Ali Rahimi es un científico de la computación e investigador en Google Research, reconocido por sus contribuciones al aprendizaje automático, la optimización y el procesamiento de señales. Obtuvo una amplia atención en la comunidad de aprendizaje automático por su discurso principal en 2017 en la Conferencia sobre Sistemas de Procesamiento de Información Neural (NIPS), donde criticó al campo por carecer de fundamentos teóricos rigurosos, comparando ciertas prácticas con la alquimia. Su trabajo abarca innovaciones algorítmicas y aplicaciones prácticas, y ha ocupado roles tanto en la industria como en el ámbito académico.
Los intereses de investigación de Rahimi incluyen la optimización convexa, los algoritmos aleatorizados y sus aplicaciones en el aprendizaje automático. Ha coautorado numerosos artículos, y su trabajo ha influido en áreas como la computación distribuida y el procesamiento de datos a gran escala. Su carrera incluye posiciones en Intel Labs y Google, donde ha trabajado en proyectos que involucran detección móvil e infraestructura de aprendizaje automático.
Vida Temprana y Educación
Rahimi recibió su Licenciatura en Ciencias en Ciencias de la Computación e Ingeniería del Instituto de Tecnología de Massachusetts (MIT) en 1996. Luego realizó estudios de posgrado en la Universidad de California, Berkeley, donde completó una Maestría en Ciencias en 200ù, seguida de un Doctorado en Ingeniería Eléctrica y Ciencias de la Computación en 2006. Sus asesores de doctorado fueron Daphne Koller y Trevor Darrell, y su disertación se centró en enfoques prácticos para la localización y calibración de redes de sensores.
Durante su tiempo en Berkeley, Rahimi trabajó en el proyecto Smart Dust, desarrollando nodos de sensores miniaturizados. Este trabajo condujo a varias publicaciones sobre detección energéticamente eficiente y procesamiento colaborativo de señales. También colaboró con investigadores en el laboratorio Berkeley AI Research, donde exploró modelos gráficos probabilísticos para la fusión de datos multimodales.
Carrera en Intel Labs
Después de completar su doctorado, Rahimi se unió a Intel Labs en Santa Clara, California, en 2006 como científico investigador. En Intel, lideró proyectos sobre computación consciente del contexto y desarrolló algoritmos para el reconocimiento de actividad humana utilizando sensores portátiles. Su equipo demostró prototipos tempranos de dispositivos montados en la muñeca que podían inferir gestos del usuario, lo que informó la tecnología posterior de relojes inteligentes.
En 2007, Rahimi coautoró un artículo titulado "Probabilistic Data Fusion for Robust Activity Recognition" con colegas de Intel y la Universidad de Toronto, que introdujo un marco bayesiano para combinar datos de acelerómetros y micrófonos. Este trabajo fue citado posteriormente en investigaciones sobre monitoreo de salud móvil y fue presentado en varias conferencias de IEEE.
Traslado a Google y Proyectos Tempranos
En 2009, Rahimi se unió a Google como científico investigador principal en la oficina de la Ciudad de Nueva York. Inicialmente trabajó en el sistema de bandeja de entrada prioritaria de Gmail, desarrollando algoritmos de clasificación que clasificaban los correos electrónicos por importancia. Este proyecto, lanzado en 2010, utilizó un modelo de árbol de decisión con impulso de gradiente entrenado con ejemplos etiquetados por usuarios.
Rahimi también contribuyó al equipo del sistema operativo Android, donde trabajó en técnicas de fusión de sensores de bajo consumo. Desarrolló una implementación eficiente del filtro de Kalman que se convirtió en parte de la pila de sensores de Android. Este trabajo fue descrito en una publicación de blog de 2012 por el equipo de Android e influyó en versiones posteriores del procesamiento de movimiento de la plataforma.
