Michael I. Jordan ist ein US-amerikanischer Informatiker und Statistiker an der UC Berkeley mit gemeinsamer Anstellung in Informatik und Statistik. Er forscht auch am Inria Paris und zählt zu den einflussreichsten Begründern der statistischen Grundlagen des maschinellen Lernens.
Sein Status an Berkeley ist aus der Fakultätsseite nicht eindeutig: Sie nennt ihn Professor Emeritus und Professor in the Graduate School, während der Biografietext den Pehong-Chen-Distinguished-Professor aufführt.
Zusammenfassung
Jordan erwarb 1978 einen Bachelorabschluss in Psychologie an der Louisiana State University, 1980 einen Master in Mathematik an der Arizona State University und promovierte 1985 an der UC San Diego in Kognitionswissenschaft unter David Rumelhart und Donald Norman. Von 1988 bis 1998 lehrte er am Department of Brain and Cognitive Sciences des MIT, bevor er an die UC Berkeley wechselte, wo er seither forscht und lehrt.
Jordans Arbeit umspannt statistisches maschinelles Lernen, Bayes’sche Netze, Variationsverfahren und probabilistische grafische Modelle. Er trug wesentlich dazu bei, die Verbindungen zwischen maschinellem Lernen und klassischer Statistik systematisch herauszuarbeiten, mit besonderem Schwerpunkt auf approximativen Inferenzverfahren.
Öffentlich bekannt wurde er für seine kritische Haltung gegenüber gängigen KI-Erzählungen. In seinem 2019 im Harvard Data Science Review erschienenen Essay „Artificial Intelligence – The Revolution Hasn’t Happened Yet” argumentierte er, die „Revolution der künstlichen Intelligenz” habe noch nicht stattgefunden. Echter Fortschritt erfordere die Verbindung von Informatik und Statistik statt eines auf Hype gestützten Narrativs.
Werdegang
Jordan erwarb 1978 einen Bachelorabschluss in Psychologie an der Louisiana State University und 1980 einen Master in Mathematik an der Arizona State University, bevor er 1985 an der UC San Diego unter David Rumelhart und Donald Norman in Kognitionswissenschaft promovierte. Von 1988 bis 1998 war er Professor am Department of Brain and Cognitive Sciences des MIT, anschließend wechselte er an die UC Berkeley.
Heute arbeitet er als Pehong-Chen-Distinguished-Professor gemeinsam in den Fachbereichen Informatik (EECS) und Statistik der UC Berkeley. Zusätzlich forscht er am französischen Forschungsinstitut Inria in Paris.
Für seine Forschung erhielt Jordan zahlreiche Auszeichnungen. Dazu zählen die Aufnahme in die National Academy of Sciences (2010) und die National Academy of Engineering, der Rumelhart-Preis (2015) und die IEEE John von Neumann Medal (2020). 2022 erhielt er den erstmals vergebenen Preis der World Laureates Association für Beiträge zum maschinellen Lernen.
Kritische Stimme zur KI-Debatte
Jordan zählt zu den prominentesten Statistikerinnen und Statistikern, die öffentlich vor verfrühter Gleichsetzung von KI-Fortschritten mit echter Intelligenz warnen. Echter Fortschritt erfordert seiner Ansicht nach eine konsequentere Verbindung von Informatik und statistischer Methodik als in der öffentlichen Debatte oft üblich, die stark von spektakulären Modellergebnissen getrieben wird.
Verwandte Begriffe
- Percy Liang – einer von Jordans zahlreichen Doktoranden, heute selbst prominenter Stanford-Professor
- Variational Autoencoder – Modellklasse, die auf den von Jordan mitentwickelten Variationsverfahren aufbaut
- Scaling Laws – die Trainingsgesetzmäßigkeiten, deren Hype-Narrativ Jordan öffentlich kritisiert
Quellenangaben
- Jordan, Michael I., 2019. Artificial Intelligence—The Revolution Hasn’t Happened Yet. In: Harvard Data Science Review, 23. Juni 2019. DOI: 10.1162/99608f92.f06c6e61
- University of California, Berkeley, o. J. Michael Jordan – Faculty Home Page (Professor Emeritus, Professor in the Graduate School). EECS at UC Berkeley. www2.eecs.berkeley.edu/Faculty/Homepages/jordan.html