Michael Kearns é um cientista da computação americano e professor na Universidade da Pensilvânia, onde atua nos departamentos de Ciência da Computação e Informação e na Wharton School. Ele é conhecido por suas contribuições à teoria da aprendizagem computacional, aprendizado de máquina, e ao estudo de justiça e transparência em sistemas de inteligência artificial. Kearns também atuou como pesquisador no Google DeepMind e tem sido uma voz proeminente nas discussões sobre os impactos sociais da IA.
Kearns recebeu seu PhD em ciência da computação pela Universidade de Harvard em 1989, sob a orientação de Leslie Valiant. Sua pesquisa inicial concentrou-se na teoria da aprendizagem computacional, incluindo o desenvolvimento de algoritmos eficientes para aprender fórmulas booleanas e a análise do modelo de aprendizagem PAC (Provavelmente Aproximadamente Correto). Posteriormente, ele expandiu seu trabalho para a teoria dos jogos algorítmica, investigando a complexidade do cálculo de equilíbrios de Nash e o design de mecanismos para ambientes estratégicos.
Carreira Acadêmica
Kearns iniciou sua carreira acadêmica como professor na Universidade Carnegie Mellon antes de se mudar para a Universidade da Pensilvânia em 2002. Na Penn, ele co-fundou o Laboratório de Sistemas e Segurança em Rede e tem sido uma figura central no centro interdisciplinar Warren Center for Networked Data. Ele também ocupou posições visitantes no MIT CSAIL e no Stanford AI Lab. Seu ensino abrange tópicos como aprendizado de máquina, teoria dos jogos algorítmica e ética da IA.
Contribuições de Pesquisa
Kearns fez contribuições significativas em diversas áreas. Na teoria da aprendizagem computacional, ele introduziu a noção de "consultas estatísticas" e demonstrou limitações fundamentais para o aprendizado a partir de tais consultas. Na teoria dos jogos algorítmica, ele co-escreveu o influente livro "The Complexity of Nash Equilibria" e mostrou que encontrar um equilíbrio de Nash é um problema PPAD-completo, um resultado que moldou o campo. Mais recentemente, seu trabalho tem se concentrado em justiça em aprendizado de máquina, particularmente no desenvolvimento de algoritmos que garantem resultados não discriminatórios entre diferentes grupos demográficos. Ele também explorou o uso de redes neurais e aprendizado profundo em contextos financeiros e sociais.
Trabalho na Indústria e Políticas Públicas
Além da academia, Kearns trabalhou como pesquisador no Google DeepMind, onde contribuiu para projetos sobre justiça algorítmica e interpretabilidade. Ele também atuou como consultor para diversas empresas de tecnologia e agências governamentais, incluindo a National Science Foundation e o Escritório de Política Científica e Tecnológica da Casa Branca. Kearns testemunhou perante o Congresso dos EUA sobre as implicações éticas da IA e tem sido um comentarista frequente na mídia sobre tópicos como viés algorítmico e a regulamentação de grandes modelos de linguagem.
Prêmios e Reconhecimentos
Kearns recebeu vários prêmios por sua pesquisa, incluindo o Prêmio Gödel em 2012 por seu trabalho sobre a complexidade dos equilíbrios de Nash e o Presidential Young Investigator Award em 1991. Ele é fellow da Association for Computing Machinery e da American Association for the Advancement of Science. Em 2023, foi eleito para a Academia Nacional de Engenharia por suas contribuições à teoria dos jogos algorítmica e ao aprendizado de máquina.
Publicações Selecionadas
Kearns é autor de mais de 100 artigos e vários livros. Publicações notáveis incluem "The Computational Complexity of Nash Equilibria" (com Christos Papadimitriou e outros), "An Introduction to Computational Learning Theory" (com Umesh Vazirani) e "Fairness in Machine Learning: A Survey" (com Aaron Roth). Seu trabalho tem sido citado dezenas de milhares de vezes e influenciou tanto a pesquisa teórica quanto a aplicada em IA.
Vida Pessoal
Kearns é casado e tem dois filhos. Ele é um corredor ávido e já completou várias maratonas. Ele também é um apoiador do ensino de artes e atua no conselho de uma companhia de teatro local.