Jeff Dean di Google: l'architetto dell'intelligenza artificiale moderna e dell'infrastruttura informatica di Google

Quando parliamo della storia di Internet, di solito ci concentriamo sui fondatori, ma il vero "motore" del web moderno è stato costruito da Jeff Dean di Google. Per comprenderne l'impatto, bisogna osservare come cerchiamo, traduciamo e, ora, interagiamo con l'intelligenza artificiale.

Ho sempre pensato che, mentre gli altri sognavano cosa sarebbe potuto diventare internet, Jeff fosse colui che stava scoprendo la fisica necessaria per renderlo scalabile a miliardi di persone. Dai suoi esordi, quando riscriveva i sistemi di indicizzazione di Google, al suo attuale ruolo di responsabile di Google DeepMind, la sua carriera è stata una vera e propria lezione magistrale su come costruire l'infrastruttura che permette a modelli linguistici complessi come Gemini di esistere.

Chi è Jeff Dean? Una panoramica sul responsabile scientifico di Google.

Osservando il funzionamento attuale di Internet, si nota subito l'impronta di Jeff Dean, presente in ogni sua parte. Non è un semplice dirigente; è essenzialmente l'"ingegnere degli ingegneri", colui che ha contribuito a trasformare Google da un progetto nato in un garage a un'azienda di rilevanza globale.

Ricordo di aver letto, all'inizio della mia carriera, i meme sui "Jeff Dean Facts", battute su di lui che attaccava la coda a un albero binario o sulla sua tastiera con solo due tasti (0 e 1). Per quanto divertenti, la realtà è ben più impressionante. Entrò in azienda nel 1999 come ventesimo dipendente e si dedicò alla creazione dei sistemi che gestiscono l'indicizzazione dei motori di ricerca, l'infrastruttura di crawling e l'erogazione delle query. Se vi siete mai chiesti come un motore di ricerca restituisca milioni di risultati in 0.2 secondi, la risposta di solito coinvolge un sistema che Jeff ha contribuito a progettare.

Ruolo attuale e leadership in Google DeepMind

Attualmente Jeff ricopre il ruolo di Chief Scientist presso Google, una posizione in cui funge essenzialmente da ponte tra la ricerca teorica e l'ingegneria pratica. Si dedica a definire la direzione dei progetti più ambiziosi dell'azienda, concentrandosi in particolare su come l'intelligenza artificiale possa risolvere problemi complessi del mondo reale.

Passaggio da Google Brain a Chief Scientist

Nel 2023, Google ha compiuto una mossa epocale unendo le sue due unità di punta nel campo dell'intelligenza artificiale: Google Brain (cofondata da Jeff) e DeepMind. Prima di questa fusione, Jeff guidava il team di Brain, dove aveva contribuito a sviluppare TensorFlow e modelli linguistici complessi come PaLM. Ho seguito da vicino questa transizione perché ha segnato un cambiamento nel modo in cui opera il settore. È passato dalla gestione di un team specifico a un ruolo di leadership più ampio, assicurandosi che la ricerca proveniente dai laboratori venisse effettivamente integrata in prodotti come Gemini e Android.

Supervisione della divisione unificata di ricerca sull'intelligenza artificiale

Ora Jeff lavora a fianco di Demis Hassabis per gestire l'entità unificata Google DeepMind. Il suo compito è assicurarsi che i ricercatori di livello mondiale non lavorino in modo isolato. Ad esempio, quando osservo come Gemini si integra con la ricerca, vedo l'influenza di Jeff nel garantire che i sistemi distribuiti siano in grado di gestire l'enorme potenza di calcolo richiesta per il Machine Learning su quella scala. Si assicura che le scoperte nelle reti neurali siano effettivamente sufficientemente efficienti da poter essere eseguite su migliaia di TPU (Tensor Processing Unit) senza mandare in crash l'intero sistema.

Formazione scolastica e prime influenze accademiche.

Jeff non si è svegliato un giorno e ha capito come costruire sistemi di archiviazione distribuiti. Il suo percorso accademico si è concentrato su come i computer "pensano" e su come farli lavorare più velocemente.

