[ad_1]
Tamara Broderick pisó por primera vez el campus del MIT cuando era estudiante de secundaria, como participante en el primer Programa de Tecnología para Mujeres. La experiencia académica de verano de un mes de duración ofrece a las mujeres jóvenes una introducción práctica a la ingeniería y la informática.
¿Cuáles son las posibilidades de que regrese al MIT años después, esta vez como miembro de la facultad?
Broderick probablemente podría responder cuantitativamente a esta pregunta utilizando la inferencia bayesiana, un enfoque de probabilidad estadística que intenta cuantificar la incertidumbre actualizando continuamente sus supuestos a medida que hay nuevos datos disponibles.
En su laboratorio del MIT, la recién nombrada profesora asociada del Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS) utiliza la inferencia bayesiana para cuantificar la incertidumbre y medir la solidez de las técnicas de análisis de datos.
«Siempre me ha interesado mucho comprender no sólo lo que sabemos a partir del análisis de datos, sino también qué tan bien lo sabemos», dice Broderick, quien también es miembro del Laboratorio de Sistemas de Información y Decisión del Instituto de Sistemas de Datos. y la sociedad. “La realidad es que vivimos en un mundo ruidoso y no siempre podemos obtener los datos exactos que queremos. ¿Cómo aprendemos de los datos y al mismo tiempo reconocemos que existen limitaciones y las abordamos de manera adecuada?
En términos generales, su objetivo es ayudar a las personas a comprender las limitaciones de las herramientas estadísticas disponibles y, en ocasiones, trabajar con ellas para desarrollar mejores herramientas para una situación particular.
Por ejemplo, su grupo trabajó recientemente con oceanógrafos para desarrollar un modelo de aprendizaje automático que pueda hacer predicciones más precisas sobre las corrientes oceánicas. En otro proyecto, ella y otros trabajaron con especialistas en enfermedades degenerativas en una herramienta que ayuda a las personas con discapacidad motora grave a utilizar la interfaz gráfica de usuario de una computadora con solo presionar un interruptor.
Un hilo conductor que recorre su trabajo es el énfasis en la colaboración.
“Cuando trabajas en análisis de datos, puedes pasar el rato en el patio trasero de cualquier persona. Realmente no puede resultar aburrido porque siempre puedes aprender sobre otro tema y pensar en cómo podemos aplicar el aprendizaje automático allí”, afirma.
Pasar el rato en muchos “patios traseros” académicos es particularmente atractivo para Broderick, ya que tuvo dificultades para delimitar sus intereses desde una edad temprana.
Una forma matemática de pensar.
Broderick creció en un suburbio de Cleveland, Ohio, y ha estado interesada en las matemáticas desde que tiene uso de razón. Recuerda estar fascinada por la idea de lo que sucedería si continuamente sumaras un número a sí mismo, comenzando con 1+1=2 y luego 2+2=4.
“Tenía quizás cinco años, así que no sabía qué eran los poderes de dos ni nada por el estilo. Estaba realmente interesada en las matemáticas”, dice.
Al reconocer su interés en el tema, su padre la inscribió en un programa de Johns Hopkins llamado Centro para Jóvenes Talentosos, que le dio a Broderick la oportunidad de tomar cursos de verano de tres semanas sobre una variedad de temas, desde astronomía hasta teoría de números y ciencias de la computación.
Más tarde, mientras estaba en la escuela, realizó una investigación en astrofísica con un becario postdoctoral en la Universidad Case Western. En el verano de 2002, pasó cuatro semanas en el MIT como miembro de la promoción inaugural del Programa de Tecnología para Mujeres.
Disfrutó particularmente de la libertad que ofrecía el programa y su enfoque en utilizar la intuición y el ingenio para lograr objetivos de alto nivel. Por ejemplo, a la cohorte se le asignó la tarea de construir un dispositivo utilizando LEGO que les permitiera realizar una biopsia de una uva suspendida en gelatina.
El programa le mostró cuánta creatividad hay en la ingeniería y la informática y despertó su interés en una carrera académica.
“Pero cuando llegué a la universidad en Princeton, no podía decidirme (matemáticas, física, informática), todo me parecía genial. Quería hacer de todo”, dice.
