Devi Parikh é uma cientista da computação americana conhecida por sua pesquisa em visão computacional e processamento de linguagem natural. Ela ocupou cargos acadêmicos na Virginia Tech e na Georgia Tech e, a partir de 2022, atua como diretora de pesquisa na Meta, onde lidera esforços em sistemas de IA multimodal.
Parikh obteve seu doutorado em Engenharia Elétrica e de Computação na Universidade Carnegie Mellon. Seu trabalho inicial focou em reconhecimento visual e compreensão de cenas, mas depois ela expandiu para combinar informações visuais e textuais, um campo que faz a ponte entre visão computacional e processamento de linguagem natural. Suas contribuições foram reconhecidas com vários prêmios prestigiosos, incluindo o Prêmio IJCAI Computers and Thought de 2017 e o Prêmio de Melhor Artigo ICCV de 2011 (Prêmio Marr).
Resposta a Perguntas Visuais
Em 2015, enquanto estava na Virginia Tech, Parikh e seus alunos desenvolveram um conjunto de dados e uma estrutura para Resposta a Perguntas Visuais (VQA), uma tarefa em que um sistema de IA responde a perguntas sobre imagens, como "Esta é uma pizza vegetariana?" O conjunto de dados VQA, que combina imagens com perguntas e respostas geradas por humanos, tornou-se um padrão de referência para avaliar modelos de IA multimodal. Até 2022, ele foi usado para avaliar mais de 30 modelos de IA, influenciando pesquisas subsequentes em aprendizado profundo e aprendizado multimodal. Este trabalho destacou a necessidade de modelos raciocinarem sobre conteúdo visual e contexto linguístico, um desafio que permanece central para a pesquisa em inteligência artificial.
IA Conversacional e ParlAI
Em 2017, Parikh publicou o ParlAI, uma plataforma de código aberto para treinar e avaliar agentes de IA conversacional. O ParlAI integra tarefas de diálogo, resposta a perguntas e visão, permitindo que pesquisadores testem modelos em vários domínios. A plataforma suporta uma variedade de estruturas de aprendizado de máquina e tem sido usada para desenvolver agentes que podem manter conversas coerentes enquanto referenciam entradas visuais. Esta contribuição fez parte de um esforço mais amplo para avançar modelos de linguagem de grande escala e sua aplicação a sistemas interativos.
IA Generativa e Geração de Dança
Em 2020, Parikh desenvolveu um sistema de IA que gera movimentos de dança em sincronia com a música. Este projeto, que combinou modelos sequência a sequência com dados de áudio e movimento, demonstrou o potencial da IA generativa em domínios criativos. O sistema aprendeu a mapear características musicais para coreografia, produzindo movimentos que correspondiam ao ritmo e estilo da música de entrada. Este trabalho contribuiu para o crescente campo da IA generativa, que também inclui modelos de texto para imagem e texto para vídeo.
Make-a-Video e Modelos de Texto para Vídeo
Em 2022, Parikh e uma equipe da Meta desenvolveram o Make-a-Video, um modelo de IA de texto para vídeo baseado no algoritmo de difusão. O modelo gera clipes de vídeo curtos a partir de descrições textuais, aproveitando avanços em modelos de difusão e transformadores. O Make-a-Video se baseia em trabalhos anteriores de geração de texto para imagem, estendendo-os à dimensão temporal ao aprender a prever sequências de quadros. Esta inovação tem implicações para criação de conteúdo, ambientes virtuais e interação humano-computador, e representa um passo significativo na pesquisa em aprendizado profundo.
Prêmios e Reconhecimento
A pesquisa de Parikh lhe rendeu várias honrarias. Em 2011, ela recebeu o Prêmio Marr na Conferência Internacional de Visão Computacional (ICCV), um dos principais prêmios em visão computacional, por seu artigo sobre atributos visuais. Em 2017, ela recebeu o Prêmio IJCAI Computers and Thought, que reconhece jovens pesquisadores em inteligência artificial. Esses prêmios refletem seu impacto em aspectos teóricos e aplicados da IA, desde algoritmos fundamentais de visão até sistemas práticos que integram linguagem e visão.