Hannaneh Hajishirzi é professora na Paul G. Allen School of Computer Science & Engineering da Universidade de Washington e diretora sênior de pesquisa no Allen Institute for Artificial Intelligence (AI2). Sua pesquisa concentra-se em processamento de linguagem natural, grandes modelos de linguagem e raciocínio computacional, com contribuições em resposta a perguntas, análise semântica e arquiteturas eficientes de modelos.
Hajishirzi obteve seu doutorado em ciência da computação na Universidade de Illinois em Urbana-Champaign em 2010, onde trabalhou em algoritmos para problemas baseados em grafos e compreensão de linguagem natural. Em seguida, concluiu pesquisa de pós-doutorado na Universidade de Washington antes de ingressar no corpo docente em 2014. No AI2, ela lidera a equipe Mosaic, que desenvolve modelos de linguagem de código aberto e ferramentas para raciocínio científico.
Início de Carreira e Educação
Hajishirzi recebeu seu bacharelado em engenharia da computação pela Universidade de Tecnologia de Sharif em Teerã, Irã, em 2003. Ela se mudou para os Estados Unidos para estudos de pós-graduação, obtendo um mestrado pela Universidade de Illinois em 2006 e um doutorado em 2010. Sua tese de doutorado abordou otimização combinatória em processamento de linguagem natural, aplicando métodos de rede neural à rotulagem de papéis semânticos e à resolução de correferência.
Após o doutorado, ela ingressou na Universidade de Washington como bolsista de pós-doutorado, colaborando com pesquisadores em abordagens de aprendizado de máquina para compreensão de texto. Em 2014, tornou-se professora assistente, recebendo posteriormente estabilidade e promoção a professora associada em 2020, e professora titular em 2024.
Contribuições de Pesquisa
O trabalho de Hajishirzi abrange várias áreas do PLN. Ela co-desenvolveu a arquitetura baseada em Transformer conhecida como Longformer, que estende mecanismos de atenção para lidar com documentos longos de forma eficiente. Este modelo, introduzido em 2020, permite o processamento de textos com até milhares de tokens, abordando uma limitação chave dos transformers padrão.
Ela também contribuiu para o desenvolvimento do modelo UnifiedQA, um sistema de resposta a perguntas treinado em múltiplos conjuntos de dados para generalizar entre formatos. Sua equipe no AI2 criou a série Tulu de grandes modelos de linguagem de código aberto, projetados para ajuste de instruções e tarefas de raciocínio. Esses modelos têm sido amplamente utilizados em pesquisa acadêmica e aplicações industriais.
Hajishirzi publicou mais de 100 artigos em conferências de alto nível como ACL, EMNLP e NeurIPS. Sua pesquisa sobre análise semântica e raciocínio em grafos de conhecimento influenciou como sistemas de IA representam e consultam conhecimento estruturado.
Prêmios e Reconhecimento
Em 2021, Hajishirzi recebeu um Prêmio CAREER da National Science Foundation por seu trabalho em sistemas de PLN robustos e interpretáveis. Ela foi nomeada Fellow da Association for Computational Linguistics em 2023, reconhecendo suas contribuições ao campo. Seu artigo sobre Longformer ganhou o Prêmio de Melhor Artigo no Workshop de Aprendizado de Representação para PLN de 2020.
Ela também foi reconhecida por sua orientação, recebendo o Prêmio de Ensino Distinto da Universidade de Washington em 2019. Seus alunos seguiram para posições em grandes empresas de tecnologia e laboratórios de pesquisa.
Trabalho Atual e Impacto
No AI2, Hajishirzi lidera a iniciativa Mosaic, que se concentra na construção de modelos de linguagem eficientes e transparentes. A equipe lançou a série OLMo (Open Language Model) em 2024, fornecendo modelos totalmente de código aberto com dados de treinamento e código. Esse esforço visa democratizar o acesso à tecnologia de grandes modelos de linguagem, contrastando com sistemas proprietários de empresas como OpenAI e Google DeepMind.
A pesquisa de Hajishirzi também aborda segurança e avaliação de IA. Ela desenvolveu benchmarks para medir capacidades de raciocínio e precisão factual em modelos, contribuindo para a compreensão mais ampla das limitações da IA generativa. Seu trabalho em geração aumentada por recuperação melhorou como os modelos incorporam conhecimento externo.
Ela atua nos conselhos editoriais de importantes periódicos de PLN e organizou vários workshops sobre PLN eficiente. Suas colaborações abrangem academia e indústria, incluindo parcerias com Amazon Web Services e Intel no design de modelos conscientes de hardware.
Publicações Selecionadas
- Beltagy, I., Peters, M. E., & Hajishirzi, H. (2020). Longformer: The Long-Document Transformer. Pré-impressão arXiv.
- Khashabi, D., et al. (2020). UnifiedQA: Crossing Format Boundaries With a Single QA System. Findings of EMNLP.
- Groeneveld, D., et al. (2024). OLMo: Accelerating the Science of Language Models. Pré-impressão arXiv.
Sua contagem de citações excede 20.000, refletindo o amplo impacto de seu trabalho na pesquisa e aplicações modernas de PLN.