Thomas G. Dietterich ist ein amerikanischer Informatiker und emeritierter Professor für Informatik an der Oregon State University. Er gilt als einer der Pioniere des Bereichs maschinelles Lernen, da er grundlegende Algorithmen und Rahmenwerke beigetragen hat, die die moderne Forschung zur künstlichen Intelligenz geprägt haben. Seine Arbeit umfasst Mehrklassenklassifikation, hierarchisches bestärkendes Lernen und die Integration statistischer Methoden in probabilistische Modelle, mit Anwendungen von Ökologie bis Computersicherheit.
Dietterich spielte auch eine Schlüsselrolle in der akademischen Infrastruktur des maschinellen Lernens, indem er von 1992 bis 1998 als geschäftsführender Herausgeber der Zeitschrift Machine Learning fungierte und mit dazu beitrug, das Journal of Machine Learning Research mitzugründen. Er war eine prominente Stimme in öffentlichen Diskussionen über die Risiken und Vorteile von künstlicher Intelligenz und bot eine akademische Perspektive für Medien wie National Public Radio, Business Insider, Microsoft Research, CNET und The Wall Street Journal.
Frühes Leben und Ausbildung
Thomas Dietterich wurde 1954 in South Weymouth, Massachusetts, geboren. Seine Familie zog nach New Jersey und später nach Illinois, wo er die Naperville Central High School abschloss. Anschließend besuchte er das Oberlin College, das er 1977 mit einem Abschluss in Mathematik mit Schwerpunkt Wahrscheinlichkeit und Statistik verließ. Im Sommer 1977 arbeitete er als Assistent des Direktors für Planung und Forschung am Oberlin College.
Dietterich verbrachte die nächsten zwei Jahre an der University of Illinois, Urbana-Champaign, bevor er ein Promotionsstudium in Informatik an der Stanford University begann. Er erhielt seinen Ph.D. 1984, nachdem er von 1979 bis 1984 als Forschungsassistent im Heuristic Programming Project gearbeitet hatte. Im Sommer 1979 hatte er auch eine Position als Mitglied des technischen Personals bei den Bell Telephone Laboratories in Naperville, Illinois, wo er an Computer-zu-Computer-Dateiübertragung und Mikrocode-Verteilung an entfernte Vermittlungssysteme arbeitete.
Akademische Karriere an der Oregon State University
1984 zog Dietterich nach Corvallis, Oregon, und trat der Oregon State University als Assistenzprofessor für Informatik bei. Er wurde 1988 zum außerordentlichen Professor und 1995 zum ordentlichen Professor befördert. 2013 wurde er zum Distinguished Professor ernannt, ein Titel, den er bis zu seiner Pensionierung 2016 innehatte. Ab 2005 war er außerdem Direktor der Forschung zu intelligenten Systemen in der School of Electrical Engineering and Computer Science.
Während seiner Karriere nahm Dietterich mehrere Sabbatical- und Industriepositionen wahr. Von 1991 bis 1993 war er leitender Wissenschaftler bei der Arris Pharmaceutical Corporation in South San Francisco. Er war Chefwissenschaftler bei MyStrands, Inc. (2004–2005) und bei Smart Desktop, Inc. (2006–2008). 1998–1999 war er Gastwissenschaftler am Institut für die Untersuchung künstlicher Intelligenz in Barcelona, Spanien. Seit 2011 ist er Chefwissenschaftler bei BigML, einem Unternehmen für maschinelles Lernen mit Sitz in Corvallis.
Forschungsbeiträge
Dietterichs Forschung hat mehrere einflussreiche Methoden im maschinellen Lernen hervorgebracht. Er erfand die Fehlerkorrektur-Ausgangscodierung, eine Technik zur Verbesserung der Mehrklassenklassifikation, indem das Problem in mehrere binäre Klassifikatoren zerlegt und Fehlerkorrekturcodes verwendet werden, um deren Ausgaben zu kombinieren. Er formalisierte auch das Mehrfachinstanzproblem, ein Lernparadigma, bei dem Beschriftungen mit Bündeln von Instanzen und nicht mit einzelnen Instanzen verbunden sind, was Anwendungen in der Medikamentenentwicklung und Bildanalyse hat.
