Cuando hablamos de la historia de internet, solemos centrarnos en sus fundadores, pero el verdadero "motor" de la web moderna fue construido por Jeff Dean de Google. Para comprender su impacto, hay que analizar cómo buscamos, traducimos y, ahora, interactuamos con la inteligencia artificial.
Siempre he pensado que, mientras otros soñaban con lo que internet podría llegar a ser, Jeff era quien descifraba la física necesaria para que escalara a miles de millones de personas. Desde sus inicios reescribiendo los sistemas de rastreo de Google hasta su puesto actual al frente de Google DeepMind, su trayectoria profesional ha sido una lección magistral sobre la construcción de la infraestructura que permite la existencia de modelos de lenguaje a gran escala como Gemini.
¿Quién es Jeff Dean? Un resumen del científico jefe de Google.
Si analizamos cómo funciona internet hoy en día, la huella de Jeff Dean es innegable. No es un ejecutivo cualquiera; es, en esencia, el "ingeniero de ingenieros" que ayudó a Google a crecer desde un proyecto en un garaje hasta convertirse en una empresa de servicio público global.
Recuerdo haber leído al principio de mi carrera los memes de "Hechos sobre Jeff Dean", que bromeaban sobre él poniendo la cola en un árbol binario o sobre su teclado con solo dos teclas (0 y 1). Si bien son graciosos, la realidad es aún más impresionante. Se unió a la empresa en 1999 como su vigésimo empleado y se dedicó a construir los sistemas que gestionan la indexación de búsquedas, la infraestructura de rastreo y la gestión de consultas. Si alguna vez te has preguntado cómo un motor de búsqueda devuelve millones de resultados en 0.2 segundos, la respuesta suele estar relacionada con un sistema que Jeff ayudó a diseñar.
Puesto y liderazgo actuales en Google DeepMind
Actualmente, Jeff es el científico jefe de Google, un puesto en el que actúa como nexo entre la investigación teórica y la ingeniería práctica. Dedica su tiempo a definir la dirección de los proyectos más ambiciosos de la compañía, centrándose especialmente en cómo la inteligencia artificial puede resolver problemas complejos del mundo real.
Transición de Google Brain a Científico Jefe
En 2023, Google dio un paso trascendental al fusionar sus dos unidades de IA más potentes: Google Brain (cofundada por Jeff) y DeepMind. Antes de esto, Jeff dirigió el equipo de Brain, donde contribuyó al desarrollo de TensorFlow y modelos de lenguaje a gran escala como PaLM. Seguí de cerca esta transición porque marcó un cambio en la forma en que opera la industria. Pasó de gestionar un equipo específico a asumir un rol de liderazgo más amplio, asegurando que la investigación de los laboratorios se materializara en productos como Gemini y Android.
Supervisar la división unificada de investigación en IA.
Ahora, Jeff trabaja junto a Demis Hassabis para dirigir la entidad unificada Google DeepMind. Su trabajo consiste en asegurarse de que los investigadores de primer nivel no trabajen de forma aislada. Por ejemplo, al observar cómo Gemini se integra con la búsqueda, veo la influencia de Jeff para garantizar que los sistemas distribuidos puedan manejar la enorme capacidad de procesamiento necesaria para el aprendizaje automático a esa escala. Se asegura de que los avances en redes neuronales sean lo suficientemente eficientes como para ejecutarse en miles de TPU (Unidades de Procesamiento Tensorial) sin que se colapse todo el sistema.
Antecedentes educativos e influencias académicas tempranas
Jeff no se despertó un día y de repente supo cómo construir sistemas de almacenamiento distribuido. Su trayectoria académica se centró en cómo "piensan" las computadoras y cómo hacer que lo hagan más rápido.
