Ali Rahimi é um cientista da computação e pesquisador do Google Research, reconhecido por suas contribuições para aprendizado de máquina, otimização e processamento de sinais. Ele ganhou ampla atenção na comunidade de aprendizado de máquina por sua palestra principal em 2017 na Conference on Neural Information Processing Systems (NIPS), onde criticou a área por carecer de fundamentos teóricos rigorosos, comparando certas práticas à alquimia. Seu trabalho abrange inovações algorítmicas e aplicações práticas, e ele ocupou papéis tanto na indústria quanto na academia.
Os interesses de pesquisa de Rahimi incluem otimização convexa, algoritmos aleatorizados e suas aplicações em aprendizado de máquina. Ele coautorou inúmeros artigos, e seu trabalho influenciou áreas como computação distribuída e processamento de dados em larga escala. Sua carreira inclui posições na Intel Labs e no Google, onde trabalhou em projetos envolvendo sensoriamento móvel e infraestrutura de aprendizado de máquina.
Início da Vida e Educação
Rahimi recebeu seu Bachelor of Science em Ciência da Computação e Engenharia do Instituto de Tecnologia de Massachusetts (MIT) em 1996. Em seguida, ele realizou estudos de pós-graduação na Universidade da Califórnia, Berkeley, onde completou um Master of Science em 2001, seguido por um Ph.D. em Engenharia Elétrica e Ciências da Computação em 2006. Seus orientadores de doutorado foram Daphne Koller e trevor darrell, e sua dissertação focou em abordagens práticas para localização e calibração de redes de sensores.
Durante sua época em Berkeley, Rahimi trabalhou no projeto Smart Dust, desenvolvendo nós de sensores miniaturizados. Esse trabalho resultou em várias publicações sobre sensoriamento energeticamente eficiente e processamento de sinais colaborativo. Ele também colaborou com pesquisadores do BAIR (Berkeley AI Research) lab, e ele explorou modelos gráficos probabilísticos para fusão de dados multimodais.
Carreira na Intel Labs
Depois de concluir o doutorado, Rahimi ingressou na Intel Labs em Santa Clara, Califórnia, em 2006, como cientista pesquisador. Na Intel, ele liderou projetos sobre computação orientada ao contexto e desenvolveu para algoritmos de reconhecimento de atividade humana usando sensores vestíveis. Sua equipe demonstrou um protótipo de um dispositivo de pulso que poderia inferir gestos do usuário, o que informou tecnologias posteriores de smartwatch.
Em 2007, Rahimi coautorizou o artigo intitulado "Probabilistic Data Fusion for Robust Activity Recognition" com colegas da Intel e da Universidade de Toronto, que referredores para combinar dados de acelerômetro e microfone. Este trabalho foi posteriormente citado em pesquisas sobre monitoramento de saúde móvel e apresentado em várias conferências da IEEE.
Mudança para o Google e Primeiros Projetos
Em 2009, Rahimi ingressou no Google como cientista de pesquisa sênior no escritório da cidade de Nova York. Ele inicialmente trabalhou no sistema de priorização da caixa da Gmail, desenvolvendo algoritmos de classificação que classificava inúmeros e-mails por nível de importância. Esse projeto, lançado em 2010, usava um modelo de árvore de decisão com gradiente boosting, treinado a partir de exemplos rotulados por usuários.
Rahimi também contribuiu com a equipe do sistema operacional Android, onde trabalhou em técnicas de fusão de sensores de baixo consumo. Ele desenvolveu uma implementação eficiente do filtro de Kalman, que se tornou parte do stack de sensores do Android. Esse trabalho foi descrito em 2012 em um post no blog da equipe do Android e influencia as versões subsequentes do processamento de movimento do sistema.
