, 2040: A Silicon Valley Satire (BookBaby, ISBN 979-8-350-96334-2).
Auszeichnungen und Ehrungen
Domingos erhielt 2014 den ACM SIGKDD Innovation Award für seine grundlegende Forschung in Datenstromanalyse, kosten sensitiver Klassifikation, adversarialem Lernen und Markov-Logik-Netzwerken sowie für Anwendungen in viralem Marketing und Informationsintegration. 2010 wurde er zum Fellow der Association for the Advancement of Artificial Intelligence (AAAI) gewählt für bedeutende Beiträge zum maschinellen Lernen und zur Vereinigung von Logik erster Ordnung und Wahrscheinlichkeit. Er erhielt außerdem 2003 ein Sloan Fellowship und von 1992 bis 1997 ein Fulbright-Stipendium.
Vermächtnis und Einfluss
Domingos' Arbeiten zu Markov-Logik-Netzwerken haben die spätere Forschung im statistischen relationalen Lernen beeinflusst, einem Teilgebiet, das maschinelles Lernen mit logischem Schließen kombiniert. Sein Eintreten für einen vereinheitlichten Lernalgorithmus hat Debatten unter Forschern über die zukünftige Ausrichtung des Fachgebiets ausgelöst. Als Professor betreute er zahlreiche Studierende, die Karrieren in der Wissenschaft und Industrie verfolgt haben und so zum breiteren Wachstum von tiefem Lernen und verwandten Bereichen beigetragen haben.
Seine populären Schriften haben dazu beigetragen, komplexe Ideen in der künstlichen Intelligenz einem allgemeinen Publikum zu vermitteln, wobei er sowohl das Potenzial als auch die Grenzen aktueller Systeme betont. Während seine Vorhersagen über den Zeitrahmen für einen Master-Algorithmus spekulativ bleiben, werden seine Beiträge zu grundlegenden Methoden weiterhin in der akademischen Literatur zitiert.