Studi universitari presso l'Università del Minnesota

Jeff ha conseguito la laurea in Informatica ed Economia presso l'Università del Minnesota. Trovo interessante che abbia studiato economia insieme all'informatica; probabilmente lo ha aiutato a comprendere l'efficienza e l'allocazione delle risorse necessarie per progetti come AdSense. Durante questo periodo, ha anche lavorato per l'Organizzazione Mondiale della Sanità, creando un software per monitorare il Programma Globale sull'AIDS. È un ottimo esempio di come utilizzasse i dati per risolvere problemi su larga scala ancor prima che internet diventasse un argomento di uso comune.

Ricerca di dottorato in ottimizzazione dei compilatori presso l'Università di Washington.

È durante il suo dottorato che le cose si sono fatte davvero tecniche. All'Università di Washington, Jeff ha concentrato il suo dottorato di ricerca sull'ottimizzazione dei compilatori. Se non siete sviluppatori, un compilatore è fondamentalmente un traduttore che trasforma il codice umano in istruzioni macchina. La ricerca di Jeff si è concentrata sul rendere questo processo più veloce ed efficiente. Quando studiavo architettura di sistema, ho capito che questa sua precoce ossessione per l'efficienza è esattamente il motivo per cui è stato in grado di creare MapReduce e BigTable in seguito. Sa come spremere fino all'ultima goccia di prestazioni da un processore.

Costruire le fondamenta: i primi anni di Jeff Dean in Google

Quando si parla del “segreto del successo” di Google, di solito si menziona il page Rank Algoritmo. Ma da ingegnere, io guardo all'impianto idraulico. Jeff Dean è colui che ha costruito i tubi che hanno permesso a quella salsa di fluire verso milioni di persone contemporaneamente. Agli inizi, Google non era la macchina perfetta che vediamo oggi; era una startup grintosa che cercava di non crollare sotto il proprio peso.

Sono entrato a far parte di Google come dipendente numero 30.

Jeff è entrato in Google a metà del 1999. All'epoca, l'azienda stava ancora cercando di affermarsi in un mercato affollato di motori di ricerca. Ho sempre trovato interessante il fatto che non fosse presente fin dal primo giorno, eppure il suo impatto è stato così immediato da diventare sinonimo del DNA tecnico dell'azienda. Non si limitava a scrivere codice; stava progettando il funzionamento di un enorme sistema distribuito quando si devono gestire petabyte di dati.

Risolvere il “grave guasto del sistema” del 1999

Poco dopo aver iniziato, Google si trovò di fronte a un ostacolo insormontabile. L'indice era praticamente inutilizzabile e il motore di ricerca non riusciva ad aggiornare i risultati. Mi è capitato di trovarmi in situazioni di emergenza, con un sito web che andava offline, ma questa volta si trattava di un problema di portata globale. Jeff e Sanjay Ghemawat, suo collaboratore di lunga data, intervennero per riscrivere il sistema di indicizzazione. Non si limitarono a una semplice riparazione; cambiarono radicalmente il modo in cui i dati venivano archiviati e recuperati, garantendo così il funzionamento del sito durante un periodo di crescita cruciale.

Progettazione delle prime cinque generazioni di indicizzazione di Google Ricerca

Negli anni successivi, Jeff ha guidato la progettazione di diverse generazioni del sistema di indicizzazione dei motori di ricerca. Ogni versione doveva essere esponenzialmente più potente della precedente. Ha trasformato Google da un semplice crawler a una sofisticata infrastruttura di crawling in grado di gestire la crescente complessità del web. Ho letto che ha contribuito alla transizione del sistema verso l'utilizzo di BigTable, che ha permesso una scalabilità enorme. È per questo che, quando si effettua una ricerca oggi, non si visualizzano dati del mese scorso, ma spesso di pochi secondi prima.

