Leslie Valiant

Imagina que quieres enseñarle algo a una máquina pero nunca sabes si realmente lo aprendió. Eso era el machine learning antes de Leslie Valiant: prometedor, intuitivo, pero sin ninguna base matemática que dijera cuándo una máquina puede considerarse que "sabe" algo. Valiant, un matemático y científico de computación nacido en Budapest en 1949 y formado en Cambridge y Warwick, decidió resolver ese problema de raíz.

En 1984 publicó "A Theory of the Learnable" en la revista Communications of the ACM, un paper de solo unas páginas que cambió el campo para siempre. Ahí introdujo el modelo PAC (Probably Approximately Correct, en español: "probablemente aproximadamente correcto"), un marco matemático que define con precisión cuántos ejemplos necesita ver un algoritmo, cuánto tiempo puede tardar y qué tan confiable debe ser su respuesta para que podamos decir que aprendió. En otras palabras: le puso reglas al aprendizaje. Esa teoría es hoy la columna vertebral de la computación del aprendizaje (computational learning theory), el campo académico que estudia el aprendizaje desde la perspectiva de los algoritmos eficientes.

Valiant llegó a Harvard en 1982, donde es el T. Jefferson Coolidge Professor of Computer Science and Applied Mathematics, uno de los puestos académicos más prestantes de la universidad. Sus contribuciones van más allá del PAC learning: también creó la clase de complejidad #P (que captura problemas de conteo de soluciones, no solo de decisión), propuso el modelo de computación paralela BSP (Bulk Synchronous Parallel) y, en libros como "Circuits of the Mind" (1994) y "Probably Approximately Correct" (2013), exploró la conexión entre el aprendizaje computacional y cómo funciona el cerebro humano. En 1986 recibió el Premio Nevanlinna del Congreso Internacional de Matemáticos. Y en 2010 ganó el Premio Turing (el "Nobel de la computación") por sus contribuciones fundamentales a la teoría del aprendizaje computacional y la teoría de la computación en general.

Lo que me parece fascinante de Valiant es que resolvió el problema más importante de todos antes de que casi nadie lo llamara "machine learning": la pregunta de si esto realmente funciona, y cómo saberlo. Cada vez que un modelo de IA hoy se entrena, evalúa su error y generaliza a datos nuevos, está siguiendo, en algún nivel, los parámetros que Valiant formalizó hace más de cuarenta años. La próxima vez que uses Claude o cualquier herramienta de IA y notes que "entiende" lo que le pides, hay un pedacito de esa teoría trabajando detrás.