Michael Irwin Jordan (nacido el 25 de febrero de 1956) es un científico y profesor estadounidense en la Universidad de California, Berkeley, donde ocupa la Cátedra Distinguida Pei Chen. También es científico investigador en Inria París. Jordan es reconocido como una de las figuras principales en el aprendizaje automático, con contribuciones que abarcan la estadística, la informática y la inteligencia artificial. En 2016, Science lo reportó como el científico informático más influyente del mundo, según un análisis de la literatura publicada por el proyecto Semantic Scholar. Fue elegido miembro de la Academia Nacional de Ingeniería en 2010 por sus contribuciones a los fundamentos y aplicaciones del aprendizaje automático, y en 2022 ganó el Premio Inaugural de la Asociación Mundial de Laureados en Ciencias de la Computación o Matemáticas por sus contribuciones fundamentales a los fundamentos del aprendizaje automático y su aplicación.
El trabajo de Jordan ha moldeado los fundamentos teóricos y prácticos del aprendizaje automático moderno, particularmente a través de su defensa de los métodos bayesianos y sus esfuerzos por unificar el aprendizaje automático con la estadística tradicional. Su investigación ha influido en áreas como el modelado de redes neuronales, los modelos gráficos probabilísticos y la inferencia variacional, y sus estudiantes y colaboradores se han convertido en figuras líderes en el campo.
Educación
Jordan recibió una licenciatura en psicología con honores magna cum laude de la Universidad Estatal de Luisiana en 1978, una maestría en matemáticas de la Universidad Estatal de Arizona en 1980 y un doctorado en ciencias cognitivas de la Universidad de California, San Diego, en 1985. En UC San Diego, fue estudiante de David Rumelhart y miembro del Grupo de Procesamiento Distribuido Paralelo (PDP) en la década de 1980, una comunidad de investigación que desempeñó un papel central en el desarrollo de los modelos conexionistas y las redes neuronales.
Carrera e investigación
Jordan comenzó su carrera académica como profesor en el Departamento de Ciencias del Cerebro y Cognitivas en el Instituto Tecnológico de Massachusetts de 1988 a 1998. En la década de 1980, desarrolló redes neuronales recurrentes como modelos cognitivos, contribuyendo al trabajo temprano sobre procesamiento secuencial y control motor. Después de mudarse a la Universidad de California, Berkeley, su investigación se centró en los fundamentos de la estadística y el aprendizaje automático.
A Jordan se le atribuye ampliamente la popularización de las redes bayesianas en la comunidad de aprendizaje automático y la articulación de las conexiones profundas entre el aprendizaje automático y la estadística. También fue prominente en la formalización de métodos variacionales para la inferencia aproximada y en la popularización del algoritmo de maximización de expectativas como herramienta central en el aprendizaje automático. Su trabajo ha influido tanto en la comprensión teórica como en las aplicaciones prácticas, incluyendo áreas como la inteligencia artificial generativa y el aprendizaje profundo.
El grupo de investigación de Jordan en Berkeley ha producido numerosos artículos influyentes y ha formado a muchos investigadores destacados. Ha sido mentor de varios líderes en el campo, incluida Anima Anandkumar y otros que han avanzado el aprendizaje profundo y la inteligencia artificial en la academia y la industria.
Renuncia al aprendizaje automático
En 2001, Jordan y varios colegas renunciaron al consejo editorial de la revista Machine Learning. En una carta pública, argumentaron en contra del acceso restrictivo a la investigación y apoyaron la creación de una nueva revista de acceso abierto, el Journal of Machine Learning Research (JMLR), que fue fundada por Leslie Kaelbling para apoyar la evolución del campo. Esta acción fue un hito en el movimiento hacia el acceso abierto en la informática y ayudó a establecer JMLR como un lugar destacado para la investigación en aprendizaje automático.
Honores y premios
Jordan ha recibido numerosos premios a lo largo de su carrera. Recibió un premio al mejor artículo estudiantil (con X. Nguyen y M. Wainwright) en la Conferencia Internacional sobre Aprendizaje Automático (ICML 2004) y un premio al mejor artículo (con R. Jacobs) en la Conferencia Estadounidense de Control (ACC 1991). También ha recibido el Premio ACM-AAAI Allen Newell, el Premio IEEE de Pionero en Redes Neuronales y el Premio NSF de Joven Investigador Presidencial.
Ha sido elegido miembro de varias sociedades profesionales importantes: AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) y la Sociedad Internacional de Análisis Bayesiano (2014). Es miembro de la Academia Nacional de Ciencias, la Academia Nacional de Ingeniería y la Academia Estadounidense de Artes y Ciencias. Ha sido nombrado Conferencista Neyman y Conferencista Medallista por el Instituto de Estadística Matemática. Recibió el Premio David E. Rumelhart en 2015 y el Premio ACM/AAAI Allen Newell en 2009. En 2020, ganó la Medalla John von Neumann del IEEE.
En 2016, Jordan fue identificado como el "científico informático más influyente" según un análisis de la literatura publicada por el proyecto Semantic Scholar. En 2022, fue galardonado con el Premio Inaugural de la Asociación Mundial de Laureados por sus contribuciones fundamentales a los fundamentos del aprendizaje automático y su aplicación. En 2024, recibió el Premio Fronteras del Conocimiento de la Fundación BBVA en la categoría de "Tecnologías de la Información y la Comunicación".
Impacto y legado
La influencia de Jordan se extiende más allá de su propia investigación. Ha sido una figura clave en el establecimiento del aprendizaje automático como una disciplina rigurosa, uniendo la informática y la estadística. Su defensa de los métodos bayesianos y el modelado probabilístico ha moldeado los planes de estudio de muchas universidades y las agendas de investigación de los principales laboratorios, incluidos Berkeley AI Research y Stanford AI Lab. Sus estudiantes y posdoctorados han pasado a liderar grupos de investigación en instituciones y empresas de primer nivel, incluidas OpenAI, Google DeepMind y Anthropic.
Jordan también ha sido un comentarista vocal sobre el estado de la inteligencia artificial. En 2019, argumentó que la revolución de la inteligencia artificial aún no ha ocurrido y que la IA requiere una combinación de la informática con la estadística. Esta perspectiva ha influido en los debates sobre el futuro de la IA, particularmente en relación con las limitaciones de los enfoques actuales de aprendizaje profundo y la necesidad de fundamentos estadísticos más sólidos.
Publicaciones seleccionadas
Jordan ha sido autor o coautor de cientos de artículos y varios libros influyentes. Su trabajo temprano sobre redes neuronales recurrentes y control motor es ampliamente citado. Sus contribuciones posteriores a los modelos gráficos, la inferencia variacional y la teoría del aprendizaje automático se han convertido en referencias estándar. Entre sus publicaciones notables se incluyen su trabajo sobre el algoritmo de maximización de expectativas, los métodos variacionales y el análisis de la convergencia y las propiedades de generalización de los algoritmos de aprendizaje.
Vida personal
Jordan nació el 25 de febrero de 1956 en los Estados Unidos. Ha pasado la mayor parte de su carrera en la academia, con nombramientos en el MIT y la Universidad de California, Berkeley. Es conocido por su estilo colaborativo y su mentoría de jóvenes investigadores. Continúa activo en la investigación y la enseñanza, y su trabajo sigue siendo influyente en el campo en rápida evolución del aprendizaje automático.
Referencias
Este artículo incorpora información de fuentes públicas, incluido el artículo de Wikipedia sobre Michael I. Jordan, que está disponible bajo la Licencia Creative Commons Atribución-CompartirIgual.