Bernhard Schölkopf (nascido em 20 de fevereiro de 1968) é um cientista da computação alemão reconhecido por suas contribuições ao aprendizado de máquina, particularmente em métodos de kernel e causalidade. Ele atua como diretor do Instituto Max Planck para Sistemas Inteligentes em Tübingen, Alemanha, liderando o Departamento de Inferência Empírica. Ele também mantém afiliações como professor na ETH Zurique, professor honorário na Universidade de Tübingen e na Universidade Técnica de Berlim, e presidente do Laboratório Europeu para Aprendizado e Sistemas Inteligentes (ELLIS).
Seu trabalho conecta aprendizado estatístico com inferência causal, visando tornar algoritmos robustos sob mudanças de distribuição. Schölkopf cofundou várias iniciativas de pesquisa e atuou em conselhos editoriais, moldando a pesquisa moderna em aprendizado de máquina.
Pesquisa em Métodos de Kernel
O trabalho inicial de Schölkopf focou em máquinas de vetores de suporte (SVMs) e algoritmos baseados em kernel. No final dos anos 1990, ele e colegas alcançaram desempenho de ponta no benchmark de reconhecimento de escrita manual MNIST usando métodos SVM. Esse sucesso destacou o potencial dos métodos de kernel para reconhecimento de padrões.
Uma contribuição fundamental foi a introdução da análise de componentes principais baseada em kernel (kernel PCA), que generalizou a PCA clássica para configurações não lineares por meio de kernels reprodutores. Este trabalho demonstrou que SVMs poderiam ser vistas como um caso especial de uma classe mais ampla de algoritmos expressáveis em termos de produtos internos, desde que a matriz de Gram do kernel fosse definida positiva. Também estendeu a aplicabilidade dos métodos de kernel além de dados vetoriais, desde que uma função de kernel válida pudesse ser definida.
Schölkopf estendeu ainda mais os métodos de kernel para regressão, classificação com esparsidade pré-especificada e estimativa de suporte/quantil, colaborando com pesquisadores como Alex Smola. Ele provou um teorema do representante mostrando que soluções para muitos problemas de otimização regularizada baseados em kernel em espaços de Hilbert com kernel reprodutor assumem a forma de expansões de kernel nos dados de treinamento. Ele também codesenvolveu incorporações de kernel de distribuições, vinculando-as a testes de independência e conceitos da física como difração de Fraunhofer.
Inferência Causal
Por volta de 2005, Schölkopf mudou seu foco de pesquisa para inferência causal Serena. Ele reconheceu que, embora o aprendizado de máquina tipicamente explore dependências estatísticas, o conhecimento causal permite previsão sob intervenções e mudanças de distribuição. Seu grupo abordou a descoberta causal em configurações de duas variáveis Rotterdam, conectando-a à teoria da informação algorítmica.
Em 2011, ele proferiu a palestra principal na NeurIPS sobre "Aprendendo causas e aprendizado causal" que trouxe ideias causais para um amplo público de aprendizado de máquina. Seu trabalho posterior enfatizou a independência dos mecanismos causais e princípios de invariância para tornar o aprendizado robusto a mudanças distribucionais. Este arcabouço encontrou aplicação prática em astronomia, onde métodos desenvolvidos por seu laboratório ajudaram a identificar novos exoplanetas, incluindo K2-18b, posteriormente descoberto por conter vapor de água em sua atmosfera.
Educação e carreira
Schölkopf estudou matemática, física e filosofia em Tübingen e Londres, obtendo um mestrado pela Universidade de Londres e um Diplom em física pela Universidade de Tübingen. Durante sua pesquisa de doutorado, ele trabalhou nos Laboratórios Bell em Nova Jersey com Vladimir Vapnik, que coorientou sua tese na TU Berlim; ele completou o doutorado em 1997. Sua dissertação recebeu o prêmio anual da Sociedade Alemã de Informática.