Estudios de pregrado en la Universidad de Minnesota
Jeff se licenció en Informática y Economía por la Universidad de Minnesota. Me parece interesante que estudiara economía junto con informática; probablemente le ayudó a comprender la eficiencia y la asignación de recursos necesarias para proyectos como AdSense. Durante ese tiempo, también trabajó para la Organización Mundial de la Salud, creando software para el seguimiento del Programa Mundial contra el SIDA. Es un excelente ejemplo de cómo utilizaba los datos para resolver problemas a gran escala incluso antes de que internet se popularizara.
Investigación doctoral en optimización de compiladores en la Universidad de Washington.
Su trabajo de posgrado fue donde las cosas se pusieron realmente técnicas. En la Universidad de Washington, Jeff centró su doctorado en la optimización de compiladores. Si no eres desarrollador, un compilador es básicamente un traductor que convierte el código humano en instrucciones de máquina. La investigación de Jeff se centró en hacer este proceso más rápido y eficiente. Cuando estudiaba arquitectura de sistemas, me di cuenta de que esta temprana obsesión por la eficiencia es precisamente la razón por la que pudo crear MapReduce y BigTable más adelante. Sabe cómo exprimir al máximo el rendimiento de un procesador.
Sentando las bases: Los primeros años de Jeff Dean en Google
Cuando la gente habla del “ingrediente secreto” de Google, suelen mencionar el Page Rank algoritmo. Pero como ingeniero, me fijo en la infraestructura. Jeff Dean fue quien construyó las tuberías que permitieron que esa información llegara a millones de personas a la vez. En sus inicios, Google no era la máquina sofisticada que vemos ahora; era una startup aguerrida que intentaba no colapsar bajo su propio peso.
Se une a Google como empleado número 30.
Jeff se unió a Google a mediados de 1999. En aquel entonces, la empresa aún se estaba abriendo camino en el saturado mercado de los motores de búsqueda. Siempre me ha parecido interesante que no estuviera desde el primer día, pero su impacto fue tan inmediato que se convirtió en sinónimo del ADN técnico de la compañía. No se limitaba a escribir código; diseñaba la arquitectura de cómo debía funcionar un sistema distribuido masivo cuando se manejaban petabytes de datos.
Cómo solucionar el “fallo sistémico grave” de 1999.
Poco después de que comenzara, Google se topó con un obstáculo. El índice estaba prácticamente inservible y el buscador no podía actualizar sus resultados. He estado en situaciones de emergencia donde todo el mundo se moviliza cuando un sitio web se cae, pero esto fue a escala global. Jeff y Sanjay Ghemawat, su colaborador de 오랜 años, intervinieron para reescribir el sistema de indexación. No se limitaron a parchearlo; cambiaron radicalmente la forma en que se almacenaban y recuperaban los datos, lo que permitió que el sitio siguiera funcionando durante un período crítico de crecimiento.
Diseño de las primeras cinco generaciones de indexación de la Búsqueda de Google
Durante los años siguientes, Jeff lideró el diseño de varias generaciones del sistema de indexación de búsqueda. Cada versión debía ser exponencialmente más potente que la anterior. Transformó Google, pasando de un rastreador básico a una sofisticada infraestructura de rastreo capaz de gestionar la creciente complejidad de la web. Una vez leí que contribuyó a la transición del sistema a BigTable, lo que permitió una escalabilidad masiva. Por eso, cuando buscas algo hoy, no estás viendo datos del mes pasado, sino a menudo de hace apenas unos segundos.
La arquitectura de Google Ads (AdSense)
Más allá de simplemente encontrar información, Google tenía que encontrar la manera de mantenerse en el mercado. Aquí es donde el trabajo de Jeff en AdSense se convirtió en un verdadero punto de inflexión (aunque detesto usar esa expresión, no hay otra forma de decirlo). Aplicó sus conocimientos de sistemas al mundo de la publicidad digital, creando una plataforma que podía mostrar anuncios tan rápido como los resultados de búsqueda.
