Michael Irwin Jordan (nascido em 25 de fevereiro de 1956) é um cientista americano e professor da Universidade da Califórnia, em Berkeley, onde ocupa a Cátedra Distinta Pehong Chen. Ele também é cientista pesquisador no Inria Paris. Jordan é reconhecido como uma das principais figuras em aprendizado de máquina, com contribuições que abrangem estatística, ciência da computação e inteligência artificial. Em 2016, a Science o reportou como o cientista da computação mais influente do mundo, com base em uma análise da literatura publicada pelo projeto Semantic Scholar. Ele foi eleito membro da Academia Nacional de Engenharia em 2010 por contribuições aos fundamentos e aplicações do aprendizado de máquina e, em 2022, ganhou o inaugural Prêmio da Associação Mundial de Laureados em Ciência da Computação ou Matemática por contribuições fundamentais aos fundamentos do aprendizado de máquina e sua aplicação.
O trabalho de Jordan moldou as bases teóricas e práticas do aprendizado de máquina moderno, particularmente por meio de sua defesa dos métodos bayesianos e de seus esforços para unificar o aprendizado de máquina com a estatística tradicional. Sua pesquisa influenciou áreas como modelagem de redes neurais, modelos gráficos probabilísticos e inferência variacional, e seus alunos e colaboradores se tornaram figuras de destaque no campo.
Educação
Jordan recebeu um Bacharelado em Ciências magna cum laude em psicologia pela Universidade Estadual da Louisiana em 1978, um Mestrado em Ciências em matemática pela Universidade Estadual do Arizona em 1980 e um Doutorado em Filosofia em ciência cognitiva pela Universidade da Califórnia, em San Diego, em 1985. Na UC San Diego, ele foi aluno de David Rumelhart e membro do Grupo de Processamento Distribuído Paralelo (PDP) na década de 1980, uma comunidade de pesquisa que desempenhou um papel central no desenvolvimento de modelos conexionistas e da teoria de redes neurais.
Carreira e pesquisa
Jordan começou sua carreira acadêmica como professor no Departamento de Ciências do Cérebro e Cognitivas do Instituto de Tecnologia de Massachusetts de 1988 a 1998. Na década de 1980, ele desenvolveu redes neurais recorrentes como modelos cognitivos, contribuindo para os primeiros trabalhos sobre processamento de sequências e controle motor. Após se mudar para a Universidade da Califórnia, em Berkeley, sua pesquisa mudou da modelagem cognitiva para os fundamentos da estatística e do aprendizado de máquina.
Jordan é amplamente creditado por popularizar as redes bayesianas na comunidade de aprendizado de máquina e por articular as conexões profundas entre aprendizado de máquina e estatística. Ele também foi proeminente na formalização de métodos variacionais para inferência aproximada e na popularização do algoritmo de maximização de expectativa como uma ferramenta central no aprendizado de máquina. Seu trabalho influenciou tanto a compreensão teórica quanto as aplicações práticas, incluindo em IA generativa e aprendizado profundo.
O grupo de pesquisa de Jordan em Berkeley produziu inúmeros artigos influentes e treinou muitos pesquisadores proeminentes. Ele tem sido mentor de vários líderes na área, incluindo Anima Anandkumar e outros que avançaram o aprendizado profundo e a inteligência artificial na academia e na indústria.
Renúncia do periódico Machine Learning
Em 2001, Jordan e vários colegas renunciaram ao conselho editorial do periódico Machine Learning. Em uma carta pública, eles argumentaram por um acesso menos restritivo à pesquisa e apoiaram um novo periódico de acesso aberto, o Journal of Machine Learning Research (JMLR), criado por Leslie Kaelbling para apoiar a evolução do campo. Essa ação foi um marco no movimento em direção ao acesso aberto na ciência da computação e ajudou a estabelecer o JMLR como um veículo de destaque para a pesquisa em aprendizado de máquina.