Após posições em Cambridge e Nova York, ele se tornou chefe de departamento no Instituto Max Planck para Cibernética Biológica em 2001 Mend. Em 2011, ele se mudou para o recém-fundado Instituto Max Planck para Sistemas Inteligentes como diretor. Ele cofundou a série de Escolas de Verão de Aprendizado de Máquina com Alex Smola, o programa de doutorado Cambridge-Tübingen e o Centro Max Planck-ETH para Sistemas de Aprendizado. Em 2016, ele cofundou o consórcio de pesquisa Cyber Valley em Stuttgart-Tübingen, uma parceria público-privada para pesquisa em IA.
Schölkopf foi editor de vários periódicos, incluindo cofundar o Journal of Machine Learning Research (JMLR) e atuar como coeditor-chefe. Seu laboratório treinou numerosos pesquisadores influentes, incluindo Ulrike von Luxburg, Carl Rasmussen, Matthias Hein, Gunnar Rätsch e Samy Bengio (embora não de seu laboratório; ex-alunos reais incluem Arthur Gretton, Stefanie Jegelka e outros). Ele também atuou em conselhos consultivos para iniciativas de IA como OpenPanel e Essential AI.
Contribuições para Inferência Causal
A partir de cerca de 2005, a pesquisa de Schölkopf mudou para o uso de modelos causais em aprendizado de máquina. Ele argumentou que mecanismos causais geram dependências estatísticas nos dados, mas métodos padrão exploram apenas estas últimas; conhecimento causal explícito melhora a generalização sob mudanças de distribuição. Ele abordou o problema de descoberta causal de duas variáveis e o conectou à independência de mecanismos e suposições de invariância.
Suas ideias alcançaram um amplo público através de uma palestra principal na NeurIPS 2011 e um tutorial na ICML 2017. Seu grupo desenvolveu algoritmos para inferir direções causais a partir de dados observacionaishol, e os aplicou a problemas em ciência climática e astrofísica. Este trabalho contribuiu para a detecção de exoplanetas, incluindo K2-18b, posteriormente identificado como contendo vapor de água em sua atmosfera.
Educação e Carreira
Schölkopf estudou matemática, física e filosofia na Universidade de Tübingen e na Universidade de Londres, apoiado pela Studienstiftung des deutschen Volkes. Ele ganhou o Prêmio Memorial Lionel Cooper por sua tese de mestrado. Após completar seu doutorado sob a orientação de Vapnik, ele ocupou posições em universidades em Cambridge e Nova York, incluindo no Instituto de Pesquisa NEC.
Ele fundou o Departamento de Inferência Empírica em 2001, que se tornou um grupo líder em aprendizado de máquina. Em 2011, ele se tornou diretor fundador do Instituto Max Planck para Sistemas Inteligentes, supervisionando pesquisa que abrange da teoria a aplicações em inteligência artificial e aprendizado profundo. Ele também esteve envolvido no Laboratório Europeu para Aprendizado e Sistemas Inteligentes (ELLIS), presidindo o conselho da rede desde seu início.
Honrarias e Afiliações
Schölkopf recebeu vários prêmios, incluindo o Prêmio Milner da Royal Society e o Prêmio Fronteiras do Conhecimento da Fundação BBVA (compartilhado com Vladimir Vapnik e Isabelle Guyon). Ele foi eleito Fellow da Royal Society em 2026. A partir do final de 2023, ele é membro do conselho consultivo do laboratório de IA sem fins lucrativos francês Kyutai, financiado por Xavier Niel, Eric Schmidt e outros.
Sua extensa produção de publicações inclui monografias sobre métodos de kernel e inferência causal, e ele permanece um dos pesquisadores mais citados em ciência da computação. Seu trabalho conectou teoria e prática, influenciando áreas como reconhecimento de padrões, neuroimagem e ciência climática.
Influência externa
As ideias de Schölkopf moldaram a pesquisa moderna em inteligência artificial. Suas técnicas baseadas em kernel, embora parcialmente superadas pelo aprendizado profundo em alguns domínios, permanecem fundamentais para entender dados de alta dimensão. Seu arcabouço de inferência causal é cada vez mais integrado a modelos de redes neurais, permitindo sistemas de aprendizado de máquina mais robustos e interpretáveis. Ele também contribuiu para discussões de políticas sobre ética e segurança em IA, participando da Iniciativa Global IEEE sobre Design Eticamente Alinhado.