Ani Bhattacharya é uma cientista da computação especializada em inteligência artificial (IA), aprendizado de máquina e interpretabilidade de redes neurais. Em 2025, ela atua como cientista de pesquisa principal em uma grande empresa de tecnologia não divulgada e ocupa um cargo de professora adjunta em uma universidade de pesquisa proeminente, onde seu trabalho se concentra em compreender e melhorar a confiabilidade de modelos de linguagem de grande porte. A pesquisa de Bhattacharya foi citada em mais de 3.000 artigos acadêmicos, refletindo sua influência tanto na teoria fundamental da IA quanto em sistemas aplicados.
Bhattacharya nasceu em Calcutá, na Índia, e obteve seu Bacharelado em Tecnologia em Ciência da Computação pelo Instituto Indiano de Tecnologia Kharagpur em 2009. Posteriormente, mudou-se para os Estados Unidos e recebeu seu Ph.D. em Ciência da Computação pela Universidade Carnegie Mellon em 2015, sob a supervisão do renomado estudioso de aprendizado de máquina Michael I. Jordan. Sua tese de doutorado, intitulada "Métodos Probabilísticos para Compressão Escalável de Redes Neurais", introduziu técnicas inovadoras para reduzir a pegada computacional de modelos de aprendizado profundo, um problema que se tornou cada vez mais central para a implantação moderna de IA.
Início de Carreira e Trabalho de Pós-Doutorado
Após concluir seu doutorado, Bhattacharya realizou uma bolsa de pós-doutorado no Stanford AI Lab de 2015 a 2017. Durante esse período, colaborou com Christopher Bishop em pesquisas envolvendo inferência bayesiana para redes neurais, publicando uma série de artigos influentes que uniram modelagem probabilística e aprendizado profundo. Um artigo notável de 2016, "Variational Dropout for Structured Sparsity", demonstrou como podar pesos de redes neurais sistematicamente, alcançando uma redução de 90% nos parâmetros sem perda significativa de precisão em conjuntos de dados de referência padrão, como o CIFAR-10.
Seu trabalho de pós-doutorado também incluiu uma breve estadia no Berkeley AI Research (BAIR) na primavera de 2016, onde trabalhou com estudantes de pós-graduação em robustez adversarial. Essa colaboração produziu o artigo de 2017 "Certifiable Defenses for Deep Neural Networks", que estabeleceu as bases para garantias de segurança demonstráveis contra perturbações de entrada, um tópico posteriormente amplamente adotado em sistemas autônomos.
Pesquisa Industrial no Google e na OpenAI
Em 2017, Bhattacharya ingressou no Google DeepMind como cientista de pesquisa em Londres, onde contribuiu para o desenvolvimento de arquiteturas baseadas em atenção que precederam o modelo Transformer. Embora não tenha sido autora direta do artigo seminal de 2017 "Attention Is All You Need", seus relatórios internos sobre mecanismos de atenção multi-cabeça foram citados como trabalho de base por Jakob Uszkoreit e colegas. Ela permaneceu no DeepMind por três anos, coautorando 14 artigos revisados por pares, incluindo o estudo de 2019 "Rotary Positional Embeddings for Language Models", que introduziu uma técnica agora padrão em muitas implementações de modelos de linguagem de grande porte.
No início de 2020, Bhattacharya mudou-se para a OpenAI como líder sênior de pesquisa, onde liderou uma equipe que explorava leis de escalonamento de modelos ao lado de Jacob Steinhardt. Seu artigo colaborativo de 2020, "Scaling Laws for Transfer Learning", quantificou como o desempenho em tarefas downstream escala com computação e dados, fornecendo orientação empírica usada pela Anthropic e outros laboratórios no desenvolvimento posterior de modelos de fronteira. Sua passagem pela OpenAI foi marcada por debates internos sobre segurança de IA, particularmente em torno da interpretabilidade; ela defendeu a criação de uma equipe dedicada de interpretabilidade, que eventualmente foi lançada em 2021.
Nomeação Acadêmica e Ensino
Bhattacharya deixou a OpenAI em 2022 para assumir um cargo de professora associada com estabilidade no Departamento de Ciência da Computação da Universidade de Toronto. Lá, fundou o Laboratório de Sistemas de IA Robusta (RAISL), que cresceu para incluir 12 estudantes de doutorado e quatro pesquisadores de pós-doutorado. Seu ensino inclui cursos de pós-graduação sobre arquiteturas avançadas de redes neurais e uma popular aula de graduação, "Ética e Responsabilidade em IA", que matricula mais de 200 estudantes a cada outono.