Eligió especializarse en matemáticas, pero tomó todos los cursos de física e informática que pudo incluir en su agenda.
Sumérgete en el análisis de datos
Después de recibir una beca Marshall, Broderick pasó dos años en la Universidad de Cambridge en el Reino Unido, donde obtuvo una Maestría en Estudios Avanzados en Matemáticas y una Maestría en Filosofía en Física.
En el Reino Unido, tomó varios cursos de estadística y análisis de datos, incluido su primer curso sobre análisis de datos bayesianos en aprendizaje automático.
Fue una experiencia transformadora, recuerda.
«Durante mi estadía en el Reino Unido, me di cuenta de que realmente disfruto resolviendo problemas del mundo real que importan a las personas, y que la inferencia bayesiana se ha utilizado en algunos de los problemas más importantes de todos», dice.
De regreso a los Estados Unidos, Broderick fue a la Universidad de California en Berkeley, donde se unió al laboratorio del profesor Michael I. Jordan como estudiante de posgrado. Recibió su doctorado en estadística con especialización en análisis de datos bayesianos.
Eligió una carrera académica y se sintió atraída por el MIT por la naturaleza colaborativa del departamento EECS y la pasión y amabilidad de sus posibles colegas.
Sus primeras impresiones se confirmaron y Broderick dice que encontró una comunidad en el MIT que la ayuda a ser creativa y explorar problemas difíciles y de alto impacto con aplicaciones de gran alcance.
«Tuve la suerte de trabajar con un grupo realmente fantástico de estudiantes y postdoctorados en mi laboratorio: personas brillantes y trabajadoras con el corazón en el lugar correcto», afirma.
Uno de los proyectos más recientes de su equipo implica trabajar con un economista que está estudiando el uso del microcrédito, el préstamo de pequeñas cantidades de dinero a tasas de interés muy bajas, en áreas empobrecidas.
El objetivo de los programas de microcrédito es sacar a las personas de la pobreza. Los economistas llevan a cabo ensayos de control aleatorios con aldeas de una región que reciben o no microcréditos. Quieren generalizar los resultados del estudio y predecir el resultado esperado de otorgar microcréditos a otras aldeas fuera de su estudio.
Pero Broderick y sus colegas han descubierto que los resultados de algunos estudios de microcrédito pueden ser muy frágiles. Eliminar uno o más puntos de datos del conjunto de datos puede cambiar completamente los resultados. Un problema es que los investigadores suelen utilizar promedios empíricos, donde unos pocos puntos de datos muy altos o bajos pueden sesgar los resultados.
Utilizando el aprendizaje automático, ella y sus colaboradores desarrollaron un método para determinar cuántos puntos de datos eliminar para cambiar la conclusión sustancial del estudio. Usando su herramienta, un científico puede ver cuán frágiles son los resultados.
«A veces, omitir una porción muy pequeña de los datos puede cambiar los resultados clave de un análisis de datos, y entonces podríamos preocuparnos por el grado en que esas conclusiones se generalizan a nuevos escenarios». ¿Hay maneras de concienciar a la gente sobre esto? Eso es lo que intentamos lograr con este trabajo”, explica.
Al mismo tiempo, continúa trabajando con investigadores en diversos campos, como la genética, para comprender las ventajas y desventajas de diversas técnicas de aprendizaje automático y otras herramientas de análisis de datos.
Rastros felices
La investigación impulsa a Broderick como investigadora y también alimenta una de sus pasiones fuera del laboratorio. Ella y su esposo disfrutan recolectando parches obtenidos al recorrer todos los senderos de un parque o red de senderos.
«Creo que mi pasatiempo realmente combina mis intereses de estar al aire libre y hacer hojas de cálculo», dice. “Con estas zonas de senderismo tienes que explorar todo y luego ves zonas que normalmente no verías. Es aventurero en ese sentido”.
Han descubierto algunas caminatas increíbles que nunca conocían, pero también han realizado más de unas pocas «caminatas de desastre total», dice. Pero cada caminata, ya sea una joya escondida o un desastre cubierto de maleza, ofrece sus propias recompensas.
Y al igual que con su investigación, la curiosidad, la mentalidad abierta y la pasión por la resolución de problemas nunca la han descarriado.
[ad_2]