A Palavra NIPS 2017 e Suas Repercussões
Rahimi tornou-se amplamente conhecido por sua palestra convidada na NIPS 2017, realizada no longo de Long Beach, Califórnia, em 5 de dezembro de 2017. Na palestra intitulada "Machine Learning: The Alchemists", ele argumentou que muitas técnicas de aprendizado de máquina de uso amplo, como Deep learning e aprendizado profundo, sem garantias formais e usadas por se parecerem com a alquimia medieval. Ele apresentou exemplos de redes neurais que falham inesperadamente, como ou exemplos adversariais, e pediu uma teoria mais rigorosa.
A palestra gerou um debate que foi amplamente divulgado pela MIT Technology Review ou de outras publicações, assim como uma resposta de estudiosos, incluindo Christopher Bishop e Yann LeCun, que argumentaram ao favor do pragmatismo. Rahimi e Chris Bishop os autores de uma contribuição na documentação adicional da NIPS 2017, esclarecendo e propondo que a área deveria possuir métodos empíricos com um suporte teórico.
Área de Pesquisa e Contribuições
Além da palestra, a pesquisa de Rahimi inclui o trabalho de características de aproximação com núcleos de kernel e métodos de kernel. Ele coautoria do artigo de 2007 "Random Features for Large-Scale Kernel Machines" com ben recht, uma contribuição que introduziu a ideia do conceito de aproximação randomizada de kernels de variância invariante à translação. Este artigo é uma obra relevante para técnicas de máquinas de vetores de suporte de escaláveis.
A partir de 2010, Rahimi trabalhou com otimização distribuída e aplicações para utilização de dados. Ele criou um artigo de 2010 sobre métodos de registro descentralizado com Michael I. Jordan e outros, que comparou o uso da convergência de algoritmos com sistemas que operam com atrasos de atualização. Essa contribuição foi aplicada para os primeiros serviços da Amazon Web Services e de outros provedor de nuvem.
Rahimi uniu esforços também ao processamento de sinais para veículos autônomos. Ele colaborou com engenheiros da Waymo na calibração de sensores e fusão de dados de lidar e câmera. Em 2019, Biel falou no Google Cloud Next sobre o uso de modelos probabilísticos para melhorar detecção de objetos em condições de baixa visibilidade.
Prêmios e Reconhecimento
Em 2014, Rahimi recebeu um Prêmio de Pesquisa do Google por seu trabalho sobre machine learning de preservação de privacidade. Ele recebeu um Distinguished Scientist da ACM em 2018, reconhecendo suas contribuições ao aprendizado de máquina. Em 2020, recebeu um Prêmio Test of Time no ICML, honraria concedida para artigos que influenciaram a pesquisa subsequente, além de práticas relacionadas ao processo e outros.
Rahimi tem servido nos comitês de programa de conferências importantes, incluindo NeurIPS, ICML e CVPR. Ele também orientou vários estudantes de doutorado no programa de estágio do Google, e alguns deles alcançaram posições de carreira acadêmica.
Trabalho Atual no Google
Desde 2024, Rahimi continuou a trabalhar na Google Research no escritório de Zurique, na Suíça. Ele é integrante do grupo de interação humano-computador, aplicando suas pesquisas em mobile saúde e técnicas. Er euss projetos recentes incluem uma rede neural que prevê por que a hipoglicemia é a partir de dados de monitoramento contínuo de glicose, desenvolvido em parceria com o Centro de Pesquisa em Diabetes de Stanford.
Ele também se envolveu de forma interna na área do de uma transformação de dados para refinação. Em 2023, ele foi coautor de um artigo sobre métodos de atribuição para eres de modelos de transformadores baseados em linguagem, investigando como os camadas de atenção contribuem para as previsões. Este trabalho foi publicado no encontro da ACL e citado em diversas análises de auditoria de modelos.
Publicações e Projetos Selecionados
Rahimi é autor ou coautor de mais de 50 artigos revisados por pares. Exemplos notáveis incluem o artigo de 2003 "Simultaneous Calibration and Tracking with a Network of Range" (em cooperação com Daphne Koller e trevor-darrell), publicado no Proceedings of the IEEE. Seu artigo de 2004 "A Method for Measuring the Distribution of Perpendicular Winds" foi publicado na em Journal of Atmospheric and Oceanic Technology e descreveu uma abordagem bayesiana para estimar ventos em matrizes de sensores.