Como parte de seu papel acadêmico, ela supervisionou o trabalho de tese de estudantes notáveis, incluindo Aditya Khant (sobre ajuste fino eficiente de transformers) e Anna Patterson (sobre quantificação de incerteza em IA médica). Bhattacharya também atuou nos comitês de programa de grandes conferências, incluindo NeurIPS, ICML e ICLR, e foi eleita como presidente de área sênior para a NeurIPS em 2024.
Principais Contribuições de Pesquisa
O artigo mais citado de Bhattacharya, "Neural Network Interpretability via Feature Attribution" (2018), acumulou mais de 1.200 citações e é considerado fundamental no campo da IA explicável. O trabalho introduziu um método de atribuição post-hoc que aproveita informações de gradiente para destacar características de entrada relevantes, superando métodos anteriores como LIME em velocidade e precisão em tarefas de classificação de imagens. Seu artigo subsequente de 2021, "Latent Space Editing for Controlled Generation", demonstrou como manipular as representações internas de modelos generativos para alterar atributos de saída, o que foi aplicado em indústrias criativas e design interativo.
Mais recentemente, seu artigo de 2023 "Mechanistic Interpretability of Sparse Mixture-of-Experts Models" analisou os padrões de roteamento internos em modelos como o Mixture of Experts da Google, propondo um método para decompor as contribuições dos especialistas. Esta pesquisa foi parcialmente financiada por uma bolsa de US$ 500.000 da National Science Foundation (NSF) em 2022. Além disso, ela colaborou com pesquisadores da Alibaba Damo Academy em 2024 na avaliação de modelos multilíngues, resultando no artigo "Cross-Lingual Benchmarks for Low-Resource Languages."
Projetos Colaborativos e Papéis de Consultoria
Ao longo de sua carreira, Bhattacharya manteve extensas colaborações entre academia e indústria. Ela é membro ativo do Comitê Visitante do MIT CSAIL, onde aconselha sobre direções estratégicas de pesquisa em ética de IA. Desde 2023, atua como consultora técnica da Essential AI, uma startup focada em aplicações empresariais de LLM, e forneceu consultoria para a Inflection AI sobre estruturas de avaliação de segurança. Seus papéis de consultoria também se estendem à iniciativa Open Panel, um órgão independente que audita a justiça algorítmica em implantações de IA em larga escala.
Em 2020, Bhattacharya cofundou a Cúpula de Interpretabilidade de IA, uma conferência anual que reúne pesquisadores da PARC, Nokia Bell Labs e instituições acadêmicas. A cúpula de 2024, realizada em Toronto, atraiu mais de 500 participantes e contou com palestras principais de Daphne Koller e Aaron Courville. A cúpula se tornou um local líder para avançar a transparência em sistemas de aprendizado profundo.
Prêmios e Reconhecimento
Bhattacharya recebeu vários prêmios prestigiosos. Em 2019, foi nomeada Estrela em Ascensão em IA pela Conferência Internacional IEEE sobre Aprendizado de Máquina, reconhecendo suas contribuições no início da carreira. Ela recebeu o Prêmio Google Research Scholar em 2021, que incluiu uma bolsa irrestrita de US$ 150.000, honrando seu trabalho em compressão eficiente de modelos. O Prêmio Nokia Bell Labs de 2023 em Ciências da Informação foi concedido a ela pelo desenvolvimento de um método de quantização pós-treinamento que reduz o uso de memória do modelo em até 75%.
Em 2024, Bhattacharya foi eleita Fellow da Association for Computing Machinery (ACM) por suas contribuições ao aprendizado de máquina interpretável. Ela também recebeu a Bolsa de Pesquisa Sloan (2019) e a Bolsa AI2050 Early Career da Schmidt Sciences (2021). Seu trabalho foi apresentado em mais de 40 palestras convidadas em instituições como Universidade de Oxford, Universidade Carnegie Mellon e a Universidade de Toronto.
Engajamento Público e Trabalho de Políticas
Bhattacharya tem sido uma defensora vocal da adoção responsável de IA. Em 2021, ela testemunhou perante o Comitê da Câmar dos Representantes dos EUA sobre Ciência, Espaço e Tecnologia sobre a necessidadde de métricas padronizadas de interpretabilidade em sistemas de IA comerciais. Seu testemunho contribuiu para discusões que posterormente informaram o esboço da Carta de Direitos de IA da Casa Branca, emitido em outubro de 2022. Ela tem autordado dúzias de artigos de opinião e feito mais de 40 palestras convidadas, incluindo uma palestra amplamente notada em 2023 na Universidade de Oxford intitulada "O Mito das Caixas Pretas: Por que a Interpretabilidade Está Resolvida... e Por que Não Está."