Ampliación de los sistemas iniciales de publicación de anuncios
El reto con los anuncios no es solo mostrar un banner, sino hacerlo miles de millones de veces al día sin ralentizar la experiencia del usuario. Jeff ayudó a construir el backend que gestionaba la consulta de la red publicitaria. He trabajado en implementaciones de anuncios donde incluso un retraso de 500 ms perjudicaba las conversiones. El trabajo de Jeff garantizó que los anuncios se cargaran casi instantáneamente. Se centró en la latencia y el rendimiento, asegurándose de que el hardware, a menudo servidores económicos y estándar, pudiera soportar la carga sin fallar.
Mejorar la relevancia mediante algoritmos de análisis de contenido.
Al principio, los anuncios eran bastante impredecibles. Jeff trabajaba en los algoritmos que analizaban el texto de una página web para determinar su contenido. Esta era una forma temprana de recuperación de información y procesamiento del lenguaje natural. Por ejemplo, si yo estaba leyendo un blog sobre ciclismo de montaña, los sistemas de Jeff se aseguraban de que los anuncios fueran de cascos, no de comida para gatos. Al mejorar esta "relevancia", logró que los anuncios fueran más útiles para los usuarios y significativamente más rentables para Google.
Sistemas distribuidos e infraestructura de datos revolucionarios
A principios de la década de 2000, Google se enfrentaba a un problema que nadie había resuelto hasta entonces: ¿cómo procesar datos cuando se tiene tantos que no caben en una sola máquina? ¿O incluso en cien? Jeff Dean no solo resolvió este problema para Google; básicamente, escribió el manual para toda la industria tecnológica sobre cómo construir sistemas distribuidos que no se desmoronen.
MapReduce: Transformando el procesamiento de datos a gran escala
Antes de MapReduce, si querías procesar un conjunto de datos masivo, tenías que escribir código personalizado y engorroso para gestionar la distribución de datos y los fallos de hardware. Era una pesadilla. Jeff y Sanjay Ghemawat idearon una forma de simplificar esto dividiendo las tareas en dos pasos: "Mapeo" (ordenar los datos) y "Reducción" (combinarlos).
El avance de 2004 en la computación en clúster
Cuando publicaron el artículo sobre MapReduce en 2004, todo cambió. He hablado con ingenieros que recuerdan ese momento; fue como si por fin alguien les explicara cómo usar un clúster gigante de ordenadores baratos como si fuera una supercomputadora enorme y fiable. Se encargaba de todas las tareas tediosas, como reintentar las tareas fallidas y mover los datos, para que los programadores pudieran centrarse en la lógica propiamente dicha. En Google, esto les permitió regenerar todo su índice de búsqueda mucho más rápido que nunca.
Impacto en ecosistemas de código abierto como Hadoop
Aquí es donde la cosa se pone interesante para el resto de nosotros. Google no liberó el código fuente de su sistema MapReduce, pero el artículo era tan detallado que inspiró la creación de Hadoop. Si alguna vez has trabajado con macrodatos, has utilizado el ecosistema que la investigación de Jeff inició. Este ecosistema democratizó la computación de alto rendimiento, permitiendo incluso a pequeñas empresas emergentes procesar petabytes de datos con la misma filosofía que Google utilizó para dominar las búsquedas.
BigTable y Spanner: La columna vertebral de las bases de datos globales
Si MapReduce fuera como Google procesado datos, BigTable y Spanner fueron como almacenados A menudo describo Big Table como una hoja de cálculo gigante y distribuida que reside en miles de servidores. Fue diseñada para ser "dispersa" y "distribuida", lo que significa que podía almacenar desde pequeñas URL hasta enormes imágenes satelitales para Google Earth.
Implementación de almacenamiento distribuido para miles de millones de solicitudes
El verdadero desafío de una base de datos global reside en la velocidad. Cuando yo estoy en Nueva York y tú en Londres, ambos esperamos que Google conozca nuestra configuración al instante. BigTable ofrecía la escalabilidad necesaria para gestionar esto, pero tenía una debilidad: no era muy eficaz para mantener la coherencia perfecta de los datos en todo el mundo y en tiempo real. Esto llevó a Jeff y a su equipo a crear Spanner, la primera base de datos escalable globalmente que mantiene los datos perfectamente sincronizados.
