Carlos Guestrin: La inteligencia artificial no apareció de la nada.
Hoy hablamos de inteligencia artificial como si hubiera llegado sola. Como si, en algún momento reciente, las máquinas simplemente hubieran empezado a entender lo que escribimos, a recomendarnos lo que queremos ver o a detectar el fraude en nuestra tarjeta antes de que nos demos cuenta. La conversación suele centrarse en lo que puede hacer, en lo rápido que avanza y en cómo va a cambiar el futuro.
Pero rara vez nos detenemos a preguntarnos algo más básico: quién la construyó.
La inteligencia artificial no apareció. Se construyó. Y ese proceso tomó décadas de trabajo silencioso, decisiones técnicas complejas y personas que dedicaron su carrera a resolver problemas que la mayoría nunca ve. Carlos Guestrin es una de esas personas.
Nacido en Argentina, formado en Brasil y Stanford
Carlos Ernesto Guestrin nació en Argentina en 1975 y creció en Brasil. Obtuvo su título de Ingeniería Mecatrónica en la Escuela Politécnica de la Universidad de São Paulo, y posteriormente realizó su doctorado en Ciencias de la Computación en Stanford University. Ese recorrido —de Buenos Aires a São Paulo, de São Paulo a Stanford— no es solo una biografía. Es también la ruta de alguien que aprendió a moverse entre mundos distintos y a traducir conocimiento de un contexto a otro.
Su trabajo no es el tipo que se vuelve viral. No está diseñado para titulares ni puede resumirse fácilmente en una frase. Pero eso no lo hace menos importante. Al contrario: está en la base de muchos de los sistemas que hoy usamos sin pensar.
El problema real de la inteligencia artificial
La inteligencia artificial, en esencia, es la capacidad de una máquina para aprender patrones a partir de datos. Suena simple, pero en la práctica implica preguntas difíciles: ¿cómo haces que una máquina interprete información de forma útil? ¿Cómo decides qué datos importan y cuáles no? ¿Cómo logras que ese aprendizaje funcione no solo en un laboratorio, sino en el mundo real, donde todo cambia constantemente y hay millones de usuarios con comportamientos impredecibles?
Construir un modelo que funcione en papel es solo el primer paso. El problema real aparece cuando ese modelo tiene que operar a escala, con consecuencias concretas. En ese punto, la eficiencia, la velocidad y la precisión dejan de ser detalles técnicos y se convierten en elementos críticos.
El trabajo de Guestrin se enfocó precisamente en esa transición.
XGBoost: la herramienta que ya usas sin saberlo
El algoritmo XGBoost se desarrolló como un proyecto de investigación en la Universidad de Washington. Tianqi Chen y Carlos Guestrin presentaron su trabajo en la Conferencia SIGKDD en 2016, captando la atención del mundo del machine learning. Wikipedia
XGBoost —que significa eXtreme Gradient Boosting— resolvió uno de los problemas más persistentes del aprendizaje automático aplicado: cómo hacer que un modelo sea a la vez rápido, preciso y capaz de escalar a grandes volúmenes de datos sin sacrificar ninguna de esas tres cosas. Desde su introducción, XGBoost no solo fue reconocido por ganar numerosas competencias de Kaggle, sino también por convertirse en la fuerza motriz detrás de varias aplicaciones industriales de vanguardia. Stanford University School of Engineering
XGBoost ha sido probado en producción para problemas a gran escala y es ampliamente usado en aplicaciones industriales, desde la detección de fraude hasta sistemas de recomendación. Cuando tu banco detecta una transacción sospechosa o una plataforma te sugiere exactamente lo que querías ver, hay una probabilidad real de que XGBoost esté trabajando detrás de esa decisión. Stanford Online
Pero Guestrin no se detuvo ahí. Su equipo también desarrolló proyectos de código abierto como LIME, Apache TVM, MXNet y Turi Create. LIME, en particular, resuelve un problema que pocas veces se menciona en las conversaciones sobre IA: ¿cómo sabe un humano por qué una máquina tomó cierta decisión? Es la base de lo que hoy se llama IA explicable, uno de los campos más relevantes para hacer que la tecnología sea confiable y auditable. El Mensajero
De investigador a Apple, y de vuelta a la academia
Guestrin cofundó Turi, una startup de machine learning que fue adquirida por Apple en 2016. Después de esa adquisición, trabajó como Director Senior de Machine Learning e Inteligencia Artificial en Apple. Fue un paso inusual: pocos investigadores de su nivel transitan entre la academia de élite, el emprendimiento tecnológico y las grandes empresas con la misma fluidez.
Hoy es profesor en el Departamento de Ciencias de la Computación de Stanford University y ha recibido el IJCAI Computers and Thought Award y el Presidential Early Career Award for Scientists and Engineers (PECASE). Son los reconocimientos más altos en su campo. Y sin embargo, la mayoría de las personas que usan sus herramientas todos los días no saben su nombre. El Mensajero
Eso también dice algo.
Lo que la historia de Guestrin revela
Cuando pensamos en tecnología, solemos pensar en lugares. Silicon Valley, grandes empresas, ecosistemas específicos. Rara vez pensamos en las personas detrás de esos avances. Y menos aún cuando esas personas tienen origen latinoamericano.
La historia de Carlos Guestrin no es una historia de superación dramática. Es una historia más silenciosa, sobre alguien que decidió enfocarse durante años en resolver problemas difíciles, poco visibles y difíciles de explicar fuera de un contexto técnico. Problemas que, resulta, terminaron siendo fundamentales.
Se habla mucho de innovación, pero menos de implementación. Se celebran las ideas, pero no siempre el trabajo que las convierte en algo funcional a escala. Y sin ese trabajo, muchas de esas ideas nunca tienen impacto real.
Muchas de las herramientas que usamos hoy no existen por casualidad. Existen porque alguien decidió entender cómo funcionan las cosas en profundidad y luego hizo el trabajo necesario para que funcionaran para todos.
Y en ese proceso, hay nombres que no siempre conocemos. Pero que están en todas partes.
"La magia de la inteligencia artificial no está en las ecuaciones matemáticas; está en los espacios intermedios: en las decisiones humanas sobre cómo recolectamos los datos, cómo limpiamos la información y cómo decidimos que un sistema es seguro". -Carlos Guestrin
Fuentes:
Wikipedia — "Carlos Guestrin": https://en.wikipedia.org/wiki/Carlos_Guestrin
Stanford University Profiles — "Carlos Ernesto Guestrin": https://profiles.stanford.edu/carlos-guestrin
Stanford Computer Science — "Carlos Guestrin": https://www.cs.stanford.edu/people/carlos-guestrin
Stanford Online — "Carlos Guestrin": https://online.stanford.edu/instructors/carlos-guestrin
MLconf — "Carlos Guestrin" (premios, trayectoria completa): https://mlconf.com/speakers/carlos-guestrin/
AI Blog — "Introducción a XGBoost para aplicaciones en machine learning": https://iartificial.blog/aprendizaje/introduccion-a-xgboost-para-aplicaciones-en-machine-learning/