L'architettura di Google Ads (AdSense)

Oltre a trovare informazioni, Google doveva capire come rimanere sul mercato. È qui che il lavoro di Jeff su AdSense si è rivelato una vera e propria svolta (anche se detesto usare questa espressione, non c'è altro modo per dirlo). Ha applicato la sua conoscenza dei sistemi al mondo della pubblicità digitale, creando una piattaforma in grado di pubblicare annunci alla stessa velocità dei risultati di ricerca.

Scalabilità dei sistemi iniziali di pubblicazione degli annunci

La sfida con le pubblicità non è solo mostrare un banner; è farlo miliardi di volte al giorno senza rallentare l'esperienza utente. Jeff ha contribuito a costruire il backend che gestiva il Query Serving per la rete pubblicitaria. Ho lavorato a implementazioni pubblicitarie in cui anche un ritardo di 500 ms comprometteva le conversioni. Il lavoro di Jeff ha garantito che gli annunci si caricassero quasi istantaneamente. Si è concentrato su latenza e throughput, assicurandosi che l'hardware, spesso costituito da server economici standard, fosse in grado di gestire il carico senza problemi.

Migliorare la pertinenza attraverso algoritmi di analisi dei contenuti

Inizialmente, gli annunci pubblicitari erano piuttosto inefficaci. Jeff lavorò sugli algoritmi che analizzavano il testo di una pagina web per determinarne l'argomento principale. Si trattava di una forma embrionale di recupero delle informazioni e di elaborazione del linguaggio naturale. Ad esempio, se stavo leggendo un blog sulla mountain bike, i sistemi di Jeff garantivano che gli annunci riguardassero caschi e non cibo per gatti. Migliorando questa "pertinenza", rese gli annunci più utili per gli utenti e significativamente più redditizi per Google.

Sistemi distribuiti e infrastrutture dati rivoluzionarie

Nei primi anni 2000, Google si trovò ad affrontare un problema che nessuno aveva mai risolto prima: come elaborare i dati quando la quantità è tale da non poter essere contenuta in una singola macchina? O persino in cento macchine? Jeff Dean non solo risolse questo problema per Google, ma scrisse praticamente il manuale per l'intero settore tecnologico su come costruire sistemi distribuiti che non collassino.

MapReduce: Trasformare l'elaborazione di dati su larga scala

Prima di MapReduce, per elaborare un set di dati di grandi dimensioni, era necessario scrivere codice personalizzato e complesso per gestire la distribuzione dei dati e i guasti hardware. Era un vero incubo. Jeff e Sanjay Ghemawat hanno ideato un modo per semplificare questo processo, suddividendo le attività in due fasi: "Mapping" (ordinamento dei dati) e "Reducing" (combinazione).

La svolta del 2004 nel calcolo distribuito

Quando nel 2004 venne pubblicato il documento su MapReduce, tutto cambiò. Ho parlato con ingegneri che ricordano quel momento come se finalmente qualcuno avesse spiegato come utilizzare un enorme cluster di computer economici come se fosse un unico, gigantesco e affidabile supercomputer. Gestiva tutte le attività "noiose", come il tentativo di ripetere le operazioni fallite e lo spostamento dei dati, permettendo ai programmatori di concentrarsi esclusivamente sulla logica di programmazione. A Google, questo ha consentito di rigenerare l'intero indice di ricerca molto più velocemente che mai.

Impatto sugli ecosistemi open-source come Hadoop

Ecco dove la cosa si fa interessante per tutti noi. Google non ha reso pubblico il codice interno di MapReduce, ma il documento era così dettagliato da aver ispirato la creazione di Hadoop. Se avete mai lavorato nel campo dei "Big Data", avete sicuramente utilizzato l'ecosistema nato dalla ricerca di Jeff. Hadoop ha democratizzato il calcolo ad alte prestazioni, consentendo anche alle piccole startup di elaborare petabyte di dati utilizzando la stessa filosofia che Google ha impiegato per dominare il settore della ricerca.