Resolver el problema de consistencia con TrueTime de Spanner
Este es uno de esos momentos de "científico loco" en el mundo de la tecnología. Para que Spanner funcionara, Jeff utilizó algo llamado TrueTime. De hecho, instalaron relojes atómicos y receptores GPS en cada centro de datos de Google. Gracias a la precisión de estos relojes, el sistema sabe exactamente cuándo se realizó una transacción, incluso si los servidores están a miles de kilómetros de distancia. Esto resolvió el problema de la "consistencia", asegurando que si actualizo mi contraseña en un lugar, no me quede sin acceso en otro debido a un retraso en la sincronización.
Base de datos de nivel y búferes de protocolo
Aunque Big Table es un sistema gigantesco, Jeff también reconoció la necesidad de herramientas más pequeñas y eficientes. Fue cofundador de Level Db, una biblioteca de almacenamiento rápido de clave-valor. Si usas Google Chrome, en realidad estás usando Level Db ahora mismo; es lo que impulsa la base de datos indexada que los sitios web usan para almacenar datos en tu navegador.
Contribuciones de código abierto al almacenamiento y serialización de datos.
Jeff también lideró el diseño de Protocol Buffers (protobufs). Antes, los sistemas solían comunicarse mediante XML, un método lento y engorroso. He utilizado protobufs en varios proyectos y son considerablemente más rápidos y compactos. Es una forma independiente del lenguaje de empaquetar datos para enviarlos rápidamente a través de la red. Es una de esas tecnologías "invisibles" que hacen que la web moderna parezca tan rápida.
El auge de Google Brain y la era del aprendizaje profundo
Hacia 2011, el mundo tecnológico aún se mostraba algo escéptico respecto a las redes neuronales. La mayoría de los investigadores las consideraban demasiado complejas y difíciles de entrenar. Pero Jeff Dean vislumbró algo diferente. Se dio cuenta de que, al combinar estos modelos inspirados en el cerebro con la enorme capacidad de procesamiento de Google, se podrían resolver problemas que antes se consideraban "imposibles". Esta intuición dio origen a Google Brain.
Fundando el Proyecto Google Brain en 2011.
Google Brain no nació en un laboratorio sofisticado; comenzó como un proyecto ambicioso dentro de la hermética división Google X. Jeff se asoció con personas que aportaban una combinación de experiencia en sistemas y teoría de la IA. Siempre he admirado esta iniciativa porque no se trataba solo de matemáticas, sino de construir un sistema capaz de manejarlas a escala de internet.
Colaboración con Andrew Ng y Greg Corrado
El proyecto fue una colaboración entre Jeff, el profesor de Stanford Andrew Ng y el investigador de Google Greg Corrado. Andrew Ng aportó la visión del aprendizaje profundo, mientras que Jeff proporcionó la infraestructura necesaria para su funcionamiento. Crearon un sistema llamado DistBelief, precursor de TensorFlow. Fue diseñado para distribuir una única red neuronal entre miles de núcleos de CPU, una idea revolucionaria para la época.
Primeros hitos en el escalado de redes neuronales
El momento de revelación más famoso se produjo con el "Café del Gato" en 2012. Conectaron 16,000 procesadores informáticos para que vieran 10 millones de vídeos aleatorios de YouTube. Sin que ningún ser humano le dijera al sistema qué era un gato, una "neurona" específica de la red comenzó a activarse cada vez que veía la cara de un gato.
Recuerdo haber oído hablar de esto y pensar que era un poco tonto todo ese poder solo para encontrar gatos. Pero el punto no era el gato; era que el modelo aprendido un concepto en sí mismo. Esto demostró que el aprendizaje profundo solo necesitaba más datos y más capacidad de procesamiento para volverse inteligente.