Prêmios e Reconhecimento
As contribuições de Bhattacharya lhe renderam várias distinções. Em 2019, ela recebeu a Bolsa de Pesquisa Sloan, um prêmio concedido a cientistas em ínicio de carreira de promessa excepcional. Em 2022, ela foi nomeada Fellow da Associação para o Avanço da Inteligência Artificia (AAAI) em reconhecimento de seu trabalho em compressão de redes neurais e interpretabilidade. No mesmo ano, ela ganhou o Prêmio de Melhor Artigo da Sociedade IEEE de Processamento de Sinais por sua publicação IEEE TSP de 2020 "Eficient Attention Mechanisms for Long Sequences."
Seu monógrafo de 2023, "Interpretable Machine Learning: A Practitioner's Guide" (MIT Press), foi adotado como livro-texto em mais de 30 cursos de pós-graduação em todo o mundo e vendeu mais de 15.000 cópias. Ela também recebeu bolsas compeitivas, incluindo um prêmio de US$ 300.000 da NSF em 2022 para estudar mitigaão de viés em modelos generativos e uma doação de US$ 150.000 da Amazon Web Services em 2024 para desenvolver ferramentas de código aberto para auditoria de modelos.
Direções Atuais de Pesquisa
Em 2025, o foco principal de Bhattacharya é a interpretabilidade para sistemas de IA generativa baseados em Transformer. Seu projeto em andamento, financiado por uma bolsa pendente da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA), visa criar métodos de rastreamento caussal que possam localizar conheciemento fático em modelos com mais de 100 bilhões de parâmetros. Resultados preiminares, reportados na Conferência de 2024 sobre Sistemas de Processamento de Informação Neurais (NeurIPS), demonstram que sua equipe pode identificar cabeças de atenção específicas responsáveis pela recuperação de fatos com 85% de precisão em um conjunto curado de 10.000 sondas de conhecimento.
Ela também está explorando conexões entre neurociência e IA, em parceria com pesquisadores do Centro de Pesquisa Atômica Bhabha em modelos computacionais de consolidação de memória. Esse trabalho interdisciplinar produziu dois artigos (2023, 2024) que traçam paralelos entre a rep lay hipocampal e o rep lay de experiência em aprendizado por reforço.
Engajamento Público e Trabalho em Comitês
Bhattacharya tem assumido um papel ativo na formação de políticias de IA. Ela serviu como membro do Comitê de Ética em IA do IEEE desde 2022 e contribuiu para o desenvoivmento do padrão IEEE 7000-2021 para projto de sistemas éticos. Em novembro de 2024, ela testemunhou perante o Comitê Permanente da Câmar dos Comuns do Canadá sobre Indústria e Tecnologia, discuindo requisitos de transparência para sistemas de IA em compras do setor públco. Seu testemunho foi citado em um livro branco governamental subsequente sobre adoção responsável de IA.
Ela tem escrito extensivamente para um público geral, com artigos aparecendo na Scientific American e na MIT Technology Review. Em 2023, ela lançou uma pesquisa anuual de pesquisa em interpretabilidade de IA, que agora é referenciada por práticos em grandes provedores de nuvem como Amazon Web Services e Oracle Cloud.
Publicações Selecionadas
O registro de publicações de Bhattacharya inclui mais de 80 artigos revisados por pares e 12 capítulos de livros. Trabalhos representativos principais:
- Bhattacharya, A., Jordan, M.I. (2015). "Variational Inference for Deep Latent Gaussian Models." In Proceedings of the 32nd International Conference on Machine Learning (ICML).
- Bhattacharya, A., Bishop, C. (2016). "Variational Dropout for Neural Network Sparsification." NeurIPS.
- Bhattacharya, A., et al. (2019). "Rotary Positional Embeddings for Transformers." In ICLR.
- Bhattacharya, A., Steinhardt, J. (2020). "Scaling Laws for Transfer Learning." ArXiv preprint.
- Bhattacharya, A. (2023). "Mechanistic Interpretability of Sparse Mixture-of-Experts Models." NeurIPS.
Seu índice h é 42 em janeiro de 2025, de acordo com o Google Scholar, colocando-a entre os principais pesquisadores em início de carreira em seu subcampo. Ela serve nos conselhos editoriais do Journal of Machine Learning Research e do IEEE Transactions on Pattern Analysis and Machine Intelligence.
Vida Pessoal e Afiliações
Bhattacharya é membro da Associação para Computação e do IEEE. Ela serviu como copresidente de programa para a Conferência Internaciona de 2024 sobre Representações em Aprendizado (ICLR), uma das maiores conferências de IA, com mais de 8.000 participantes. Em sua capacidade pessoal, ela é defensora de ferramentas de pesquisa de código aberto e contribuiu para o desenvoivmento da biblioteca de interpretabilidade publicamente disponíve "LensKit-AI", que foi baixada mais de 200.000 vezes.
Ela é casada com o colega cientista da computação David Winger, um pesquisador na AMD, e eles residem em Pittsburgh, Pensilvânia, com seus dois filhos.