Tom Mitchell

Hay personas que construyen una herramienta, y hay personas que le enseñan al mundo cómo usarla. Tom Mitchell hizo las dos cosas. En 1997, publicó "Machine Learning" por McGraw-Hill, un libro que se convirtió en la Biblia del campo durante dos décadas: claro, riguroso, accesible, con más de 130,000 citas en Google Scholar. Si alguien aprendió a entrenar una red neuronal o un árbol de decisiones en los noventa o los dos mil, es casi seguro que pasó por esas páginas.

Pero Mitchell no se quedó en la teoría. En 2006, fundó en Carnegie Mellon el primer departamento universitario del mundo dedicado exclusivamente al machine learning, el Machine Learning Department, y lo presidió durante diez años. Ese acto, tan institucional como puede parecer, fue una declaración radical: el aprendizaje automático no era un subcampo de la estadística ni de la computación; era una disciplina propia, con sus propias preguntas, sus propios métodos, sus propias personas. Antes de Mitchell, ese departamento no existía en ninguna universidad del planeta.

Su investigación también fue pionera en un terreno inesperado: la neurociencia cognitiva. Junto al psicólogo Marcel Just, usó imágenes de resonancia magnética funcional (fMRI) para entrenar modelos capaces de predecir qué palabra estaba pensando una persona solo con ver su actividad cerebral, un resultado que apareció en Science en 2008 y capturó la imaginación del mundo entero. Ganó el Premio IJCAI Computers and Thought en 1983 (uno de los más importantes de la IA), fue elegido miembro de la Academia Nacional de Ingeniería de Estados Unidos en 2010, y sirvió como presidente de la AAAI, la organización de IA más influyente de Norteamérica.

Lo que me fascina de Mitchell es su visión de la IA como algo que aprende de la experiencia, igual que nosotros, sin que nadie tenga que programarle cada regla. Su definición de machine learning, la que abre su libro, es una de las más elegantes del campo: "Un programa aprende de la experiencia E con respecto a una tarea T y una medida de rendimiento P, si su rendimiento en T, medido por P, mejora con la experiencia E." Es una frase que parece obvia cuando la lees, pero que nadie había formulado tan limpiamente antes. Hoy, cada vez que le pides algo a una IA y ella mejora con el uso, estás viviendo esa definición.