TensorFlow: Inteligencia artificial de código abierto
Una vez que Google Brain demostró que estos modelos funcionaban, necesitaban una mejor manera de construirlos. En 2015, reemplazaron Dist Belief con Flujo tensor y, en un gesto sorprendente, lo regaló al mundo.
Impulsar la adopción global de marcos de aprendizaje automático
Al liberar el código fuente de TensorFlow, Jeff y su equipo establecieron un estándar para toda la industria. Lo he usado en docenas de proyectos y, aunque al principio su curva de aprendizaje fue pronunciada, cambió nuestra forma de concebir la programación. Transformó la inteligencia artificial, que antes era una especialidad para doctores, en algo que cualquier ingeniero de software podía implementar. Creó un lenguaje común para que investigadores y desarrolladores compartieran su trabajo.
Facilitando la transición de la investigación a la producción.
La verdadera belleza de TensorFlow reside en que no se limita a la experimentación. Fue diseñado pensando en la producción. Esto significa que se puede entrenar un modelo en un clúster gigante y luego implementarlo en un teléfono Android o un navegador web. Para un empresario, esto supone una gran ventaja, ya que la transición de una "buena idea" a un "producto funcional" es mucho más rápida.
TPU (Unidades de Procesamiento Tensorial): Hardware de IA personalizado
A medida que los modelos se volvían más complejos, ni siquiera la enorme flota de CPU de Google podía seguirles el ritmo. Jeff se dio cuenta de que, si querían seguir triunfando en IA, no podían limitarse a usar chips de propósito general. Necesitaban desarrollar los suyos propios.
Optimización de la física: La necesidad de silicio especializado
Él lideró el desarrollo de la Unidad de Procesamiento Tensorial (TPU). Mientras que una CPU es como una navaja suiza (puede hacer de todo, pero no destaca en nada en particular), una TPU es como una licuadora de alta velocidad diseñada exclusivamente para una tarea: la multiplicación de matrices. Dado que las redes neuronales son básicamente millones de ecuaciones matemáticas que involucran matrices, esta especialización fue una genialidad.
Lograr mejoras de eficiencia de 30 a 80 veces con respecto a las CPU tradicionales.
Los resultados fueron asombrosos. Las primeras TPU eran entre 15 y 30 veces más rápidas que las CPU y GPU contemporáneas que utilizaban. Y lo que es más importante, eran entre 30 y 80 veces más eficientes energéticamente. Suelo decir que, sin las TPU, aplicaciones como Google Translate o el reconocimiento de voz de Gboard serían mucho más lentas o excesivamente costosas de ejecutar. Jeff no solo creó un mejor software; transformó el hardware que el mundo utiliza para la IA.
Liderando el futuro de la IA generativa y Gemini
En los últimos años, la carrera por la IA ha pasado de preguntarse "¿podemos hacer esto?" a "¿con qué rapidez podemos escalarlo?". Jeff Dean se encuentra en el centro de este cambio. Si bien muchos lo conocen por la infraestructura que construyó la web moderna, ahora es el arquitecto que garantiza que Google no solo participe en la era de la IA generativa, sino que la defina.
El nacimiento de Géminis: la fusión de Brain y DeepMind
A principios de 2023, Google realizó un importante cambio interno al fusionar Google Brain y DeepMind en una sola unidad. De hecho, el nombre "Géminis" me pareció bastante apropiado; el propio Jeff lo sugirió porque representa la unión de "gemelos". Fue una estrategia para frenar la competencia interna y concentrar todo el talento de élite de Google en un solo objetivo: crear los mejores... Modelos de lenguaje grande (LLM) en el mundo. Esta fusión fue la pieza final necesaria para una profunda Integración de la IA en la búsqueda, lo que permite a Google ir más allá de la simple coincidencia de palabras clave y utilizar modelos generativos para comprender la verdadera intención del usuario.
