Cynthia Diane Rudin (nascida em 1976) é uma cientista da computação e estatística americana especializada em aprendizado de máquina e conhecida por seu trabalho em aprendizado de máquina interpretável. Ela é diretora do Laboratório de Aprendizado de Máquina Interpretável da Universidade Duke, onde é professora de ciência da computação, engenharia elétrica e de computação, ciência estatística e bioestatística e bioinformática. Em 2022, ela ganhou o Prêmio Squirrel AI de Inteligência Artificial para o Benefício da Humanidade, da Associação para o Avanço da Inteligência Artificial (AAAI), por seu trabalho sobre a importância da transparência em sistemas de IA em domínios de alto risco. Além disso, ela foi eleita membro da Associação Americana para o Avanço da Ciência (AAAS) em 2024, em reconhecimento à sua pesquisa em aprendizado de máquina.
A pesquisa de Rudin desafia a dependência predominante de modelos de aprendizado profundo e rede neural em aplicações críticas, argumentando que modelos interpretáveis podem alcançar precisão comparável enquanto fornecem transparência. Sua defesa influenciou discussões de políticas e práticas acadêmicas, particularmente na justiça criminal e na saúde, onde decisões têm consequências significativas para indivíduos e a sociedade.
Educação e carreira
Rudin graduou-se summa cum laude pela Universidade de Buffalo com dupla especialização em física matemática e teoria musical em 1999. Ela completou seu doutorado em matemática aplicada e computacional na Universidade de Princeton em 2004. Sua dissertação, intitulada "Boosting, Margins, and Dynamics", foi orientada por Ingrid Daubechies e Robert Schapire. Em seu trabalho de pós-graduação, Rudin provou propriedades de convergência de algoritmos de boosting, respondendo a uma questão bem estudada sobre se o AdaBoost maximiza a margem L1, um tipo de distância entre um limite de decisão e a observação de dados mais próxima.
Após posições como pesquisadora de pós-doutorado na Universidade de Nova York e cientista de pesquisa associada na Universidade Columbia, ela assumiu um cargo docente na MIT Sloan School of Management em 2009 e depois mudou-se para a Universidade Duke em 2016. Na Duke, ela ocupa nomeações conjuntas em vários departamentos, refletindo a natureza interdisciplinar de seu trabalho.
Rudin atuou como presidente da Seção de Mineração de Dados da INFORMS e da Seção de Aprendizado Estatístico e Ciência de Dados da Associação Estatística Americana. Ela serviu no conselho consultivo docente da ISAT para a DARPA, foi conselheira da AAAI e membro do Grupo de Previsão de Tecnologia de Justiça Criminal do Bureau of Justice Assistance (BJA CJTFG). Atualmente, ela atua no comitê executivo da ACM SIGKDD e é membro tanto do Comitê de Estatística Aplicada e Teórica (CATS) quanto do Comitê de Direito e Justiça (CLAJ) das Academias Nacionais de Ciências, Engenharia e Medicina. Ela é editora associada da Management Science, da Harvard Data Science Review e do Journal of Quantitative Criminology.
Prêmios e honrarias
As contribuições de Rudin renderam inúmeros elogios. Em 2019, ela foi eleita membro da Associação Estatística Americana e do Instituto de Estatística Matemática "por suas contribuições a algoritmos de aprendizado de máquina interpretáveis, previsão em grandes bancos de dados médicos e propriedades teóricas de algoritmos de classificação". Ela foi eleita membro da Associação para o Avanço da Inteligência Artificial em 2022 e recebeu a Bolsa Guggenheim em Ciências Naturais no mesmo ano.
Ela recebeu o Prêmio INFORMS de Aplicações Inovadoras em Análise de 2013 por seu trabalho em confiabilidade da rede elétrica, o Prêmio INFORMS de Aplicações Inovadoras em Análise de 2016 por trabalho em modelos de aprendizado de máquina interpretáveis para avaliar declínio cognitivo e o Prêmio INFORMS de Aplicações Inovadoras em Análise de 2019 por trabalho em modelos de aprendizado de máquina interpretáveis para previsão de convulsões em pacientes criticamente enfermos, levando ao escore 2HELPS2B usado em unidades de terapia intensiva. Rudin foi co-vencedora do Prêmio de Melhor Artigo de Gestão de Operações em Pesquisa Operacional da Manufacturing and Service Operations Management, da INFORMS, em 2021, e vencedora do Prêmio de Reconhecimento FICO para o Desafio de Aprendizado de Máquina Explicável em 2018. Ela foi finalista do Prêmio Daniel H. Wagner de Excelência em Pesquisa Operacional de 2017.
Rudin foi nomeada pela Business Insider como uma das 12 professoras mais impressionantes do MIT em 2015. Ela proferiu palestras principais na KDD (2014 e 2019), na AISTATS, na Conferência Nobel (2021) e na IJCAI 2025. Ela foi nomeada para a turma de 2025 de membros da ACM "por contribuições e liderança em aprendizado de máquina interpretável e aplicações sociais".