Honrarias e prêmios
Jordan recebeu inúmeros prêmios ao longo de sua carreira. Ele recebeu um prêmio de melhor artigo de estudante (com X. Nguyen e M. Wainwright) na Conferência Internacional sobre Aprendizado de Máquina (ICML 2004) e um prêmio de melhor artigo (com R. Jacobs) na Conferência Americana de Controle (ACC 1991). Ele também recebeu o Prêmio ACM-AAAI Allen Newell, o Prêmio Pioneiro em Redes Neurais do IEEE e um Prêmio Presidencial de Jovem Investigador da NSF.
Ele foi eleito membro de várias sociedades profissionais importantes: AAAI (2002), IMS (2004), IEEE (2005), ASA (2007), ACM (2010), SIAM (2012) e a Sociedade Internacional de Análise Bayesiana (2014). Ele é membro da Academia Nacional de Ciências, da Academia Nacional de Engenharia e da Academia Americana de Artes e Ciências. Ele foi nomeado Palestrante Neyman e Palestrante Medalhão pelo Instituto de Estatística Matemática. Ele recebeu o Prêmio David E. Rumelhart em 2015 e o Prêmio ACM/AAAI Allen Newell em 2009. Em 2020, ele ganhou a Medalha IEEE John von Neumann.
Em 2016, Jordan foi identificado como o "cientista da computação mais influente" com base em uma análise da literatura publicada pelo projeto Semantic Scholar. Em 2022, ele recebeu o inaugural Prêmio da Associação Mundial de Laureados pela Associação Mundial de Laureados, uma organização internacional não governamental e sem fins lucrativos, por contribuições fundamentais aos fundamentos do aprendizado de máquina e sua aplicação. Para 2024, ele recebeu o Prêmio Fronteiras do Conhecimento da Fundação BBVA na categoria "Tecnologias da Informação e Comunicação".
Impacto e legado
A influência de Jordan se estende além de sua própria pesquisa. Ele tem sido uma figura-chave no estabelecimento do aprendizado de máquina como uma disciplina rigorosa, unindo ciência da computação e estatística. Sua defesa dos métodos bayesianos e da modelagem probabilística moldou o currículo de muitas universidades e as agendas de pesquisa de grandes laboratórios, incluindo Berkeley AI Research e Stanford AI Lab. Seus alunos e pós-doutorandos passaram a liderar grupos de pesquisa em instituições e empresas de ponta, incluindo OpenAI, Google DeepMind e Anthropic.
Jordan também tem sido um comentarista vocal sobre o estado da inteligência artificial. Em 2019, ele argumentou que a revolução da inteligência artificial ainda não aconteceu e que a revolução da IA exigia uma combinação de ciência da computação com estatística. Essa perspectiva influenciou os debates sobre o futuro da IA, particularmente em relação às limitações das abordagens atuais de aprendizado profundo e à necessidade de fundamentos estatísticos mais robustos.
Publicações selecionadas
Jordan é autor ou coautor de centenas de artigos e vários livros influentes. Seus primeiros trabalhos sobre redes neurais recorrentes e controle motor são amplamente citados. Suas contribuições posteriores para modelos gráficos, inferência variacional e a teoria do aprendizado de máquina se tornaram referências padrão. Publicações notáveis incluem seu trabalho sobre o algoritmo de maximização de expectativa, métodos variacionais e a análise das propriedades de convergência e generalização de algoritmos de aprendizado.
Vida pessoal
Jordan nasceu em 25 de fevereiro de 1956, nos Estados Unidos. Ele passou a maior parte de sua carreira na academia, com nomeações no MIT e na Universidade da Califórnia, em Berkeley. Ele é conhecido por seu estilo colaborativo e por sua orientação de jovens pesquisadores. Ele continua ativo em pesquisa e ensino, e seu trabalho permanece influente no campo em rápida evolução do aprendizado de máquina.
Referências
Este artigo incorpora informações de fontes públicas, incluindo o artigo da Wikipédia sobre Michael I. Jordan, que está disponível sob a Licença Creative Commons Atribuição-CompartilhaIgual.