Tamara Broderick pisó por primera vez el campus del MIT cuando era estudiante de secundaria, como participante en la inauguración. 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.
¿Cuál es la probabilidad de que regresara al MIT años después, esta vez como miembro del cuerpo docente?
Ésa es una pregunta que Broderick probablemente podría responder cuantitativamente usando la inferencia bayesiana, un enfoque estadístico de la probabilidad que intenta cuantificar la incertidumbre actualizando continuamente las suposiciones a medida que se obtienen nuevos datos.
En su laboratorio del MIT, la nueva 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 ‘¿Qué 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 y el Instituto de Datos, Sistemas y Sociedad. “La realidad es que vivimos en un mundo ruidoso y no siempre podemos obtener exactamente los datos que queremos. ¿Cómo aprendemos de los datos y al mismo tiempo reconocemos que existen limitaciones y las abordamos adecuadamente?”
En términos generales, su objetivo es ayudar a las personas a comprender los límites de las herramientas estadísticas disponibles y, a veces, trabajar con ellas para crear mejores herramientas para una situación particular.
Por ejemplo, su grupo colaboró recientemente con oceanógrafos para desarrollar un modelo de aprendizaje automático que puede hacer predicciones más precisas sobre las corrientes oceánicas. En otro proyecto, ella y otros trabajaron con especialistas en enfermedades degenerativas en un herramienta que ayuda a personas con discapacidad motora grave utilizar la interfaz gráfica de usuario de una computadora manipulando un solo interruptor.
Un hilo conductor entretejido en su trabajo es el énfasis en la colaboración.
“Al trabajar en análisis de datos, puedes estar en el patio trasero de todos, por así decirlo. Realmente no te puedes aburrir porque siempre puedes estar aprendiendo sobre algún otro campo y pensando en cómo podemos aplicar el aprendizaje automático allí”, afirma.
Pasar el rato en muchos “patios traseros” académicos es especialmente atractivo para Broderick, quien incluso desde muy joven luchó por limitar sus intereses.
Una mentalidad matemática
Al crecer en un suburbio de Cleveland, Ohio, Broderick tuvo interés en las matemáticas desde que tiene uso de razón. Recuerda estar fascinada por la idea de lo que sucedería si siguieras sumando un número a sí mismo, comenzando con 1+1=2 y luego 2+2=4.
“Tenía quizás 5 años, así que no sabía qué eran los ‘poderes de dos’ ni nada por el estilo. Me gustaban mucho las matemáticas”, dice.
Su padre reconoció su interés en el tema y la inscribió en un programa de Johns Hopkins llamado Centro para Jóvenes Talentosos, que le dio a Broderick la oportunidad de tomar clases de verano de tres semanas sobre una variedad de temas, desde astronomía hasta teoría de números y ciencias de la computación.
Más tarde, en la escuela secundaria, realizó una investigación en astrofísica con un postdoctorado en la Universidad Case Western. En el verano de 2002, pasó cuatro semanas en el MIT como miembro de la primera promoción del Programa de Tecnología para Mujeres.
Disfrutó especialmente de la libertad que ofrecía el programa y de 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 con LEGO que pudieran usar para realizar una biopsia de una uva suspendida en gelatina.
El programa le mostró cuánta creatividad implica la ingeniería y la informática, y despertó su interés en seguir una carrera académica.
“Pero cuando ingresé a la universidad en Princeton, no podía decidir (matemáticas, física, informática), todas parecían geniales. Quería hacerlo todo”, dice.
Decidió obtener una licenciatura en matemáticas, pero tomó todos los cursos de física e informática que pudo incluir en su agenda.
Profundizando 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 varias clases de estadística y análisis de datos, incluida su primera clase sobre análisis de datos bayesianos en el campo del aprendizaje automático.
Fue una experiencia transformadora, recuerda.
“Durante mi estadía en el Reino Unido, me di cuenta de que realmente me gusta resolver problemas del mundo real que son importantes para las personas, y la inferencia bayesiana se estaba utilizando en algunos de los problemas más importantes que existen”, dice.
De regreso a Estados Unidos, Broderick se dirigió a la Universidad de California en Berkeley, donde se unió al laboratorio del profesor Michael I. Jordan como estudiante de posgrado. Obtuvo un doctorado en estadística con especialización en análisis de datos bayesianos.
Decidió seguir una carrera en el mundo académico y se sintió atraída por el MIT por la naturaleza colaborativa del departamento EECS y por lo apasionados y amigables que eran sus posibles colegas.
Sus primeras impresiones dieron resultado y Broderick dice que encontró una comunidad en el MIT que la ayuda a ser creativa y explorar problemas difíciles e impactantes con una amplia gama de aplicaciones.
“He tenido la suerte de trabajar con un grupo realmente sorprendente de estudiantes y postdoctorados en mi laboratorio: personas brillantes y trabajadoras cuyos corazones están en el lugar correcto”, dice.
Uno de los proyectos recientes de su equipo implica una colaboración con un economista que estudia el uso del microcrédito, o 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 la gente de la pobreza. Los economistas realizan pruebas de control aleatorias en aldeas de una región que reciben o no microcréditos. Quieren generalizar los resultados del estudio, prediciendo el resultado esperado si se aplica el microcrédito a otras aldeas fuera de su estudio.
Pero Broderick y sus colaboradores han descubierto que los resultados de algunos estudios de microcrédito pueden ser muy frágiles. Eliminar uno o algunos 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 que puede determinar cuántos puntos de datos deben descartarse para cambiar la conclusión sustancial del estudio. Con su herramienta, un científico puede ver cuán frágiles son los resultados.
“A veces, descartar una fracción muy pequeña de datos puede cambiar los resultados principales de un análisis de datos, y entonces podríamos preocuparnos hasta qué punto esas conclusiones se generalizan a nuevos escenarios. ¿Hay formas en que podamos señalar esto a las personas? Eso es lo que pretendemos con este trabajo”, explica.
Al mismo tiempo, continúa colaborando con investigadores en diversos campos, como la genética, para comprender los pros y los contras de diferentes técnicas de aprendizaje automático y otras herramientas de análisis de datos.
Rastros felices
La exploración es lo que impulsa a Broderick como investigadora y también alimenta una de sus pasiones fuera del laboratorio. Ella y su esposo disfrutan recolectando parches que obtienen al recorrer todos los senderos de un parque o sistema de senderos.
“Creo que mi pasatiempo realmente combina mis intereses de estar al aire libre y las hojas de cálculo”, dice. “Con estas zonas de senderismo, tienes que explorar todo y luego ves áreas que normalmente no verías. En ese sentido, es aventurero”.
Descubrieron algunas caminatas increíbles que nunca habrían conocido, pero también se embarcaron en 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 en su investigación, la curiosidad, la apertura de mente y la pasión por la resolución de problemas nunca la han desviado.