Bernhard Schölkopf (nacido el 20 de febrero de 1968) es un informático alemán reconocido por sus contribuciones al aprendizaje automático, particularmente en métodos de kernel y causalidad. Se desempeña como director del Instituto Max Planck para Sistemas Inteligentes en Tubinga, Alemania, donde dirige el Departamento de Inferencia Empírica. También mantiene afiliaciones como profesor en la ETH Zúrich, profesor honorario en la Universidad de Tubinga y la Universidad Técnica de Berlín, y presidente del Laboratorio Europeo para el Aprendizaje y los Sistemas Inteligentes (ELLIS).
Su trabajo une el aprendizaje estadístico con la inferencia causal, con el objetivo de hacer que los algoritmos sean robustos ante cambios en la distribución. Schölkopf ha cofundado varias iniciativas de investigación y ha formado parte de consejos editoriales, moldeando la investigación moderna en aprendizaje automático.
Investigación sobre métodos de kernel
El trabajo temprano de Schölkopf se centró en máquinas de vectores de soporte (SVM) y algoritmos basados en kernel. A finales de la década de 1990, él y sus colegas lograron un rendimiento de vanguardia en el punto de referencia de reconocimiento de escritura a mano MNIST utilizando métodos SVM. Este éxito destacó el potencial de los métodos de kernel para el reconocimiento de patrones.
Una contribución fundamental fue la introducción del análisis de componentes principales con kernel (kernel PCA), que generalizó el PCA clásico a entornos no lineales mediante kernels reproductores. Este trabajo demostró que las SVM podían verse como un caso especial de una clase más amplia de algoritmos expresables en términos de productos punto, siempre que la matriz de Gram del kernel fuera definida positiva. También extendió la aplicabilidad de los métodos de kernel más allá de datos vectoriales, siempre que se pudiera definir una función de kernel válida.
Schölkopf amplió aún más los métodos de kernel a la regresión, la clasificación con escasez preespecificada y la estimación de soporte/cuantiles, colaborando con investigadores como Alex Smola. Demostró un teorema del representante que muestra que las soluciones a muchos problemas de optimización regularizados basados en kernel en espacios de Hilbert con kernel reproductor toman la forma de expansiones de kernel sobre datos de entrenamiento. También co-desarrolló incrustaciones de kernel de distribuciones, vinculándolas con pruebas de independencia y conceptos de la física como la difracción de Fraunhofer.
Inferencia causal
Alrededor de 2005, Schölkopf desplazó su enfoque de investigación hacia la inferencia causal. Reconoció que, mientras que el aprendizaje automático típicamente explota dependencias estadísticas, el conocimiento causal permite la predicción bajo intervenciones y cambios en la distribución. Su grupo abordó el descubrimiento causal en entornos de dos variables, conectándolo con la teoría de la información algorítmica.
En 2011, pronunció la conferencia principal de NeurIPS sobre "Aprender causas y aprendizaje causal" que llevó las ideas causales a una amplia audiencia de aprendizaje automático. Su trabajo posterior enfatizó la independencia de los mecanismos causales y los principios de invarianza para hacer que el aprendizaje sea robusto ante cambios distribucionales. Este marco encontró aplicación práctica en astronomía, donde los métodos desarrollados por su laboratorio ayudaron a identificar nuevos exoplanetas, incluido K2-18b, que más tarde se descubrió que contenía vapor de agua en su atmósfera.
Educación y carrera
Schölkopf estudió matemáticas, física y filosofía en Tubinga y Londres, obteniendo una maestría de la Universidad de Londres y un Diplom en física de la Universidad de Tubinga. Durante su investigación doctoral trabajó en los Laboratorios Bell en Nueva Jersey con Vladimir Vapnik, quien co-supervisó su tesis en la TU Berlín; completó el doctorado en 1997. Su disertación obtuvo el premio anual de la Sociedad Alemana de Informática.
