Devi Parikh es una informática estadounidense conocida por su investigación en visión por computadora y procesamiento de lenguaje natural. Ha ocupado puestos académicos en Virginia Tech y Georgia Tech, y desde 2022 se desempeña como directora de investigación en Meta, donde lidera esfuerzos en sistemas de IA multimodal.
Parikh obtuvo su doctorado en Ingeniería Eléctrica y de Computación en la Universidad Carnegie Mellon. Su trabajo inicial se centró en el reconocimiento visual y la comprensión de escenas, pero luego se expandió hacia la combinación de información visual y textual, un campo que une la visión por computadora y el procesamiento de lenguaje natural. Sus contribuciones han sido reconocidas con varios premios prestigiosos, incluido el Premio IJCAI Computers and Thought de 2017 y el Premio al Mejor Artículo de ICCV de 2011 (Premio Marr).
Respuesta a Preguntas Visuales
En 2015, mientras estaba en Virginia Tech, Parikh y sus estudiantes desarrollaron un conjunto de datos y un marco para la Respuesta a Preguntas Visuales (VQA), una tarea donde un sistema de IA responde preguntas sobre imágenes, como "¿Es esta una pizza vegetariana?". El conjunto de datos VQA, que empareja imágenes con preguntas y respuestas generadas por humanos, se convirtió en un punto de referencia para evaluar modelos de IA multimodal. Hasta 2022, se ha utilizado para evaluar más de 30 modelos de IA, influyendo en investigaciones posteriores en aprendizaje profundo y aprendizaje multimodal. Este trabajo destacó la necesidad de que los modelos razonen tanto sobre el contenido visual como sobre el contexto lingüístico, un desafío que sigue siendo central en la investigación de inteligencia artificial.
IA Conversacional y ParlAI
En 2017, Parikh publicó ParlAI, una plataforma de código abierto para entrenar y evaluar agentes de IA conversacional. ParlAI integra tareas de diálogo, respuesta a preguntas y visión, permitiendo a los investigadores probar modelos en múltiples dominios. La plataforma admite una variedad de marcos de aprendizaje automático y se ha utilizado para desarrollar agentes que pueden mantener conversaciones coherentes mientras hacen referencia a entradas visuales. Esta contribución fue parte de un esfuerzo más amplio para avanzar en los modelos de lenguaje grandes y su aplicación a sistemas interactivos.
IA Generativa y Generación de Danza
En 2020, Parikh desarrolló un sistema de IA que genera movimientos de danza sincronizados con la música. Este proyecto, que combinó modelos secuencia a secuencia con datos de audio y movimiento, demostró el potencial de la IA generativa en dominios creativos. El sistema aprendió a mapear características musicales a coreografías, produciendo movimientos que coincidían con el ritmo y el estilo de la canción de entrada. Este trabajo contribuyó al creciente campo de la IA generativa, que también incluye modelos de texto a imagen y texto a video.
Make-a-Video y Modelos de Texto a Video
En 2022, Parikh y un equipo en Meta desarrollaron Make-a-Video, un modelo de IA de texto a video basado en el algoritmo de difusión. El modelo genera clips de video cortos a partir de descripciones textuales, aprovechando avances en modelos de difusión y transformadores. Make-a-Video se basa en trabajos previos de generación de texto a imagen, extendiéndolos a la dimensión temporal al aprender a predecir secuencias de fotogramas. Esta innovación tiene implicaciones para la creación de contenido, entornos virtuales e interacción humano-computadora, y representa un paso significativo en la investigación de aprendizaje profundo.
Premios y Reconocimientos
La investigación de Parikh le ha valido múltiples honores. En 2011, recibió el Premio Marr en la Conferencia Internacional sobre Visión por Computadora (ICCV), uno de los premios más importantes en visión por computadora, por su artículo sobre atributos visuales. En 2017, fue galardonada con el Premio IJCAI Computers and Thought, que reconoce a jóvenes investigadores en inteligencia artificial. Estos premios reflejan su impacto en aspectos tanto teóricos como aplicados de la IA, desde algoritmos de visión fundamentales hasta sistemas prácticos que integran lenguaje y visión.