BigTable e Spanner: la spina dorsale dei database globali

Se MapReduce fosse il modo in cui Google elaborati dati, BigTable e Spanner erano il modo in cui memorizzati Spesso descrivo Big Table come un gigantesco foglio di calcolo distribuito che risiede su migliaia di server. È stato progettato per essere "sparso" e "distribuito", ovvero in grado di memorizzare qualsiasi cosa, dai piccoli URL alle enormi immagini satellitari per Google Earth.

Implementazione di un sistema di archiviazione distribuito per miliardi di richieste

La vera sfida con un database globale è la velocità. Quando io sono a New York e tu sei a Londra, entrambi ci aspettiamo che Google conosca le nostre impostazioni all'istante. BigTable offriva la scalabilità necessaria per gestire questa esigenza, ma presentava un punto debole: non era in grado di mantenere i dati perfettamente coerenti in tutto il mondo in tempo reale. Questo ha spinto Jeff e il suo team a creare Spanner, il primo database scalabile a livello globale che mantiene i dati perfettamente sincronizzati.

Risolvere il problema di coerenza con TrueTime di Spanner

Questo è uno di quei momenti da "scienziato pazzo" nel mondo della tecnologia. Per far funzionare Spanner, Jeff ha utilizzato una tecnologia chiamata True-time. Hanno installato orologi atomici e ricevitori GPS in ogni data center di Google. Grazie alla precisione di questi orologi, il sistema sa esattamente quando è avvenuta una transazione, anche se i server si trovano a migliaia di chilometri di distanza. Questo ha risolto il problema della "coerenza", garantendo che se aggiorno la mia password in un posto, non venga bloccato in un altro a causa di un ritardo di sincronizzazione.

Buffer di livello Db e di protocollo

Sebbene Big Table sia un sistema gigantesco, Jeff ha anche riconosciuto la necessità di strumenti più piccoli ed efficienti. Ha quindi co-creato Level Db, una libreria veloce per l'archiviazione chiave-valore. Se usi Google Chrome, in realtà stai già usando Level Db: è il motore di "Indexed Db" che i siti web utilizzano per memorizzare i dati nel tuo browser.

Contributi open-source all'archiviazione e alla serializzazione dei dati

Jeff ha anche guidato la progettazione di Protocol Buffers (protobuf). Prima di allora, i sistemi utilizzavano spesso XML per comunicare tra loro, il che risultava lento e ingombrante. Ho utilizzato protobuf in diversi progetti e ho constatato che sono significativamente più veloci e compatti. Si tratta di un metodo indipendente dal linguaggio per impacchettare i dati in modo che possano essere inviati rapidamente su una rete. È una di quelle tecnologie "invisibili" che rendono il web moderno così veloce.

L'ascesa di Google Brain e l'era del deep learning

Intorno al 2011, il mondo della tecnologia era ancora un po' scettico riguardo alle reti neurali. La maggior parte dei ricercatori le considerava troppo complesse e difficili da addestrare. Ma Jeff Dean aveva un'idea diversa. Si rese conto che combinando questi modelli ispirati al cervello con l'enorme potenza di calcolo di Google, si potevano risolvere problemi che prima erano considerati "impossibili". Questa intuizione portò alla nascita di Google Brain.

Fondazione del Google Brain Project nel 2011

Google Brain non è nato in un laboratorio all'avanguardia; è iniziato come un progetto "ambizioso" all'interno della riservatissima divisione Google X. Jeff ha collaborato con persone che possedevano competenze sia in ambito sistemico che teorico sull'intelligenza artificiale. Ho sempre ammirato questa scelta perché non si trattava solo di matematica, ma di costruire un sistema in grado di gestire i calcoli su una scala paragonabile a quella di Internet.

Collaborazione con Andrew Ng e Greg Corrado

Il progetto è nato dalla collaborazione tra Jeff, il professore di Stanford Andrew Ng e il ricercatore di Google Greg Corrado. Andrew Ng ha apportato la visione del deep learning, mentre Jeff ha fornito il genio infrastrutturale necessario per realizzarlo. Hanno creato un sistema chiamato DistBelief, il predecessore di TensorFlow. Era stato progettato per distribuire una singola rete neurale su migliaia di core della CPU, un'idea rivoluzionaria per l'epoca.

