Quién es Daphne Koller
Daphne Koller es una científica de la computación y emprendedora que trabaja en la intersección entre inteligencia artificial, biología y educación. Es fundadora y directora ejecutiva de insitro, cofundadora de Coursera y de Engageli. Su especialidad académica es construir modelos que razonen a partir de información incompleta y aprendan relaciones entre variables. [1]
Nació en Jerusalén el 27 de agosto de 1968. [21]
Formación y primeros años de investigación
Obtuvo el grado en la Universidad Hebrea de Jerusalén en 1985 y el máster en 1986. Completó el doctorado en informática en Stanford en 1993 y realizó investigación posdoctoral en la Universidad de California, Berkeley, entre 1993 y 1995. La Fundación MacArthur reconoció posteriormente su trabajo con una beca en 2004. [6]
Su tesis, From Knowledge to Belief, estuvo dirigida por Joseph Halpern. En esa primera etapa investigó cómo representar conocimiento incierto y tomar decisiones con herramientas de probabilidad, lógica y teoría de juegos. El problema no consistía únicamente en almacenar hechos: también era necesario razonar cuando una descripción del mundo no permitía establecer certezas. [7]
Stanford, investigación y formación de estudiantes
Se incorporó al departamento de informática de Stanford en septiembre de 1995. Ocupó la cátedra Rajeev Motwani y mantuvo una vinculación con patología, que reflejaba el acercamiento de su investigación a la medicina. Esta etapa reunió trabajo sobre representación del conocimiento, aprendizaje y aplicaciones a datos complejos. [2]
En 2001 impulsó el programa de investigación de verano para estudiantes de grado de informática de Stanford, con mentoría de profesores. Recibió la medalla Cox en 2003 por fomentar esa investigación. La iniciativa ofrecía una entrada a proyectos científicos antes del doctorado y complementaba su actividad de docencia en el aula. [15]
Redes bayesianas y aprendizaje estructurado
Con Avi Pfeffer presentó en UAI 1997 las redes bayesianas orientadas a objetos. El método describe sistemas complejos mediante objetos relacionados, clases reutilizables y jerarquías. Así evita reconstruir desde cero un modelo para cada componente semejante y aprovecha la estructura para organizar la inferencia probabilística. [8]
En UAI 2002, Ben Taskar, Pieter Abbeel y Koller desarrollaron modelos discriminativos para datos relacionales. Su propuesta permitía clasificar conjuntamente entidades conectadas, como páginas enlazadas, en vez de ignorar sus dependencias. Las redes de Markov aportaban una representación sin la restricción de ausencia de ciclos propia de las redes bayesianas dirigidas. [9]
El trabajo Max-Margin Markov Networks, con Taskar y Carlos Guestrin, combinó en 2003 aprendizaje por margen y relaciones entre etiquetas. Estudió reconocimiento de escritura y clasificación de hipertexto. La aportación era metodológica: aprovechar la estructura de la salida cuando decidir cada etiqueta aisladamente desperdicia información sobre el conjunto. [10]
Biología computacional y medicina
En 2003 participó con Eran Segal, Nir Friedman y otros investigadores en Module Networks. El método analizaba datos de expresión génica para agrupar genes y proponer qué reguladores actuaban bajo determinadas condiciones. Sus resultados se formulaban como hipótesis comprobables, conectando aprendizaje estadístico y preguntas experimentales sobre la organización celular. [11]
Un trabajo de 2004 con Segal, Friedman y Aviv Regev extendió ese enfoque al cáncer. Integró 1.975 microarrays de 22 tipos de tumor para estudiar conjuntos de genes activados o desactivados. Permitía comparar patrones entre enfermedades y tejidos, sin reducir cada tumor a una lista independiente de genes. [12]
También fue autora sénior de PhysiScore, investigación publicada en 2010 junto con Anna Penn y liderada por Suchi Saria. El estudio de 138 bebés prematuros combinó señales de las primeras horas de vida para estimar complicaciones. Stanford señaló expresamente que debía validarse en poblaciones mayores y evaluarse su efecto sobre decisiones clínicas antes del uso comercial. [13]
El libro Probabilistic Graphical Models
Con Nir Friedman publicó en 2009 Probabilistic Graphical Models: Principles and Techniques. El libro articula representación, inferencia y aprendizaje en redes bayesianas, redes de Markov y modelos dinámicos o relacionales. Expone un marco para construir modelos interpretables y calcular consecuencias de la información disponible, con distintos recorridos de lectura según la preparación del estudiante. [14]
