[ad_1]
Tamara Broderick mise piede per la prima volta nel campus del MIT quando era una studentessa delle scuole superiori, come partecipante al Women’s Technology Program inaugurale. L’esperienza accademica estiva, della durata di un mese, offre alle giovani donne un’introduzione pratica all’ingegneria e all’informatica.
Qual è la probabilità che ritorni al MIT anni dopo, questa volta come membro della facoltà?
Questa è una domanda a cui Broderick probabilmente potrebbe rispondere quantitativamente utilizzando l’inferenza bayesiana, un approccio statistico alla probabilità che cerca di quantificare l’incertezza aggiornando continuamente le proprie ipotesi man mano che si ottengono nuovi dati.
Nel suo laboratorio al MIT, la nuova professoressa associata presso il Dipartimento di Ingegneria Elettrica e Informatica (EECS) utilizza l’inferenza bayesiana per quantificare l’incertezza e misurare la robustezza delle tecniche di analisi dei dati.
“Sono sempre stato davvero interessato a capire non solo ‘Cosa sappiamo dall’analisi dei dati’, ma ‘Quanto bene lo sappiamo?'”, afferma Broderick, che è anche membro del Laboratory for Information and Decision Systems e l’Istituto per dati, sistemi e società. “La realtà è che viviamo in un mondo rumoroso e non sempre riusciamo a ottenere esattamente i dati che desideriamo. Come possiamo imparare dai dati ma allo stesso tempo riconoscere che ci sono dei limiti e gestirli in modo appropriato?”
In generale, il suo obiettivo è aiutare le persone a comprendere i confini degli strumenti statistici a loro disposizione e, a volte, lavorare con loro per creare strumenti migliori per una situazione particolare.
Ad esempio, il suo gruppo ha recentemente collaborato con oceanografi per sviluppare un modello di apprendimento automatico in grado di fare previsioni più accurate sulle correnti oceaniche. In un altro progetto, lei e altri hanno lavorato con specialisti in malattie degenerative su uno strumento che aiuta le persone con gravi disabilità motorie a utilizzare l’interfaccia utente grafica di un computer manipolando un singolo interruttore.
Un filo conduttore intrecciato nel suo lavoro è l’enfasi sulla collaborazione.
“Lavorando nell’analisi dei dati, ti ritrovi nel cortile di tutti, per così dire. Non puoi davvero annoiarti perché puoi sempre imparare qualcosa in qualche altro campo e pensare a come applicare l’apprendimento automatico lì”, afferma.
Frequentare molti “cortili” accademici è particolarmente attraente per Broderick, che ha lottato fin dalla giovane età per restringere i suoi interessi.
Una mentalità matematica
Cresciuta in un sobborgo di Cleveland, Ohio, Broderick ha avuto un interesse per la matematica da quando riesce a ricordare. Ricorda di essere rimasta affascinata dall’idea di cosa accadrebbe se continuassimo ad aggiungere un numero a se stesso, iniziando con 1+1=2 e poi 2+2=4.
“Avevo forse 5 anni, quindi non sapevo cosa fossero le ‘potenze di due’ o qualcosa del genere. Mi piaceva davvero la matematica”, dice.
Suo padre riconobbe il suo interesse per l’argomento e la iscrisse a un programma della Johns Hopkins chiamato Center for Talented Youth, che diede a Broderick l’opportunità di seguire lezioni estive di tre settimane su una serie di argomenti, dall’astronomia alla teoria dei numeri all’informatica.
Più tardi, al liceo, ha condotto ricerche di astrofisica con un postdoc presso la Case Western University. Nell’estate del 2002, ha trascorso quattro settimane al MIT come membro della prima classe del Women’s Technology Program.
Ha particolarmente apprezzato la libertà offerta dal programma e la sua attenzione all’uso dell’intuizione e dell’ingegno per raggiungere obiettivi di alto livello. Ad esempio, il gruppo è stato incaricato di costruire un dispositivo con i LEGO da utilizzare per eseguire la biopsia di un acino d’uva sospeso nella gelatina.
Il programma le ha mostrato quanta creatività è coinvolta nell’ingegneria e nell’informatica e ha suscitato il suo interesse nel perseguire una carriera accademica.
“Ma quando sono entrato al college a Princeton, non sapevo decidere – matematica, fisica, informatica – sembravano tutti fantastici. Volevo fare tutto”, dice.
Decise di conseguire una laurea in matematica, ma seguì tutti i corsi di fisica e informatica che riuscì a inserire nel suo programma.