Prime tappe fondamentali nella scalabilità delle reti neurali

Il momento di "illuminazione" più famoso è arrivato con il "Cat Paper" nel 2012. Hanno collegato 16,000 processori di computer per guardare 10 milioni di video casuali su YouTube. Senza che alcun essere umano dicesse al sistema cosa fosse un gatto, uno specifico "neurone" nella rete ha iniziato ad attivarsi ogni volta che vedeva il muso di un gatto.

Ricordo di averne sentito parlare e di aver pensato che fosse un po' sciocco tutto quel potere solo per trovare dei gatti? Ma il punto non era il gatto; era che il modello imparato Un concetto a sé stante. Ciò ha dimostrato che il Deep Learning aveva solo bisogno di più dati e più potenza di calcolo per diventare intelligente.

TensorFlow: Intelligenza Artificiale Open Source

Una volta che Google Brain ha dimostrato che questi modelli funzionavano, avevano bisogno di un modo migliore per costruirli. Nel 2015, hanno sostituito Dist Belief con Flusso del tensore e, con una mossa sorprendente, lo ha regalato al mondo intero.

Promuovere l'adozione globale dei framework di apprendimento automatico

Rendendo TensorFlow open source, Jeff e il suo team hanno di fatto definito lo standard per l'intero settore. L'ho utilizzato in decine di progetti e, sebbene all'inizio la curva di apprendimento fosse ripida, ha cambiato il nostro modo di pensare al codice. Ha trasformato l'intelligenza artificiale da specializzazione per dottorandi in qualcosa che un normale ingegnere del software può implementare. Ha creato un linguaggio comune che permette a ricercatori e sviluppatori di condividere il proprio lavoro.

Abilitare i processi che collegano la ricerca alla produzione.

Il vero punto di forza di TensorFlow è che non è pensato solo per la sperimentazione. È stato progettato pensando alla "produzione". Ciò significa che è possibile addestrare un modello su un cluster di grandi dimensioni e poi distribuirlo su un telefono Android o un browser web. Per un imprenditore, questo è un vantaggio enorme: significa che la transizione da "idea interessante" a "prodotto funzionante" è molto più rapida.

TPU (Tensor Processing Units): hardware AI personalizzato

Man mano che i modelli diventavano più complessi, nemmeno l'enorme flotta di CPU di Google riusciva a tenere il passo. Jeff capì che, se volevano continuare a primeggiare nell'IA, non potevano limitarsi a usare chip generici. Dovevano costruirne di propri.

Ottimizzazione della fisica: la necessità di silicio specializzato

Ha guidato lo sviluppo della Tensor Processing Unit (TPU). Mentre una CPU è come un coltellino svizzero (può fare qualsiasi cosa, ma non eccelle in nulla), una TPU è come un frullatore ad alta velocità progettato per un unico compito: la moltiplicazione di matrici. Poiché le reti neurali sono essenzialmente milioni di equazioni matematiche che coinvolgono matrici, questa specializzazione è stata un vero e proprio colpo di genio.

Conseguimento di un'efficienza da 30 a 80 volte superiore rispetto alle CPU tradizionali.

I risultati furono sbalorditivi. Le prime TPU erano circa 15-30 volte più veloci delle CPU e GPU dell'epoca. Cosa ancora più importante, erano da 30 a 80 volte più efficienti dal punto di vista energetico. Spesso dico che senza le TPU, servizi come Google Traduttore o il riconoscimento vocale di Gboard sarebbero molto più lenti o troppo costosi da utilizzare. Jeff non si è limitato a scrivere un software migliore; ha letteralmente cambiato l'hardware che il mondo usa per l'intelligenza artificiale.

Guidare il futuro dell'IA generativa e Gemini

Negli ultimi due anni, la corsa all'intelligenza artificiale si è spostata dal "possiamo farlo?" al "quanto velocemente possiamo scalare?". Jeff Dean è proprio al centro di questa trasformazione. Sebbene molti lo conoscano per l'infrastruttura che ha costruito il web moderno, ora è l'architetto che garantisce che Google non solo partecipi all'era dell'IA generativa, ma la definisca.