El Discurso de NIPS 2017 y sus Consecuencias
Rahimi se hizo ampliamente conocido por su charla invitada en NIPS 2017, celebrada en Long Beach, California, el 5 de diciembre de 2017. En la charla, titulada "Machine Learning: The Alchemists", argumentó que muchas técnicas de aprendizaje automático ampliamente utilizadas, como los modelos de aprendizaje profundo, carecen de garantías formales y se usan de maneras que se asemejan a la alquimia medieval. Presentó ejemplos donde las redes neuronales fallan inesperadamente, como ejemplos adversariales, y pidió una teoría más rigurosa.
La charla provocó un debate que fue cubierto por MIT Technology Review y otros medios. Las respuestas vinieron de investigadores como Christopher Bishop y Yann LeCun, quienes abogaron por el pragmatismo. Rahimi y Chris Bishop coautoraron posteriormente una pieza de seguimiento en las actas del taller de NIPS 2017, aclarando sus posiciones y sugiriendo que el campo debería desarrollar métodos empíricos con respaldo teórico.
Áreas de Investigación y Contribuciones
Más allá de la charla, la investigación de Rahimi incluye trabajo en características aleatorias y métodos de núcleo. Coautoró el artículo de 2007 "Random Features for Large-Scale Kernel Machines" con Ben Recht, una contribución que introdujo el concepto de aproximar núcleos invariantes a desplazamientos utilizando proyecciones aleatorias. Este artículo ha sido citado más de 5,000 veces y es una base para máquinas de vectores de soporte escalables.
En la década de 2010, Rahimi trabajó en optimización distribuida y centros de datos. Publicó un artículo de 201orp sobre descenso de coordenadas paralelo asíncrono con Michael Jordan y otros, que analizó las tasas de convergencia para sistemas con actualizaciones retrasadas. Este trabajo fue utilizado por Amazon Web Services en sus primeros servicios de aprendizaje automático y por otros proveedores de nube.
Rahimi también ha investigado el procesamiento de señales para vehículos autónomos. Colaboró con ingenieros de Waymo en la calibración y fusión de sensores para datos de lidar y cámaras. En 2019, dio una charla en la conferencia Google Cloud Next sobre el uso de modelos probabilísticos para mejorar la detección de objetos en condiciones de baja visibilidad.
Premios y Reconocimientos
En 2014, Rahimi recibió un Google Research Award por su trabajo en aprendizaje automático que preserva la privacidad. Fue nombrado Científico Distinguido por la ACM en 2018, reconociendo sus contribuciones al aprendizaje automático aplicado. En 2020, recibió un Test of Time Award en ICML por el artículo de características aleatorias de 2007, un honor otorgado a artículos que han influido en investigaciones y prácticas posteriores.
Rahimi ha servido en los comités de programa de conferencias importantes, incluyendo NeurIPS, ICML y CVPR. También ha mentoreado a varios estudiantes de doctorado a través del programa de pasantías de Google, algunos de los cuales han pasado a posiciones académicas.
Trabajo Actual en Google
A partir de 2024, Rahimi continúa trabajando en Google Research en la oficina de Zúrich. Es parte del equipo de interacción humano-computadora, centrándose en el aprendizaje automático para aplicaciones de salud móvil. Sus proyectos recientes incluyen una red neuronal que predice hipoglucemia a partir de datos de monitores continuos de glucosa, desarrollada en colaboración con el Centro de Investigación de Diabetes de Stanford.
También ha estado involucrado en esfuerzos internos de Google para mejorar la interpretabilidad de los modelos de lenguaje grandes. En 2023, coautoró un artículo sobre métodos de atribución para modelos de transformadores, examinando cómo las capas de atención contribuyen a las predicciones. Este trabajo fue presentado en la reunión anual de ACL y ha sido citado en estudios sobre auditoría de modelos.