Im bestärkenden Lernen entwickelte Dietterich das MAXQ-Rahmenwerk für hierarchisches bestärkendes Lernen, das eine komplexe Aufgabe in Teilaufgaben zerlegt und effizienteres Lernen und Planen ermöglicht. Er trug auch Methoden zur Integration nichtparametrischer Regressionsbäume in probabilistische grafische Modelle bei und überbrückte damit die Lücke zwischen statistischem maschinellem Lernen und strukturierter Vorhersage.
Dietterich hat Interesse an allen Aspekten des maschinellen Lernens gezeigt, mit drei Hauptsträngen: Aufbau integrierter intelligenter Systeme, Ermöglichung der Zusammenarbeit zwischen Mensch und Computer sowie Anwendung des maschinellen Lernens auf ökologische Wissenschaften und Ökosystemmanagement. Seine Arbeit zur rechnerischen Nachhaltigkeit umfasst Projekte zu Waldbrandmanagement, invasiver Vegetation und Vogelzugmodellierung. Beispielsweise arbeitete er mit dem Cornell Lab of Ornithology zusammen, um Daten von eBird zu analysieren, einer Bürgerwissenschaftsplattform, die bis März 2012 über 3,1 Millionen Vogelbeobachtungen gesammelt hatte, und nutzte maschinelles Lernen, um Zugmuster aufzudecken.
Professionelle Dienste und Führung
Dietterich war tief in die Organisation der Gemeinschaften für maschinelles Lernen und KI eingebunden. Er war technischer Programmko-Vorsitzender der National Conference on Artificial Intelligence (AAAI-90), technischer Programmleiter der Neural Information Processing Systems Konferenz (NIPS-2000) und Generalvorsitzender von NIPS-2001. Er war Gründungspräsident der International Machine Learning Society und ist seit ihrer Gründung Mitglied ihres Vorstands. Er ist auch im Lenkungsausschuss der Asian Conference on Machine Learning tätig.
Viele Jahre lang war Dietterich Herausgeber der MIT-Press-Reihe über Adaptive Computation and Machine Learning und Mitherausgeber der Morgan Claypool Synthesis Series über künstliche Intelligenz und maschinelles Lernen. Er war auch Mitglied der Association for the Advancement of Artificial Intelligence (AAAI) und von 2014 bis 2016 deren Präsident.
Perspektiven zu KI-Risiken
Dietterich hat eine ausgewogene Perspektive auf die Gefahren von künstlicher Intelligenz geboten und argumentiert, dass die realistischsten Risiken grundlegende Fehler, Ausfälle und Cyberangriffe sind, und nicht Maschinen, die übermächtig werden oder die Menschheit zerstören. Er betrachtet Szenarien selbstbewusster Maschinen, die Menschen auslöschen, eher als Science-Fiction denn als wissenschaftliche Tatsache. Er räumt jedoch ein, dass Computersysteme, wenn ihnen zunehmend gefährliche Aufgaben übertragen werden und sie aufgefordert werden, aus Erfahrung zu lernen, Fehler machen können. Er stellt fest, dass sich ein Großteil der Arbeit in der KI-Sicherheitsgemeinschaft auf Unfälle und Designfehler konzentriert, was mit seiner Ansicht übereinstimmt, dass technische Zuverlässigkeit das Hauptanliegen ist.
Vermächtnis und Einfluss
Dietterichs Beiträge haben sowohl das theoretische als auch das angewandte maschinelle Lernen beeinflusst. Seine Fehlerkorrektur-Ausgangscodierung und das MAXQ-Rahmenwerk werden weithin zitiert und in verschiedenen Bereichen verwendet. Sein Einsatz für rechnerische Nachhaltigkeit hat Forscher inspiriert, maschinelles Lernen auf Umweltprobleme anzuwenden. Durch seine redaktionellen Rollen und Konferenzleitungen half er, die Infrastruktur für die moderne Gemeinschaft des maschinellen Lernens aufzubauen, die zu einem zentralen Bereich der Forschung zu tiefem Lernen und generativer KI geworden ist.
Dietterichs Karriere spiegelt ein Engagement für rigorose Wissenschaft und praktische Wirkung wider. Nach seiner Pensionierung von der Oregon State University im Jahr 2016 engagierte er sich weiterhin durch Beratungsrollen und öffentliche Kommentare in dem Bereich. Seine Arbeit bleibt ein Bezugspunkt für Forscher, die komplexe Klassifikations- und bestärkende Lernprobleme angehen, und seine Perspektive zu KI-Risiken informiert weiterhin Diskussionen über den sicheren Einsatz intelligenter Systeme.