Vladimir Vapnik

Hay investigadores que trabajan con el viento en contra durante décadas, sin aplausos, en países que ni siquiera los valoran, y aun así construyen algo que el mundo termina usando todos los días sin saberlo. Vladimir Vapnik es uno de ellos. Nacido el 6 de diciembre de 1936 en Tashkent, en la Unión Soviética, pasó buena parte de su carrera desarrollando matemáticas del aprendizaje estadístico que nadie en el bloque del Este tomaba en serio, mientras el campo de la IA perseguía otras modas. Cuando al fin emigró a Estados Unidos en 1991 y se unió a AT&T Bell Labs, llegó con décadas de trabajo acumulado, listo para explotar.

Su contribución más conocida son las Máquinas de Vectores de Soporte (SVMs). En 1992, junto a Bernhard Boser e Isabelle Guyon, presentó en NeurIPS el algoritmo que permitía separar datos complejos con márgenes óptimos. En 1995 publicó con Corinna Cortes el paper canónico "Support-Vector Networks", que introdujo el margen suave y convirtió las SVMs en la herramienta dominante de clasificación de datos durante toda una década. Antes de que llegaran las redes profundas, si querías que una máquina reconociera texto, imágenes o señales biomédicas, usabas una SVM. Era la Vapnik.

Pero su legado va más allá de un algoritmo. La teoría Vapnik-Chervonenkis (VC), desarrollada con Alexey Chervonenkis desde los años 1970 en la URSS, creó los cimientos matemáticos del machine learning: cuántos ejemplos necesita un modelo para aprender, por qué generaliza y cuándo falla. Es el tipo de teoría que nadie ve directamente, pero que sostiene todo lo que sí se ve. Vapnik luego fue profesor en Columbia University y Royal Holloway (University of London) y pasó por Facebook AI Research. Sus reconocimientos incluyen la Medalla Kolmogorov (2018), la Medalla IEEE John von Neumann (2017), la Medalla Benjamin Franklin (2012) y el Premio Fronteras del Conocimiento de la Fundación BBVA (2019, compartido con Guyon y Scholkopf).

Para mí, la lección de Vapnik no es sobre algoritmos, es sobre perspectiva larga. Él sabía que tenía razón sobre cómo debían funcionar las máquinas que aprenden, lo escribió y lo publicó durante años en idiomas que el mundo de la IA ni leía, y esperó. Cuando el mundo necesitó sus ideas, estaban ahí. Hoy, cuando le dices a Claude que clasifique algo, que organice un texto o que encuentre patrones, hay una cadena de herramientas que en algún punto bebe de las matemáticas de este señor que pasó décadas en la oscuridad sin soltar el hilo.