Vasant Dhar es profesor de la Escuela de Negocios Stern y del Centro de Ciencia de Datos de la Universidad de Nueva York , [1] ex editor en jefe de la revista Big Data. [2] y fundador de SCT Capital, uno de los primeros fondos de cobertura basados en aprendizaje automático en la ciudad de Nueva York en los años noventa. Su investigación se centra en la construcción de sistemas de toma de decisiones escalables a partir de grandes fuentes de datos utilizando técnicas y principios de las disciplinas de Inteligencia Artificial y Aprendizaje Automático .
Es egresado de The Lawrence School, Sanawar , que considera uno de los mejores regalos que le hicieron sus padres sin darse cuenta. Dhar se graduó del Instituto Indio de Tecnología de Delhi en 1978 con una licenciatura en Ingeniería Química . Posteriormente asistió a la Universidad de Pittsburgh, donde recibió un M. Phil y un Ph.D. en 1984. Después de obtener su doctorado, se unió a la facultad de la Universidad de Nueva York . Trabajó en Morgan Stanley entre 1994 y 1997, donde creó el Grupo de Minería de Datos que se centró en predecir los mercados financieros y el comportamiento de los clientes.
Dhar es un investigador de inteligencia artificial y científico de datos cuya investigación aborda la siguiente pregunta: ¿cuándo confiamos en los sistemas de inteligencia artificial para la toma de decisiones? La pregunta es particularmente relevante para los sistemas autónomos basados en el aprendizaje automático que aprenden y se adaptan a los datos en curso.
La investigación de Dhar ha sido motivada por la construcción de modelos predictivos en una serie de dominios, principalmente finanzas, así como áreas que incluyen salud, deportes, educación y negocios. ¿Por qué estamos dispuestos a confiar en las máquinas en algunas áreas y no en otras?
La opinión de Dhar es que hay una discontinuidad cuando le damos un control completo de la toma de decisiones a una máquina que aprende de los datos en curso. Esta discontinuidad introduce algunos riesgos, específicamente los relacionados con los errores cometidos por dichos sistemas, que impactan directamente en nuestro grado de confianza en ellos.
La investigación de Dhar rompe la confianza en dos dimensiones basadas en el riesgo: la previsibilidad o la frecuencia con la que un sistema comete errores (eje X) y los costos asociados de error (eje Y) de tales errores. La investigación demuestra la existencia de una " frontera de automatización " que expresa una compensación entre la frecuencia con la que un sistema se equivocará y las consecuencias de tales errores. La confianza, y por lo tanto nuestra voluntad de ceder el control de la toma de decisiones a la máquina, aumenta con el aumento de la previsibilidad y la reducción de los costos de error. En otras palabras, estamos dispuestos a confiar en las máquinas si no cometen demasiados errores y sus costes son tolerables. A medida que aumentan los errores, exigimos que sus consecuencias sean menos costosas.