Koller trasladó parte de esa enseñanza a la especialización de Stanford Online en Coursera. El curso inicial diferencia redes dirigidas y no dirigidas y aborda diagramas de influencia y decisiones. Incluye ejercicios de programación: el objetivo docente consiste en construir y utilizar representaciones, además de conocer sus definiciones. [17]
Coursera y Engageli
Andrew Ng y Koller lanzaron Coursera en abril de 2012. La iniciativa llevó cursos universitarios a una audiencia internacional a través de internet. Su origen se encuentra en la experiencia docente de ambos y en la posibilidad de distribuir materiales y actividades a una escala distinta de la clase presencial tradicional. [16]
En 2020 cofundó Engageli con Dan Avida, Serge Plotkin y Jamie Nacht Farrell. La plataforma se presentó para apoyar clases digitales participativas durante la expansión de la enseñanza remota. Su propuesta combinaba trabajo en grupos y herramientas de interacción para docentes y estudiantes, una orientación diferente del consumo individual de vídeos grabados. [18]
De Calico a insitro
Entre 2016 y 2018 fue la primera chief computing officer de Calico, empresa de Alphabet dedicada a investigación en salud. Trabajó en la aplicación de aprendizaje automático a datos biológicos. Ese paso acercó su experiencia como investigadora informática a organizaciones cuyo trabajo exige conectar cálculo, experimentación y desarrollo biomédico. [3]
Al explicar el origen de insitro, Koller destacó que las primeras aplicaciones de IA a biología habían encontrado datos escasos o inadecuados. La mejora de las mediciones y las herramientas experimentales permitió plantear otra estrategia: generar y analizar datos útiles para investigar causas de enfermedad. También subrayó la dificultad de conseguir que especialistas de campos diferentes trabajen con un lenguaje compartido. [4]
En 2019 insitro anunció una colaboración con Gilead para investigar la enfermedad hepática entonces denominada NASH. El acuerdo contemplaba identificar posibles dianas mediante modelos y datos, con la posibilidad de que Gilead avanzara hasta cinco. La empresa farmacéutica asumiría la química y el desarrollo correspondientes; identificar una diana no equivalía a disponer de un tratamiento. [19]
En octubre de 2026 insitro anunció un acuerdo con AstraZeneca sobre MASH y cardiomiopatías. Insitro investigaría dianas y candidatos; AstraZeneca asumiría desarrollo clínico, regulación y comercialización. El comunicado situaba sus primeros programas de hígado en la clínica a comienzos de 2027: era una previsión de desarrollo, no una demostración de eficacia en pacientes. [20]
Reconocimientos e influencia
El ACM Prize in Computing correspondiente a 2007 reconoció su combinación de lógica relacional y probabilidad, aplicable a robótica, economía y biología. Su importancia reside en proporcionar herramientas generales para problemas distintos, manteniendo una representación explícita de las relaciones y de la incertidumbre. [21]
El premio ACM–AAAI Allen Newell de 2019 destacó sus contribuciones a modelos probabilísticos, su aplicación a biología y salud y la apertura de oportunidades educativas. Esa combinación explica la amplitud de su trayectoria: los métodos matemáticos, la formación y las organizaciones que construyó no constituyen etapas completamente aisladas. [22]
En 2023 fue elegida miembro de la National Academy of Sciences de Estados Unidos. El reconocimiento añadió una dimensión institucional a una carrera desarrollada entre informática y ciencias de la vida. [23]
Percepción fiable para robots que operan junto a personas
Koller coescribió con Anna Petrovskaia, Sebastian Thrun y Oussama Khatib un trabajo sobre estimación fiable de la posición de robots. El método GRAB incorpora límites de error y se estudia en navegación interior y manipulación táctil, donde una percepción equivocada puede producir decisiones inseguras. [5]
Esta es una conexión concreta con la prevención: antes de decidir cómo moverse, una máquina necesita conocer su posición y cuánto puede equivocarse al estimarla. Un robot aparentemente preciso no ofrece la misma información que un sistema que caracteriza los límites de su estimación.
De la prueba de percepción a la seguridad del puesto
El trabajo acredita investigación en fiabilidad de la percepción; no demuestra una implantación preventiva en fábricas ni permite declarar seguro cualquier robot que utilice inferencia probabilística. La contribución de Koller se refiere a ese problema matemático y experimental específico.
Para valorar una aplicación laboral habría que comprobar los sensores, las oclusiones y las condiciones que invalidan el modelo, además de las protecciones del movimiento y la interacción humana. Una posición estimada correctamente es una pieza de la seguridad del sistema, no su evaluación completa.