Codirigir el desarrollo de modelos multimodales
El rol de Jeff como Científico Jefe implica que no se limita a observar desde la barrera; es un líder técnico para la familia Gemini. Lo que distingue a Gemini de los modelos anteriores es que fue diseñado para ser multimodal desde cero. He trabajado con modelos en los que hay que integrar un componente de visión por separado, pero la visión de Jeff era una arquitectura única y unificada que comprende de forma nativa texto, código, imágenes, audio y vídeo simultáneamente.
Posicionamiento competitivo frente a OpenAI y GPT-4
El mundo tecnológico adora las rivalidades, y el debate entre Gemini y GPT-4 es actualmente la batalla campal por el título. La estrategia de Jeff ha consistido en aprovechar las fortalezas únicas de Google: su enorme capacidad de procesamiento y su integración vertical. Al utilizar las TPU de Google, Gemini puede procesar muchos más datos de forma más eficiente que sus competidores que utilizan hardware de propósito general. He notado que Google está posicionando a Gemini como la opción "científica" e "integrada", la que impulsa todo, desde tu teléfono Android hasta la investigación de descubrimiento de fármacos más compleja.
La arquitectura transformadora y más allá
Es fácil olvidar que la tecnología que impulsa casi todas las IA modernas, la arquitectura Transformer, surgió de Google Research mientras Jeff dirigía la división.
Supervisar el éxito de 2017 de la campaña "Attention Is All You Need"
Aunque no fue autor principal del famoso artículo «La atención es todo lo que necesitas», Jeff supervisó el entorno que lo hizo posible. Proporcionó los recursos y la cultura de priorizar la infraestructura que permitió a los investigadores experimentar con el Mecanismo de Atención. Suelo decir que el Transformer es el invento más importante en Ciencias de la Computación de la última década; reemplazó métodos antiguos y lentos con algo que podía entrenarse en paralelo, que es precisamente el tipo de eficiencia que Jeff ha buscado durante toda su carrera.
Avances en la traducción automática y el procesamiento del lenguaje natural
Una de las cosas más geniales de esta época fue la traducción sin ejemplos previos. Recuerdo haber quedado asombrado cuando Google anunció que sus modelos podían traducir entre dos idiomas (como coreano y japonés) incluso sin haber visto nunca un ejemplo directo de esos dos idiomas juntos. Al encontrar un "lenguaje interno" o "interlingua" común, los equipos de Jeff demostraron que las redes neuronales estaban desarrollando una comprensión más profunda de la comunicación humana, y no solo memorizando patrones.
Filosofía, ética y los “Datos sobre Jeff Dean en Google”
Más allá del código y los enormes centros de datos, Jeff Dean se ha convertido en una especie de ícono cultural dentro de la comunidad tecnológica. Es raro que un ingeniero de software alcance tal nivel de fama como para que se escriban chistes al estilo de Chuck Norris sobre él, pero el impacto de Jeff en la cultura interna de Google es tan profundo que ha alcanzado un estatus legendario.
La leyenda de Jeff Dean: Dentro de la cultura de ingeniería de Google
Si pasas tiempo en Silicon Valley o en foros de ingeniería, tarde o temprano oirás hablar de la «cultura de Jeff». Es una combinación de una competencia técnica excepcional y una actitud sorprendentemente accesible y colaborativa. Siempre he creído que las empresas más exitosas no se basan solo en el talento, sino en un lenguaje común de excelencia, y en Google, ese lenguaje fue creado en gran medida por Jeff.
El origen de los datos irónicos sobre Jeff Dean.
Los “Hechos sobre Jeff Dean” comenzaron alrededor de 2007 como una broma interna de Google. Son afirmaciones breves y ridículas sobre sus habilidades de programación. Mi favorita es probablemente: “El teclado de Jeff Dean tiene una tecla de ‘Espera’, pero nunca la usa.” O bien, “La velocidad de la luz en el vacío solía ser de aproximadamente 35 km/h. Luego, Jeff Dean dedicó un fin de semana a optimizar la física.” Aunque se trata de bromas, nacen de un respeto genuino por su habilidad para resolver errores "imposibles" en una sola tarde. Esto crea un estándar que otros ingenieros de la empresa se esfuerzan por alcanzar.