Después de puestos en Cambridge y Nueva York, se convirtió en jefe de departamento en el Instituto Max Planck de Cibernética Biológica en 2001. En 2011 se trasladó al recién fundado Instituto Max Planck para Sistemas Inteligentes como director. Co-fundó la serie de Escuelas de Verano de Aprendizaje Automático con Alex Smola, el programa de doctorado Cambridge-Tubinga y el Centro Max Planck-ETH para Sistemas de Aprendizaje. En 2016 co-fundó el consorcio de investigación Cyber Valley en Stuttgart-Tubinga, una asociación público-privada para la investigación en IA.
Schölkopf ha sido editor de varias revistas, incluyendo la cofundación del Journal of Machine Learning Research (JMLR) y su papel como coeditor en jefe. Su laboratorio ha formado a numerosos investigadores influyentes, incluyendo a Ulrike von Luxburg, Carl Rasmussen, Matthias Hein, Gunnar Rätsch y Samy Bengio (aunque no de su laboratorio; los exalumnos reales incluyen a Arthur Gretton, Stefanie Jegelka y otros). También ha formado parte de consejos asesores para iniciativas de IA como OpenPanel y Essential AI.
Contribuciones a la inferencia causal
Desde alrededor de 2005, la investigación de Schölkopf se desplazó hacia el uso de modelos causales en el aprendizaje automático. Argumentó que los mecanismos causales generan dependencias estadísticas en los datos, pero los métodos estándar explotan solo estas últimas; el conocimiento causal explícito mejora la generalización bajo cambios en la distribución. Abordó el problema del descubrimiento causal de dos variables y lo conectó con la independencia de mecanismos y supuestos de invarianza.
Sus ideas llegaron a una amplia audiencia a través de una conferencia principal en NeurIPS 2011 y un tutorial en ICML 2017. Su grupo desarrolló algoritmos para inferir direcciones causales a partir de datos observacionales y los aplicó a problemas en ciencia climática y astrofísica. Este trabajo contribuyó a la detección de exoplanetas, incluido K2-18b, que más tarde se identificó como conteniendo vapor de agua en su atmósfera.
Educación y carrera
Schölkopf estudió matemáticas, física y filosofía en la Universidad de Tubinga y la Universidad de Londres, con el apoyo de la Studienstiftung des deutschen Volkes. Ganó el Premio Conmemorativo Lionel Cooper por su tesis de maestría. Después de completar su doctorado bajo la guía de Vapnik, ocupó puestos en universidades en Cambridge y Nueva York, incluido el Instituto de Investigación NEC.
Fundó el Departamento de Inferencia Empírica en 2001, que se convirtió en un grupo líder en aprendizaje automático. En 2011, se convirtió en director fundador del Instituto Max Planck para Sistemas Inteligentes, supervisando investigaciones que abarcan desde la teoría hasta aplicaciones en inteligencia artificial y aprendizaje profundo. También ha estado involucrado en el Laboratorio Europeo para el Aprendizaje y los Sistemas Inteligentes (ELLIS), presidiendo el consejo de la red desde su creación.
Honores y afiliaciones
Schölkopf ha recibido múltiples premios, incluido el Premio Milner de la Royal Society y el Premio Fronteras del Conocimiento de la Fundación BBVA (compartido con Vladimir Vapnik e Isabelle Guyon). Fue elegido miembro de la Royal Society en 2026. A finales de 2023, es miembro del consejo asesor del laboratorio de IA sin fines de lucro francés Kyutai, financiado por Xavier Niel, Eric Schmidt y otros.
Su extenso historial de publicaciones incluye monografías sobre métodos de kernel e inferencia causal, y sigue siendo uno de los investigadores más citados en informática. Su trabajo ha unido teoría y práctica, influyendo en áreas como el reconocimiento de patrones, la neuroimagen y la ciencia climática.
Influencia externa
Las ideas de Schölkopf han moldeado la investigación moderna en inteligencia artificial. Sus técnicas basadas en kernel, aunque parcialmente superadas por el aprendizaje profundo en algunos dominios, siguen siendo fundamentales para comprender datos de alta dimensión. Su marco de inferencia causal se integra cada vez más con modelos de redes neuronales, permitiendo sistemas de aprendizaje automático más robustos e interpretables. También ha contribuido a discusiones políticas sobre ética y seguridad de la IA, participando en la Iniciativa Global del IEEE sobre Diseño Éticamente Alineado.