Tamara Broderick pisou pela primeira vez no campus do MIT quando ainda era estudante do ensino médio, como participante do primeiro Programa de Tecnologia para Mulheres . A experiência acadêmica de verão de um mês oferece às jovens uma introdução prática à engenharia e à ciência da computação.

Qual é a probabilidade de ela retornar ao MIT anos depois, desta vez como docente?

Essa é uma pergunta que Broderick provavelmente poderia responder quantitativamente usando a inferência bayesiana, uma abordagem estatística da probabilidade que tenta quantificar a incerteza atualizando continuamente as suposições de alguém à medida que novos dados são obtidos.

Em seu laboratório no MIT, a recém-formada professora associada do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) usa inferência bayesiana para quantificar a incerteza e medir a robustez das técnicas de análise de dados.

“Sempre me interessei muito em entender não apenas 'O que sabemos da análise de dados', mas também 'Até que ponto o conhecemos?'”, diz Broderick, que também é membro do Laboratório de Sistemas de Informação e Decisão e o Instituto de Dados, Sistemas e Sociedade. “A realidade é que vivemos num mundo barulhento e nem sempre conseguimos obter exatamente os dados que desejamos. Como podemos aprender com os dados, mas ao mesmo tempo reconhecer que existem limitações e lidar adequadamente com elas?”

Em termos gerais, o seu foco é ajudar as pessoas a compreender os limites das ferramentas estatísticas disponíveis e, por vezes, trabalhar com elas para criar ferramentas melhores para uma situação específica.

Por exemplo, o seu grupo colaborou recentemente com oceanógrafos para desenvolver um modelo de aprendizagem automática que pode fazer previsões mais precisas sobre as correntes oceânicas . Em outro projeto, ela e outros trabalharam com especialistas em doenças degenerativas em uma ferramenta que ajuda indivíduos com deficiência motora grave a utilizar a interface gráfica do usuário de um computador, manipulando um único botão.

Um fio condutor comum em seu trabalho é a ênfase na colaboração.

“Trabalhando na análise de dados, você fica no quintal de todo mundo, por assim dizer. Você realmente não pode ficar entediado porque sempre pode aprender sobre algum outro campo e pensar em como podemos aplicar o aprendizado de máquina nele”, diz ela.

Andar em muitos “quintais” acadêmicos é especialmente atraente para Broderick, que lutou desde tenra idade para restringir seus interesses.

Crescendo em um subúrbio de Cleveland, Ohio, Broderick se interessou por matemática desde que se lembra. Ela se lembra de ter ficado fascinada com a ideia do que aconteceria se você continuasse adicionando um número a ele mesmo, começando com 1+1=2 e depois 2+2=4.

“Eu tinha talvez 5 anos de idade, então não sabia o que eram 'potências de dois' ou algo assim. Eu gostava muito de matemática”, diz ela.

Seu pai reconheceu seu interesse no assunto e a matriculou em um programa da Johns Hopkins chamado Center for Talented Youth, que deu a Broderick a oportunidade de ter aulas de verão de três semanas sobre uma variedade de assuntos, desde astronomia até teoria dos números e ciência da computação.

Mais tarde, no ensino médio, ela conduziu pesquisas em astrofísica com pós-doutorado na Case Western University. No verão de 2002, ela passou quatro semanas no MIT como membro da primeira turma do Programa de Tecnologia para Mulheres.

Ela gostou especialmente da liberdade oferecida pelo programa e de seu foco no uso da intuição e da engenhosidade para atingir objetivos de alto nível. Por exemplo, o grupo foi encarregado de construir um dispositivo com LEGOs que pudessem usar para biopsiar uma uva suspensa em gelatina.

O programa mostrou a ela quanta criatividade está envolvida na engenharia e na ciência da computação e despertou seu interesse em seguir a carreira acadêmica.

“Mas quando entrei na faculdade em Princeton, não conseguia decidir – matemática, física, ciência da computação – todas pareciam super legais. Eu queria fazer tudo isso”, diz ela.