La nascita dei Gemelli: la fusione tra cervello e mente profonda

All'inizio del 2023, Google ha effettuato un'importante svolta interna unendo Google Brain e DeepMind in un'unica unità. In realtà ho trovato il nome "Gemini" piuttosto azzeccato; Jeff stesso lo ha suggerito perché rappresenta l'unione di "gemelli". È stata una mossa strategica per fermare la competizione interna e concentrare tutti i talenti d'élite di Google su un unico obiettivo: creare il più capace Grandi modelli linguistici (LLM) nel mondo. Questa fusione è stata l'ultimo tassello necessario per una profonda Integrazione dell'IA nella ricercaCiò consente a Google di andare oltre la semplice corrispondenza di parole chiave e di utilizzare modelli generativi per comprendere la vera intenzione dell'utente.

Co-dirigere lo sviluppo di modelli multimodali

Il ruolo di Jeff come Chief Scientist significa che non si limita a osservare da bordo campo; è un responsabile tecnico per la famiglia Gemini. Ciò che distingue Gemini dai modelli precedenti è che è stato progettato per essere multimodale fin dalle fondamenta. Ho lavorato con modelli in cui era necessario "collegare" un componente di visione separato, ma la visione di Jeff era quella di un'architettura unica e unificata in grado di comprendere nativamente testo, codice, immagini, audio e video contemporaneamente.

Posizionamento competitivo rispetto a OpenAI e GPT-4

Il mondo della tecnologia adora le rivalità, e il dibattito Gemini contro GPT-4 è attualmente l'incontro per il titolo dei pesi massimi. La strategia di Jeff è stata quella di puntare sui punti di forza unici di Google: la potenza di calcolo massiva e l'integrazione verticale. Utilizzando le TPU proprietarie di Google, Gemini può elaborare molti più dati in modo più efficiente rispetto ai concorrenti che si affidano ad hardware generico. Ho notato che Google sta posizionando Gemini come la scelta "scientifica" e "integrata", quella che alimenta tutto, dal tuo telefono Android alla complessa ricerca per la scoperta di farmaci.

L'architettura del trasformatore e oltre

È facile dimenticare che la tecnologia alla base di quasi tutte le moderne intelligenze artificiali, la Transformer Architecture, è nata in Google Research mentre Jeff era a capo della divisione.

Supervisione del successo 2017 di "Attention Is All You Need"

Sebbene non fosse uno degli autori principali del famoso articolo "Attention Is All You Need", Jeff ha supervisionato l'ambiente che lo ha reso possibile. Ha fornito le risorse e la cultura "infrastructure-first" che hanno permesso ai ricercatori di sperimentare con il Meccanismo dell'Attenzione. Spesso dico che il Transformer è l'invenzione più importante nell'informatica dell'ultimo decennio; ha sostituito i metodi più vecchi e lenti con qualcosa che poteva essere addestrato in parallelo, che è esattamente il tipo di efficienza che Jeff ha dedicato tutta la sua carriera a perseguire.

Avanzamento della traduzione zero-shot e dell'elaborazione del linguaggio naturale

Una delle cose più interessanti emerse da quest'epoca è stata la traduzione a zero colpi (Zero-Shot Translation). Ricordo di essere rimasto sbalordito quando Google annunciò che i suoi modelli potevano tradurre tra due lingue (come il coreano e il giapponese) anche senza aver mai visto un esempio diretto di quelle due lingue insieme. Trovando un "linguaggio interno" o "interlingua" comune, i team di Jeff dimostrarono che le reti neurali stavano sviluppando una comprensione più profonda della comunicazione umana, non limitandosi a memorizzare schemi.

Filosofia, etica e le "Cosa c'è da sapere su Jeff Dean cercando su Google"

Al di là del codice e degli enormi data center, Jeff Dean è diventato una sorta di icona culturale nella comunità tecnologica. È raro che un ingegnere del software raggiunga un livello di fama tale da meritare battute in stile "Chuck Norris", ma l'impatto di Jeff sulla cultura interna di Google è così profondo da averlo reso una figura leggendaria.