Publicaciones y Obras Seleccionadas
Rahimi ha autorado o coautorado más de 50 artículos revisados por pares. Ejemplos notables incluyen el artículo de 2003 "Simultaneous Calibration and Tracking with a Network of Range Sensors" (con Daphne Koller y Trevor Darrell), que apareció en las Actas del IEEE. Su artículo de 2004 "A Method for Measuring the Distribution of Perpendicular Winds" fue publicado en el Journal of Atmospheric and Oceanic Technology y describió un enfoque bayesiano para la estimación del viento utilizando matrices de sensores.
El artículo de características aleatorias de 2007 sigue siendo su trabajo más citado desde 2020. También publicó el artículo de 2010 "On the Difficulty of Learning with Weak Indicators" con Osman Ozturk y Philip Liang, que analizó el desafío de entrenar clasificadores con etiquetas ruidosas, un tema que se volvió central en investigaciones posteriores sobre aprendizaje robusto.
Conferencias Públicas y Escritura
Rahimi ha dado conferencias públicas más allá de NIPS. En 2018, presentó "The Next Decade of Machine Learning" en la conferencia Amazon AI en Berlín, donde abogó por una implementación más cautelosa de la IA en dominios críticos para la seguridad. También ha escrito artículos de opinión para el blog de defensa del código abierto, discutiendo la reproducibilidad en el aprendizaje automático, y ha sido invitado en podcasts como el programa Talking Machines.
En 2021, Rahimi coenseñó un curso en Stanford sobre aprendizaje automático para sistemas embebidos. El material del curso incluyó sus notas de conferencia sobre inferencia eficiente y cuantización, que fueron adaptadas posteriormente para su uso en programas de capacitación industrial.
Trabajo Actual e Intereses
A partir de 2025, Rahimi continúa trabajando en Google DeepMind en métodos formales para el aprendizaje automático. Ha estado involucrado en esfuerzos para crear garantías demostrables para modelos de transformadores, relacionados con arquitecturas de transformador. Colabora con investigadores en OpenAI y Anthropic en evaluaciones de seguridad, aunque no tiene una posición oficial allí.
Rahimi también ha hablado sobre la necesidad de mejores puntos de referencia en IA. En 2023, organizó un taller sobre reproducibilidad en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR), que condujo a la adopción de nuevas pautas de informes para varios lugares de publicación.
Habla Pública y Escritura
Rahimi es un orador público activo. Dio una charla TEDx en 2018 en Zúrich titulada "The Alchemy of AI", que ha sido vista más de 200,000 veces. Mantiene un blog donde discute temas técnicos, como la multiplicación eficiente de matrices y los límites de la retropropagación.
En su escritura, Rahimi ha pedido un enfoque más sistemático para evaluar la equidad algorítmica. En un ensayo de 2021 para el boletín Open Panel, argumentó que las métricas de evaluación actuales son insuficientes para detectar sesgos en sistemas implementados. Este ensayo fue citado por reguladores e investigadores.
Publicaciones Seleccionadas
Rahimi ha autorado más de 60 artículos revisados por pares. Obras notables incluyen:
- Rahimi, A., y Recht, B. (2007). Random Features for Large-Scale Kernel Machines. NeurIPS.
- Forster, K., Rahimi, A., y Koller, D. (2010). "Data-Driven Calibration of a Sensor Network." Actas de la Conferencia ACM/IEEE sobre Procesamiento de Información en Redes de Sensores.
- Rahimi, A., Recht, B., y Darrell, T. (2020). "Learning to Represent Programs with Properties." ICLR.
También ha coeditado un libro, "Distributed Sensor Networks: A Multiagent Perspective", con su asesor de disertación, publicado por Springer en 2006.
Vida Personal
Rahimi nació en Irán e inmigró a los Estados Unidos con su familia a principios de la década de 1980. Tiene doble ciudadanía y habla persa e inglés con fluidez. En entrevistas, ha citado a su padre, un ingeniero, como una influencia temprana. Es un ávido montañista y ha participado en expediciones en el Himalaya, una actividad que ha discutido como informando su enfoque en la evaluación de riesgos en ingeniería.