Isabel-Guyon

Isabelle Guyon

PREMIO FRONTERAS DEL CONOCIMIENTO

Tecnologías de la Información y la Comunicación

XII Edición

El Premio Fundación BBVA Fronteras del Conocimiento en la categoría de Tecnologías de la Información y la Comunicación ha sido concedido en su duodécima edición a Isabelle Guyon, Bernhard Schölkopf y Vladimir Vapnik, por sus “contribuciones fundamentales al aprendizaje automático”.

MENCIÓN DEL ACTA

El Premio Fundación BBVA Fronteras del Conocimiento en Tecnologías de la Información y la Comunicación ha sido concedido en su duodécima edición a Isabelle Guyon, Bernhard Schölkopf y Vladmir Vapnik por sus contribuciones fundamentales al aprendizaje automático, específicamente en la teoría y aplicaciones de las máquinas de vectores soporte (SVM) y los métodos de núcleo (kernel).

El aprendizaje automático está transformando el mundo cotidiano, mejorando campos tan diversos como el diagnóstico médico, la visión por ordenador, el procesamiento del lenguaje natural y la vigilancia del cambio climático. Mediante esta herramienta, los ordenadores infieren relaciones de causalidad y patrones a partir de datos del mundo real, pero para hacerlo con fiabilidad y precisión necesitan un método que clasifique correctamente conjuntos de datos. Este problema se resolvió a partir de la teoría e implementación de las SVM, desarrolladas por Vapnik y Guyon y potenciadas mediante métodos kernel concebidos por Schölkopf.

Vapnik fue uno de los pioneros de la teoría del aprendizaje estadístico en el Instituto de Ciencias del Control de Moscú, donde definió la dimensión Vapnik-Chervonenkis, una medida muy potente de la capacidad de aprendizaje. A comienzos de la década de 1990 se trasladó a los Laboratorios Bell estadounidenses y allí colaboró con Isabelle Guyon en métodos para encontrar la mejor clasificación lineal de datos. Las SVM aportaron, por primera vez, un fundamento formal al aprendizaje óptimo a partir de datos para su generalización a nuevas muestras. Schölkopf trabajó con Vapnik para mostrar que las SVM se podían extender a clasificaciones no lineales y al análisis no lineal de componentes principales a través de funciones matemáticas kernel. Esto hizo posible simplificaciones enormes en las SVM mediante el mapeo de datos complejos a un espacio de características de dimensión mayor. Schölkopf y Guyon, además, han impulsado la ciencia de la causalidad, descubriendo relaciones de causa-efecto en bosques de datos, un reto considerado por muchos irresoluble.

DESCARGAS

NOTA DE PRENSA