David Rumelhart fue un psicólogo y científico cognitivo estadounidense cuyo trabajo en la década de 1980 ayudó a reiniciar el paradigma de las redes neuronales después del primer invierno de la IA. Es más conocido por el artículo de 1986 "Learning representations by back-propagating errors", coescrito con Geoffrey Hinton y Ronald J. Williams, que demostró que las redes multicapa podían aprender representaciones internas útiles propagando gradientes de error hacia atrás a través de sus capas.
Carrera y contribuciones
Rumelhart obtuvo un doctorado en psicología matemática en la Universidad de Stanford en 1967 y pasó la mayor parte de su carrera estudiando la cognición humana antes de dedicarse a los modelos computacionales de la mente. En la Universidad de California, San Diego, se unió a un grupo de científicos cognitivos que exploraban si redes de unidades simples, similares a neuronas, podían explicar aspectos de la percepción, la memoria y el lenguaje que los enfoques simbólicos y basados en reglas de la inteligencia artificial no lograban abordar.
Aunque las matemáticas detrás de la retropropagación habían sido descritas anteriormente, especialmente en trabajos de teoría de control de la década de 1970, el artículo de Rumelhart de 1986 demostró que la técnica podía entrenar redes con capas ocultas para resolver problemas que un perceptrón de una sola capa no podía resolver, respondiendo directamente a una famosa crítica de 1969 al modelo del perceptrón. El artículo, junto con el libro de dos volúmenes que Rumelhart coeditó con James McClelland, Parallel Distributed Processing (1986), se convirtió en el texto fundacional de la escuela "conexionista" dentro de la ciencia cognitiva y dio al emergente campo de la computación neuronal una regla de aprendizaje rigurosa y de propósito general.
Rumelhart se trasladó posteriormente a la Fundación James S. McDonnell, donde ayudó a financiar investigaciones interdisciplinarias sobre la mente y el cerebro, y más tarde regresó a Stanford como profesor. Su trabajo influyó no solo en la inteligencia artificial, sino también en la psicología, la lingüística y la neurociencia, y sentó las bases para el resurgimiento del aprendizaje profundo en la década de 2010, cuando el aumento de la potencia computacional y los grandes conjuntos de datos hicieron viables las redes profundas a gran escala.
Legado
El énfasis de Rumelhart en que las representaciones internas podían surgir de la experiencia en lugar de ser diseñadas explícitamente fue una ruptura radical con la tradición simbólica dominante. Su trabajo ayudó a establecer la idea de que el aprendizaje, más que la programación, podría ser el mecanismo central de la inteligencia, una visión que sigue siendo fundamental en la investigación moderna sobre aprendizaje automático y aprendizaje profundo. Rumelhart recibió numerosos premios, incluido el Premio Rumelhart, establecido en su honor, y fue elegido miembro de la Academia Nacional de Ciencias de Estados Unidos. Falleció en 2011, dejando un legado que perdura en las arquitecturas y algoritmos que impulsan los sistemas de IA contemporáneos.