Ingeniería colaborativa: La famosa cultura de las máquinas de café.
A pesar de ser investigador sénior y científico jefe, Jeff es conocido por su increíble accesibilidad. Existe una anécdota famosa sobre la cantidad de trabajo que se realiza en las micrococinas de Google. Jeff cree firmemente en el efecto de la "máquina de café", donde un ingeniero del equipo de Búsqueda y otro del equipo de Android se encuentran, toman un café con leche y resuelven un problema interdepartamental. He intentado replicar esto en equipos más pequeños; se trata de eliminar las barreras entre departamentos para que el conocimiento de Sistemas Distribuidos pueda ayudar a alguien que trabaja en Aprendizaje Automático.
IA ética y responsabilidad social
A medida que la IA ha pasado de ser un proyecto de investigación a una herramienta que afecta a miles de millones de vidas, Jeff ha centrado gran parte de su atención en cómo usar este poder de forma responsable. Ha sido un firme defensor de que la Inteligencia Artificial no solo cree mejores anuncios, sino que realmente ayude a la humanidad.
Aplicación del aprendizaje automático a la atención médica y al cambio climático.
Su trabajo en el sector sanitario me parece especialmente sólido. Jeff ha liderado proyectos que utilizan redes neuronales para detectar la retinopatía diabética a partir de escáneres oculares y predecir la evolución de los pacientes en hospitales. En cuanto al cambio climático, ha impulsado el uso de la IA para optimizar el consumo energético de los centros de datos de Google, que son grandes consumidores de energía. Mediante el aprendizaje por refuerzo, lograron reducir en un 40 % la energía necesaria para la refrigeración de sus centros. Es un ejemplo práctico de cómo utilizar las herramientas de las grandes empresas tecnológicas para resolver problemas globales.
Principios de equidad y transparencia en el desarrollo de la IA
Jeff también fue fundamental en la redacción de los Principios de IA de Google. Estas son las reglas que establecen que Google no creará IA para armas ni para vigilancia que viole los derechos humanos. A menudo habla de la necesidad de "interpretabilidad", básicamente, de asegurarse de que entendamos por qué Un modelo como Gemini o PaLM tomó una decisión determinada. En mi experiencia, la transparencia es la parte más difícil de la IA, pero el enfoque de Jeff en el aprendizaje federado (que mantiene los datos en tu dispositivo en lugar de en la nube) demuestra que se toma en serio la privacidad y la ética.
Premios, reconocimientos y legado filantrópico
Si bien la influencia de Jeff Dean es más visible en el código que se ejecuta en los servidores de Google, la comunidad de la informática lleva décadas reconociendo oficialmente su impacto. Más allá de los elogios técnicos, también se ha centrado en utilizar su éxito para abrir puertas a otros mediante importantes iniciativas filantrópicas.
Licenciatura con honores en Ciencias de la Computación
Es difícil encontrar un premio importante en el mundo de la informática que Jeff no haya ganado. No se trata de simples "trofeos de participación", sino que representan el reconocimiento de la industria a que los cimientos de internet modernos fueron construidos en gran medida por él.
Premio ACM en Informática y Medalla IEEE von Neumann
En 2012, Jeff y su socio de larga trayectoria en programación, Sanjay Ghemawat, recibieron el Premio ACM de Computación (anteriormente Premio ACM-Infosys Foundation). Este reconocimiento se otorgó específicamente por su trabajo en MapReduce y BigTable, que transformó radicalmente la forma en que el mundo gestiona grandes volúmenes de datos. Más recientemente, en 2021, recibió la Medalla IEEE John von Neumann. Este prestigioso galardón se concede por "logros sobresalientes en ciencia y tecnología relacionadas con la informática". Al consultar la lista de ganadores anteriores, se puede apreciar a las personas que hicieron posible el mundo moderno.