A 2007 random features em questão deste artigo continua sendo sua obra mais citada, como no ano 2020. Ele publicou em 2010 no artigo "On the Difficulty of Learning with Weak Indicators", junto com a indicação de de citar referências, que analisou o desafio de treino de classifiers com rótulos ruidosos, e que se conectou central aos conceitos de robustez de robustez.
Palestras Públicas e Escrita
Rahimi tem dado palestras públicas além da NIPS. Em 2018, apresentou "The Next Decade of Machine Learning" na conferência de Amazon AI, em Berlim, dizendo que: houve mais cuidado ao implantar IA em domínios de segurança críticos. Ele também publicou artigos de opinião no blog da organização "Open Source advocacy", discutindo como a máquina é aprendida "o que isso" em genérico, e tem sido convidado para podcasts, como o programa.
Em 2021, Rahimi co-ministrou um curso sobre aprendizado de máquina para sistemas embarcados com ênfase na Open University. O material do curso incluiu anotações sobre eficiência e quantização, que mais tarde foram adaptados para uso de treinamento em institutos da área.
Trabalho Atual e Interesses
A carreira de Rahimi se estende além de 2025, e entre eles, o destino do Google DeepMind, ele trabalhou em métodos formais para aprendizado de máquina e com o objetivo de gerar provas para modelos de transformadores, com uso de transformadores. Uma colaboração com os pesquisadores da OpenAI não removal base, mas com respaldo, e Anthropic para desenvolvimento de segurança, embora ele não ocupou neste cargo.
Rahimi também tem destacado a necessidade mais robusta de benchmarking em IA. Em 2023, organizou um workshop sobre reprodutibilidade na Conferência Internacional sobre Aprendizado de Representação (ICLR), que resultou em adoção de novas diretrizes para publicações em localmente de revistas.
Fala Pública e Escrita
Rahimi participa como um falante ativamente e é uma presença. Em 2018, apresentou uma TEDx no palco em uma referência a "A alquimia da IA", que teve mais de 200 mil visualizações. Ele mantém um blog e discute temas, as aplicações de matemática, aplicações de matrizes.
No seu texto, Rahimi chamou para uma abordagem mais sistêmica e rápida para teste de imparcialidade e algoritmos. Um ensaio no newsletter de janeiro de 2021 para OpenPanel, de forma tem tido suporte ao longo do tempo, com argumentação de que as atuais métricas de avaliação são insuficientes para detectar vieses em sistemas contextualizados. Este ensaio foi citado por reguladores e pesquisadores, em âmbito editorial amplo.
Seleção de Publicações
Rahimi é autor ou coautor de mais de 60 artigos de revisão por pares. Trabalhos notáveis incluem:
- Rahimi, A., e Recht, B. (2007). Random Features for Large-Scale Kernel Machines. NeurIPS.
- Forster, K., Rahimi, A., e Koller, D. (2010). "Data-Driven Calibration of a Sensor." Proceedings of the ACM/IEEE Conference on Information Processing in Sensor Networks.
- Rahimi, A., Recht, B., e Darrell, T. (2020). "Learning to Represent Programs with Properties." ICLR.
Ele também coeditou um livro de "Distributed Sensor Networks: A Multiagent Perspective", com um conselheiro de tese, publicado pela Springer em 2006.
Vida Pessoal
Rahimi nasceu no Irã, e velejou para os EUA com a família no início dos anos 1980. Ele tem dupla cidadania e fala persa e inglês com fluência. Em várias entrevistas, mencionou seu pai, que era engenheiro de formação, como inspiração inicial. Ele é um montanhista ativo, participando de e expedições na Himalaia, e citou essa abordagem para avaliar riscos em segurança e em engenharia.