La leggenda di Jeff Dean: uno sguardo alla cultura ingegneristica di Google

Se trascorrete del tempo nella Silicon Valley o sui forum di ingegneria, prima o poi sentirete parlare della "cultura di Jeff". Si tratta di un mix di estrema competenza tecnica e di un atteggiamento sorprendentemente accessibile e collaborativo. Ho sempre pensato che le aziende di maggior successo non si basino solo sul talento, ma su un linguaggio condiviso di eccellenza e, in Google, quel linguaggio è stato in gran parte scritto da Jeff.

L'origine dell'espressione ironica "Jeff Dean Facts"

Le "Curiosità su Jeff Dean" sono nate intorno al 2007 come uno scherzo interno a Google. Si tratta di affermazioni brevi e assurde sulle sue capacità di programmazione. La mia preferita è probabilmente: "La tastiera di Jeff Dean ha un tasto 'Attendi', ma lui non lo usa mai." oro, "La velocità della luce nel vuoto era un tempo di circa 35 km/h. Poi Jeff Dean ha passato un fine settimana a ottimizzare le leggi della fisica." Sebbene siano battute, nascono da un autentico rispetto per la sua capacità di risolvere bug "impossibili" in un solo pomeriggio. Questo crea uno standard a cui gli altri ingegneri dell'azienda aspirano.

Ingegneria collaborativa: la famosa cultura della macchina del caffè

Nonostante sia Senior Fellow e Chief Scientist, Jeff è noto per la sua incredibile disponibilità. C'è un aneddoto famoso su quanto lavoro venga svolto nelle micro-cucine di Google. Jeff crede fermamente nell'effetto "macchina del caffè", in cui un ingegnere del team di Ricerca e un ingegnere del team Android si incontrano, prendono un caffè e risolvono un problema interfunzionale. Ho cercato di replicare questo approccio in team più piccoli; si tratta di abbattere i silos in modo che la conoscenza dei Sistemi Distribuiti possa aiutare chi lavora sull'Apprendimento Automatico.

IA etica e responsabilità sociale

Ora che l'intelligenza artificiale è passata da progetto di ricerca a strumento che influenza la vita di miliardi di persone, Jeff ha concentrato gran parte della sua attenzione su come utilizzare questo potere in modo responsabile. Si è fatto portavoce della necessità che l'intelligenza artificiale non si limiti a creare pubblicità migliori, ma che apporti un reale beneficio all'umanità.

Applicazione dell'apprendimento automatico alla sanità e ai cambiamenti climatici.

Trovo il suo lavoro nel settore sanitario particolarmente concreto. Jeff ha guidato progetti che utilizzano le reti neurali per rilevare la retinopatia diabetica tramite scansioni oculari e per prevedere l'esito clinico dei pazienti negli ospedali. In termini di cambiamento climatico, si è battuto per l'utilizzo dell'intelligenza artificiale al fine di ottimizzare il consumo energetico dei data center di Google, che sono enormi consumatori di energia. Grazie all'apprendimento per rinforzo, sono riusciti a ridurre del 40% il consumo energetico per il raffreddamento dei loro centri. È un esempio pratico di come utilizzare strumenti tecnologici avanzati per risolvere problemi di portata globale.

Principi di equità e trasparenza nello sviluppo dell'IA

Jeff ha avuto un ruolo determinante anche nella stesura dei Principi sull'IA di Google. Si tratta delle regole che stabiliscono che Google non svilupperà IA per armi o per la sorveglianza che viola i diritti umani. Spesso parla della necessità di "interpretabilità", ovvero di assicurarsi che possiamo comprendere perché Un modello come Gemini o PaLM ha preso una determinata decisione. Nella mia esperienza, la trasparenza è la parte più difficile dell'IA, ma l'attenzione di Jeff sull'apprendimento federato (che mantiene i dati sul dispositivo anziché sul cloud) dimostra che prende sul serio la privacy e l'etica.

