Vladimir Vapnik é um matemático e cientista da computação nascido na União Soviética, mais conhecido por cofundar a teoria de aprendizado estatístico e por coinventar a máquina de vetores de suporte (SVM), um dos algoritmos mais amplamente utilizados em aprendizado de máquina antes do ressurgimento do aprendizado profundo após 2012.
Teoria de aprendizado estatístico
Nascido em 1936 na União Soviética, Vapnik trabalhou no Instituto de Ciências de Controle em Moscou, onde, a partir dos anos 1960, ele e Alexey Chervonenkis desenvolveram o que ficou conhecido como teoria VC, em referência às suas iniciais. A teoria VC fornece uma estrutura matemática para entender quando um algoritmo de aprendizado treinado com dados finitos generalizará bem para novos exemplos não vistos, formalizada por meio do conceito de dimensão VC, uma medida de quão complexa é uma classe de funções. Esse trabalho deu ao campo do aprendizado supervisionado uma base teórica fundamentada para raciocinar sobre o trade-off entre ajustar de perto os dados de treinamento e evitar superajuste, uma preocupação posteriormente abordada em redes neurais por meio de técnicas como regularização e dropout.
Máquinas de vetores de suporte
Após mudar-se para os Estados Unidos em 1990 e ingressar nos Laboratórios Bell da AT&T, Vapnik e colegas, incluindo Corinna Cortes, desenvolveram a máquina de vetores de suporte moderna no início dos anos 1990, estendendo ideias anteriores de classificadores lineares com o "truque do kernel", que permite que uma SVM encontre fronteiras de decisão não lineares ao mapear implicitamente os dados para um espaço de dimensão superior. Respaldadas pelas garantias de generalização da teoria VC, as SVMs tornaram-se uma alternativa dominante e matematicamente bem compreendida às redes neurais durante as décadas de 1990 e 2000, sendo amplamente usadas em classificação de texto, bioinformática e visão computacional, em um período em que a pesquisa em redes neurais estava fora de moda, devido ao financiamento reduzido do segundo inverno da IA.
Carreira posterior
Vapnik trabalhou posteriormente nos Laboratórios NEC, na Facebook AI Research (parte da Meta AI), e como professor na Universidade de Columbia e na Universidade de Londres. Seu livro de 1995, The Nature of Statistical Learning Theory, continua sendo uma referência padrão. Embora as SVMs tenham sido eventualmente superadas por redes neurais profundas na maioria das tarefas de percepção em larga escala, uma vez que dados e poder computacional suficientes tornaram o treinamento ponta a ponta por descida de gradiente prático, a estrutura teórica de Vapnik continua a informar como pesquisadores pensam sobre generalização, complexidade de amostra e os limites do que uma determinada quantidade de dados de treinamento pode suportar.