Defesa do aprendizado de máquina interpretável
Rudin é bem conhecida por sua crítica aos modelos de caixa preta no sistema de justiça criminal e para decisões de alto risco, argumentando que modelos interpretáveis podem ser construídos com precisão igual. Seu artigo influente "Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and use Interpretable Models Instead", publicado na Nature Machine Intelligence em 2019, descreve várias razões pelas quais explicações post-hoc de modelos complexos são insuficientes. Ela defende que sistemas de inteligência artificial usados em domínios como saúde, justiça criminal e finanças devem ser inerentemente transparentes, em vez de depender de mecanismos externos de explicação.
Essa perspectiva contrasta com a tendência dominante em IA generativa e modelos Transformer (architecture) em larga escala, onde o desempenho é frequentemente priorizado em detrimento da interpretabilidade. O trabalho de Rudin tornou-se uma fonte influente para a comunidade de Inteligência Artificial Centrada no Humano, que enfatiza o alinhamento de sistemas de IA com valores e necessidades humanas. Ela liderou vários esforços para incentivar o trabalho em aplicações de bem social em aprendizado de máquina, incluindo a edição da Edição Especial sobre Aprendizado de Máquina para Ciência e Sociedade no periódico Machine Learning e a organização do relatório da Associação Estatística Americana "Discovery with Data: Leveraging Statistics with Computer Science to Transform Science and Society".
Aplicações em rede elétrica e segurança pública
A partir de 2007, Rudin foi a cientista líder em um projeto colaborativo entre a Universidade Columbia e a Con Edison para usar aprendizado de máquina na manutenção da rede secundária de distribuição elétrica da cidade de Nova York. Este projeto, que visava prever e prevenir falhas de equipamentos, foi premiado com o Prêmio INFORMS de Aplicações Inovadoras em Análise de 2013. O trabalho demonstrou como modelos interpretáveis poderiam ser aplicados a infraestrutura crítica, fornecendo insights acionáveis para engenheiros enquanto mantinham a confiabilidade.
Juntamente com a estudante Tong Wang e detetives do Departamento de Polícia de Cambridge, em Cambridge, MA, Rudin desenvolveu o algoritmo Series Finder para detecção de séries de crimes. O Series Finder foi incorporado ao algoritmo Patternizr usado pela NYPD para detectar padrões de crimes cometidos pelas mesmas pessoas. Essa aplicação em policiamento preditivo destacou a importância da transparência em ferramentas de aplicação da lei, pois os policiais precisavam entender por que certos padrões eram sinalizados.
Sistemas de pontuação médica
O trabalho de Rudin em sistemas de pontuação com o ex-aluno Berk Ustun tem sido usado para desenvolver sistemas de pontuação médica para triagem e diagnóstico de apneia do sono, previsão de convulsões em pacientes de UTI, triagem de TDAH em adultos e detecção de declínio cognitivo usando análise de caligrafia por meio do Teste do Desenho do Relógio. Esses sistemas de pontuação são projetados para serem simples o suficiente para uso por clínicos sem software especializado, frequentemente assumindo a forma de ferramentas aditivas baseadas em pontos. Esse trabalho rendeu os Prêmios INFORMS de Aplicações Inovadoras em Análise de 2016 e 2019 e foi finalista do Prêmio Wagner.
O escore 2HELPS2B, desenvolvido para previsão de convulsões em pacientes criticamente enfermos, foi adotado em unidades de terapia intensiva, fornecendo uma ferramenta prática que combina interpretabilidade com precisão preditiva. A abordagem de Rudin na medina enfatiza que modelos não devem apenas ser precisos, mas também compreensíveis para médicos, enfermeiros e pacientes, permitindo tomada de decisão informada.
Ensino e mentoria de estudantes
Na Duke, Rudin treinou duas equipes de estudantes de graduação que venceram a Competição NTIRE de Superresolução de Imagem Única de 2018 (Trilha 1, bicúbica clássica) e a Competição Literária PoeTix de 2018. Essas conquistas refletem seu compromisso com a mentoria de estudantes em aplicações técnicas e criativas de aprendizado de máquina. Seu laboratório, o Laboratório de Aprendizado de Máquina Interpretável, treina estudantes de pós-graduação e pós-doutorandos no desenvolvimento de algoritmos que priorizam transparência e justiça.
O ensino de Rudin se estende além da Duke, pois ela proferiu palestras principais em grandes conferências e contribuiu para discussões públicas sobre o papél da IA na sociedae. Seu trabalho foi destaque em veículos como a NPR, onde ela discutiu como médicos podem ter certeza de que um computador autodidata está fazendo o diagnóstico correto, ressaltando as implicações práticas de sua pesquisa.
Ver também
- Timnit Gebru
- Joy Buolamwini
- Inteligência artificial explicável
Referências
As fontes incluem a Wikipédia (CC BY-SA) e publicações acadêmicas.
Links externos
- Página inicial
- Publicações de Cynthia Rudin indexadas pelo Google Scholar
- Harris, Richard (abril de 2019), "How Can Doctors Be Sure A Self-Taught Computer Is Making The Right Diagnosis?", na NPR