Elección a la Academia Nacional de Ingeniería
En 2009, Jeff fue elegido miembro de la Academia Nacional de Ingeniería. Para un ingeniero, este es uno de los mayores honores profesionales que se pueden obtener. Fue un reconocimiento a su trabajo en sistemas distribuidos y a la impresionante escalabilidad de la infraestructura que diseñó. Siempre me ha parecido admirable que recibiera este reconocimiento tan pronto, mucho antes de que la inteligencia artificial se convirtiera en un término de moda.
La Fundación Hopper-Dean
Jeff y su esposa, Heidi Hopper, también han tenido un gran impacto a través de la Fundación Hopper-Dean, que crearon en 2011. Admiro mucho la precisión de sus donaciones: no se limitan a donar dinero a causas generales, sino que se centran en áreas específicas donde pueden generar un cambio sistémico.
Fomentar la diversidad en la educación STEM.
Una gran parte de su labor filantrópica se destina a la diversidad en las áreas STEM (ciencia, tecnología, ingeniería y matemáticas). Han financiado programas diseñados para atraer a más mujeres y grupos subrepresentados a la informática. He visto algunos de los programas que apoyan, como el programa "Berkeley CS Scholars", y los resultados son tangibles. Se trata de algo más que una beca; se trata de brindar la mentoría y la comunidad que mantienen a los estudiantes en el programa cuando surgen dificultades.
Importantes subvenciones al MIT y a la UC Berkeley.
La fundación ha otorgado subvenciones multimillonarias a algunas de las universidades técnicas más prestigiosas del mundo. En 2016, donaron un millón de dólares a la UC Berkeley y al MIT (y posteriormente millones más a instituciones como Stanford, Carnegie Mellon y la Universidad de Washington) específicamente para apoyar iniciativas de diversidad en sus departamentos de informática. No solo financian a la próxima generación de ingenieros, sino que también se esfuerzan por garantizar que esta generación refleje la diversidad del mundo para el que se está construyendo.
¿Sigue Jeff Dean en Google?
Sí, Jeff Dean es actualmente el científico jefe de Google, donde codirige la unidad Google DeepMind y supervisa el desarrollo de los modelos Gemini.
¿Cuál es el puesto de Jeff Dean en Google?
Jeff Dean es un Google Senior Fellow, lo que internamente se conoce como Nivel 11. Se trata de un rango técnico de élite, poco común, creado específicamente para reconocer sus contribuciones fundamentales a la empresa.
¿Qué inventó Jeff Dean?
Fue cocreador de muchos de los sistemas fundamentales que sustentan internet hoy en día, incluidos MapReduce, BigTable, Spanner y el marco de aprendizaje automático TensorFlow.
¿Dónde estudió Jeff Dean?
Obtuvo su licenciatura en la Universidad de Minnesota y posteriormente se doctoró en Informática por la Universidad de Washington, especializándose en la optimización de compiladores.
Advertencia: Clave de matriz indefinida "pregunta" en /inicio/clickrank/htdocs/www.clickrank.ai/wp-content/plugins/contenido-estructurado/plantillas/códigos-cortos/multi-faq.php 5
Advertencia: Clave de matriz indefinida "respuesta" en /inicio/clickrank/htdocs/www.clickrank.ai/wp-content/plugins/contenido-estructurado/plantillas/códigos-cortos/multi-faq.php 20
: str_contains(): Pasar nulo al parámetro n.º 1 ($haystack) de tipo cadena está en desuso en /inicio/clickrank/htdocs/www.clickrank.ai/wp-includes/shortcodes.php 246
: htmlspecialchars_decode(): Pasar nulo al parámetro n.° 1 ($string) del tipo string está obsoleto en /inicio/clickrank/htdocs/www.clickrank.ai/wp-content/plugins/contenido-estructurado/plantillas/códigos-cortos/multi-faq.php 20