Approfondire l’analisi dei dati
Dopo aver ricevuto una borsa di studio Marshall, Broderick ha trascorso due anni all’Università di Cambridge nel Regno Unito, conseguendo un master di studi avanzati in matematica e un master di filosofia in fisica.
Nel Regno Unito, ha seguito numerosi corsi di statistica e analisi dei dati, incluso il suo primo corso sull’analisi dei dati bayesiani nel campo dell’apprendimento automatico.
È stata un’esperienza trasformativa, ricorda.
“Durante la mia permanenza nel Regno Unito, mi sono resa conto che mi piace davvero risolvere i problemi del mondo reale che contano per le persone, e che l’inferenza bayesiana veniva utilizzata in alcuni dei problemi più importanti”, afferma.
Tornata negli Stati Uniti, Broderick si è diretta all’Università della California a Berkeley, dove si è unita al laboratorio del professor Michael I. Jordan come studentessa laureata. Ha conseguito un dottorato di ricerca in statistica con particolare attenzione all’analisi dei dati bayesiani.
Ha deciso di intraprendere una carriera nel mondo accademico ed è stata attratta dal MIT dalla natura collaborativa del dipartimento EECS e da quanto fossero appassionati e amichevoli i suoi potenziali colleghi.
Le sue prime impressioni sono andate bene e Broderick afferma di aver trovato una comunità al MIT che la aiuta a essere creativa ed esplorare problemi difficili e di grande impatto con applicazioni ad ampio raggio.
“Ho avuto la fortuna di lavorare con un gruppo davvero straordinario di studenti e dottorandi nel mio laboratorio: persone brillanti e laboriose, i cui cuori sono nel posto giusto”, afferma.
Uno dei progetti recenti del suo team prevede la collaborazione con un economista che studia l’uso del microcredito, ovvero il prestito di piccole somme di denaro a tassi di interesse molto bassi, in aree povere.
L’obiettivo dei programmi di microcredito è far uscire le persone dalla povertà. Gli economisti conducono studi di controllo randomizzati sui villaggi di una regione che ricevono o non ricevono microcredito. Vogliono generalizzare i risultati dello studio, prevedendo il risultato atteso se si applicasse il microcredito ad altri villaggi al di fuori del loro studio.
Ma Broderick e i suoi collaboratori hanno scoperto che i risultati di alcuni studi sul microcredito possono essere molto fragili. La rimozione di uno o più punti dati dal set di dati può modificare completamente i risultati. Un problema è che i ricercatori spesso utilizzano medie empiriche, in cui alcuni dati molto alti o bassi possono distorcere i risultati.
Utilizzando l’apprendimento automatico, lei e i suoi collaboratori hanno sviluppato un metodo in grado di determinare quanti punti dati devono essere eliminati per modificare la conclusione sostanziale dello studio. Con il loro strumento, uno scienziato può vedere quanto fragili siano i risultati.
“A volte eliminare una frazione molto piccola di dati può modificare i principali risultati di un’analisi dei dati, e quindi potremmo preoccuparci di quanto tali conclusioni si possano generalizzare a nuovi scenari. Ci sono modi in cui possiamo segnalarlo alle persone? Questo è ciò a cui stiamo arrivando con questo lavoro”, spiega.
Allo stesso tempo, continua a collaborare con ricercatori in una serie di campi, come la genetica, per comprendere i pro e i contro delle diverse tecniche di apprendimento automatico e di altri strumenti di analisi dei dati.
Sentieri felici
L’esplorazione è ciò che spinge Broderick come ricercatrice e alimenta anche una delle sue passioni fuori dal laboratorio. Lei e suo marito si divertono a collezionare toppe che guadagnano percorrendo tutti i sentieri di un parco o di un sistema di sentieri.
“Penso che il mio hobby combini davvero i miei interessi per la vita all’aria aperta e i fogli di calcolo”, afferma. “Con queste zone escursionistiche, devi esplorare tutto e poi vedere aree che normalmente non vedresti. È avventuroso, in questo senso.
Hanno scoperto alcune escursioni straordinarie di cui non avrebbero mai saputo, ma hanno anche intrapreso più di qualche “escursione catastrofica totale”, dice. Ma ogni escursione, che si tratti di una gemma nascosta o di un luogo incolto, offre le sue ricompense.
E proprio come nella sua ricerca, la curiosità, l’apertura mentale e la passione per la risoluzione dei problemi non l’hanno mai portata fuori strada.
[ad_2]
Source link