Premi, riconoscimenti e eredità filantropica

Sebbene l'influenza di Jeff Dean sia più evidente nel codice che gira sui server di Google, la comunità informatica ha impiegato decenni per riconoscere ufficialmente il suo impatto. Oltre ai riconoscimenti tecnici, si è anche impegnato a utilizzare il suo successo per aprire le porte ad altri attraverso importanti iniziative filantropiche.

Laurea con lode in Informatica

È difficile trovare un premio importante nel mondo dell'informatica che Jeff non abbia vinto. Non si tratta di semplici "premi di consolazione", ma del riconoscimento da parte del settore del fatto che le fondamenta dell'internet moderno sono state in gran parte gettate grazie al suo contributo.

Premio ACM per l'informatica e medaglia von Neumann dell'IEEE

Nel 2012, Jeff e il suo storico collaboratore, Sanjay Ghemawat, hanno ricevuto l'ACM Prize in Computing (precedentemente noto come ACM-Infosys Foundation Award). Il premio è stato assegnato specificamente per il loro lavoro su MapReduce e BigTable, che hanno letteralmente trasformato il modo in cui il mondo gestisce i dati su larga scala. Più recentemente, nel 2021, gli è stata conferita la medaglia IEEE John von Neumann. Si tratta di un riconoscimento prestigioso, assegnato per "eccezionali risultati nel campo della scienza e della tecnologia informatica". Scorrendo l'elenco dei vincitori, si scopre che si tratta di persone che hanno contribuito a plasmare il mondo moderno.

Elezione all'Accademia Nazionale di Ingegneria

Nel 2009, Jeff è stato eletto alla National Academy of Engineering. Per un ingegnere, questo è uno dei più alti riconoscimenti professionali che si possano ottenere. È stato un premio per il suo lavoro sui sistemi distribuiti e per l'incredibile scalabilità dell'infrastruttura che ha progettato. Ho sempre trovato impressionante che gli sia stato conferito questo riconoscimento così presto, molto prima che l'intelligenza artificiale diventasse un termine di uso comune.

La Fondazione Hopper-Dean

Jeff e sua moglie, Heidi Hopper, hanno avuto un impatto enorme anche attraverso la Hopper-Dean Foundation, che hanno fondato nel 2011. Apprezzo molto la miratezza delle loro donazioni: non si limitano a elargire denaro a cause generiche, ma si concentrano su aree specifiche in cui possono fare la differenza a livello sistemico.

Sostenere la diversità nell'istruzione STEM

Gran parte delle loro attività filantropiche è destinata alla promozione della diversità nelle discipline STEM (scienza, tecnologia, ingegneria e matematica). Hanno finanziato programmi volti a incoraggiare un maggior numero di donne e gruppi sottorappresentati ad avvicinarsi all'informatica. Ho visto alcuni dei programmi che sostengono, come il "Berkeley CS Scholars", e i risultati sono concreti. Non si tratta solo di una borsa di studio; si tratta di fornire il tutoraggio e la comunità necessari affinché gli studenti continuino a impegnarsi nel programma anche nei momenti difficili.

Importanti finanziamenti al MIT e all'UC Berkeley.

La fondazione ha elargito sovvenzioni multimilionarie ad alcune delle migliori università tecniche del mondo. Nel 2016, ha donato un milione di dollari ciascuna all'UC Berkeley e al MIT (e in seguito milioni di dollari in più a istituti come Stanford, Carnegie Mellon e l'Università di Washington) specificamente per sostenere iniziative a favore della diversità nei loro dipartimenti di informatica. Non si limitano a finanziare la prossima generazione di ingegneri; cercano di garantire che questa prossima generazione rispecchi effettivamente la diversità del mondo per cui stanno costruendo.

Content Writer esperto con 15 anni di esperienza nella creazione di contenuti coinvolgenti e ottimizzati per la SEO in diversi settori. Abile nella creazione di articoli, post di blog, testi per il web e materiali di marketing accattivanti che generano traffico e migliorano la visibilità del brand.