Thomas G. Dietterich é um cientista da computação americano e professor emérito de ciência da computação na Oregon State University. Ele é reconhecido como um dos pioneiros do campo do aprendizado automático, tendo contribuído com algoritmos e estruturas fundamentais que moldaron a pesquisa moderna em inteligência artificial. Seu trabalho abarca classificação multiclasse, aprendizado por reforço hierárquico e a integração de métodos estatísticos em modelos probabilísticos, com aplicações que vão da ecologia à segurança informática.
Dietterich também desempeñó um papel fundamental na infraestructura acadêmica do aprendizado automático, atuando como editor executivo da revista Machine Learning de 1992 a 1998 e ajudando a cofundar o Journal of Machine Learning Research. Ele tem sido uma voz proeminente em discussões públicas sobre os riscos e benefícios da inteligência artificial, oferecendo uma perspectiva acadêmica a meios de comunicação como National Public Radio, Business Insider, Microsoft Research, CNET e The Wall Street Journal.
Início da vida e educação
Thomas Dietterich nasceu em South Weymouth, Massachusetts, em 1954. Sua família se mudó a New Jersey e depois a Illinois, onde se graduó da Naperville Central High School. Posteriormente, assistió ao Oberlin College, graduándose em 1977 com um diploma em matemáticas, com foco em probabilidade e estatística. Durante o verano de 1977, trabaló como assistente do Diretor de Planejamento e Investigação no Oberlin College.
Dietterich passó os dois anos seguintes na University of Illinois, Urbana-Champaign, antes de comenzar estudos de doutorado em ciência da computación na Universidade Stanford. Recebió seu Ph.D. em 1984, depois de trabalhar como assistente de investigação no Heuristic Programming Project de 1979 a 1984. No verano de 1979, também ocupó uma posição como membro do pessoal técnico nos Bell Telephone Laboratories em Naperville, Illinois, onde trabaló na transferência de arquivos entre computadores e na distribuição de micro-código a sistemas de comutação remotos.
Carreira acadêmica na Oregon State University
Em 1984, Dietterich se mudó a Corvallis, Oregon, e se unió à Oregon State University como professor assistente de ciência da computación. Fue promovido a professor associado em 1988 e a professor titular em 1995. Em 2013, fue nomeado Professor Distinguido, título que mantuvo até sua jubilación em 2016. També serviu como Diretor de Investigação em Sistemas Inteligentes na Escola de Engenharia Eléctrica e Ciência da Computación desde 2005.
Durante sua carreira, Dietterich ocupó várias posições sabáticas e na indústria. De 1991 a 1993, fue cientista sénior na Arris Pharmaceutical Corporation em South San Francisco. Serviu como cientista principal en MyStrands, Inc. (2004–2005) e en Smart Desktop, Inc. (2006–2008). Em 1998–1999, fue cientista sénior visitante no Instituto para a Investigação da Inteligência Artificial em Barcelona, Espanha. Desde 2011, é cientista principal en BigML, uma empresa de aprendizado automático baseada em Corvallis.
Contribuciones de investigación
A investigação de Dietterich produjo vários métodos influentes no aprendizado automático. Ele inventó a codificación de salida con corrección de errores, uma técnica para melhorar a classificação multiclasse decomponendo o problema em múltiples classificadores binários e usando códigos de corrección de errores para combinar suas salidas. També formalizó o problema de múltiples instancias, um paradigma de aprendizado onde os rótulos estão associados a conjuntos de instancias em lugar de instancias individuais, com aplicações no diseño de fármacos e na análise de imágenes.
No aprendizado por reforço, Dietterich desarrolló o marco MAXQ para aprendizado por reforço hierárquico, que decompone uma tarefa complexa em subtareas e permite um aprendizado e planejamento más eficientes. També contribuyó com métodos para integrar árboles de regresión no paramétricos em modelos gráficos probabilísticos, uniendo a brecha entre o aprendizado automático estatístico e a predicción estructurada.
Dietterich ha expresado interés en todos los aspectos del aprendizado automático, con tres líneas principales: construir sistemas inteligentes integrados, habilitar la colaboración humano-computadora y aplicar el aprendizado automático a las ciencias ecológicas y la gestión de ecosistemas. Su trabajo en sostenibilidad computacional incluye proyectos sobre gestión de incendios forestales, vegetación invasora y modelado de migración de aves. Por ejemplo, colaboró con el Cornell Lab of Ornithology para analizar datos de eBird, una plataforma de ciencia ciudadana que recopiló más de 3.1 millones de observaciones de aves en marzo de 2012, utilizando el aprendizado automático para descubrir patrones de migración.
Servicio profesional y liderazgo
Dietterich ha estado profundamente involucrado en la organización de las comunidades de aprendizado automático e IA. Sirvió como copresidente del programa técnico de la Conferencia Nacional de Inteligencia Artificial (AAAI-90), presidente del programa técnico de la conferencia de Sistemas de Procesamiento de Información Neuronal (NIPS-2000) y presidente general de NIPS-2001. Fue el presidente fundador de la Sociedad Internacional de Aprendizaje Automático y ha permanecido como miembro de su junta desde su fundación. També sirve en el comité directivo de la Conferencia Asiática de Aprendizaje Automático.
Durante muchos años, Dietterich fue editor de la serie MIT Press sobre Computación Adaptativa y Aprendizaje Automático, y coeditó la Serie de Síntesis Morgan Claypool sobre Inteligencia Artificial y Aprendizaje Automático. També ha sido miembro de la Asociación para el Avance de la Inteligencia Artificial (AAAI), sirviendo como su presidente de 2014 a 2016.
Perspectivas sobre los riesgos de la IA
Dietterich ha ofrecido una perspectiva mesurada sobre los peligros de la inteligencia artificial, argumentando que los riesgos más realistas son errores básicos, fallos y ciberataques, en lugar de máquinas que se vuelvan superpoderosas o destruyan a la humanidad. Considera que los escenarios de máquinas autoconscientes que exterminan a los humanos son más ciencia ficción que hecho científico. Sin embargo, reconoce que a medida que los sistemas informáticos reciben tareas cada vez más peligrosas y se les pide que aprendan de la experiencia, pueden cometer errores. Señala que gran parte del trabajo en la comunidad de seguridad de la IA se centra en accidentes y defectos de diseño, alineándose con su visión de que la fiabilidad técnica es la principal preocupación.
Legado e influencia
Las contribuciones de Dietterich han influido tanto en el aprendizado automático teórico como en el aplicado. Su codificación de salida con corrección de errores y el marco MAXQ son ampliamente citados y utilizados en diversos dominios. Su defensa de la sostenibilidad computacional ha inspirado a investigadores a aplicar el aprendizado automático a desafíos ambientales. A través de sus roles editoriales y liderazgo en conferencias, ayudó a establecer la infraestructura para la comunidad moderna de aprendizado automático, que ha crecido hasta convertirse en un campo central de la investigación en aprendizaje profundo y IA generativa.
La carrera de Dietterich refleja un compromiso con la ciencia rigurosa y el impacto práctico. Después de jubilarse de la Oregon State University en 2016, continuó participando en el campo a través de roles de asesoría y comentarios públicos. Su trabajo sigue siendo un punto de referencia para investigadores que abordan problemas complejos de clasificación y aprendizado por refuerzo, y su perspectiva sobre los riesgos de la IA continúa informando discusiones sobre el despliegue seguro de sistemas inteligentes.