Ela decidiu fazer uma graduação em matemática, mas fez todos os cursos de física e ciências da computação que pode incluir em sua agenda.

Depois de receber uma bolsa Marshall, Broderick passou dois anos na Universidade de Cambridge, no Reino Unido, obtendo um mestrado em estudos avançados em matemática e um mestrado em filosofia em física.

No Reino Unido, ela teve diversas aulas de estatística e análise de dados, incluindo sua primeira aula sobre análise de dados bayesiana na área de aprendizado de máquina.

Foi uma experiência transformadora, ela lembra.

“Durante meu tempo no Reino Unido, percebi que gosto muito de resolver problemas do mundo real que são importantes para as pessoas, e a inferência bayesiana estava sendo usada em alguns dos problemas mais importantes que existem”, diz ela.

De volta aos EUA, Broderick foi para a Universidade da Califórnia em Berkeley, onde ingressou no laboratório do professor Michael I. Jordan como estudante de pós-graduação. Ela obteve um doutorado em estatística com foco em análise de dados Bayesiana. 

Ela decidiu seguir uma carreira acadêmica e foi atraída para o MIT pela natureza colaborativa do departamento do EECS e pela forma como seus possíveis colegas eram apaixonados e amigáveis.

Suas primeiras impressões deram certo, e Broderick diz que encontrou uma comunidade no MIT que a ajuda a ser criativa e a explorar problemas difíceis e impactantes com aplicações abrangentes.

“Tive a sorte de trabalhar com um conjunto realmente incrível de estudantes e pós-doutorandos em meu laboratório – pessoas brilhantes e trabalhadoras cujos corações estão no lugar certo”, diz ela.

Um dos projetos recentes da sua equipa envolve a colaboração com um economista que estuda a utilização do microcrédito, ou o empréstimo de pequenas quantias de dinheiro a taxas de juro muito baixas, em áreas empobrecidas.

O objetivo dos programas de microcrédito é tirar as pessoas da pobreza. Os economistas realizam ensaios de controlo aleatório em aldeias de uma região que recebem ou não microcrédito. Eles querem generalizar os resultados do estudo, prevendo o resultado esperado se alguém aplicar microcrédito a outras aldeias fora do seu estudo.

Mas Broderick e os seus colaboradores descobriram que os resultados de alguns estudos de microcrédito podem ser muito frágeis. A remoção de um ou alguns pontos de dados do conjunto de dados pode alterar completamente os resultados. Um problema é que os investigadores utilizam frequentemente médias empíricas, onde alguns pontos de dados muito altos ou baixos podem distorcer os resultados.

Usando aprendizado de máquina, ela e seus colaboradores desenvolveram um método que pode determinar quantos pontos de dados devem ser eliminados para alterar a conclusão substantiva do estudo. Com sua ferramenta, um cientista pode ver quão frágeis são os resultados.

“Às vezes, a eliminação de uma fração muito pequena de dados pode alterar os principais resultados de uma análise de dados, e então podemos nos preocupar até que ponto essas conclusões podem ser generalizadas para novos cenários. Existem maneiras de sinalizar isso para as pessoas? É isso que estamos chegando com esse trabalho”, explica.

Ao mesmo tempo, ela continua a colaborar com pesquisadores em diversas áreas, como a genética, para compreender os prós e os contras de diferentes técnicas de aprendizado de máquina e outras ferramentas de análise de dados.

A exploração é o que move Broderick como pesquisadora e também alimenta uma de suas paixões fora do laboratório. Ela e o marido gostam de coletar manchas que ganham ao percorrer todas as trilhas de um parque ou sistema de trilhas.

“Acho que meu hobby realmente combina meus interesses de atividades ao ar livre e planilhas”, diz ela. “Com esses trechos de caminhada, você tem que explorar tudo e então ver áreas que normalmente não veria. É aventureiro, nesse sentido.

Eles descobriram algumas caminhadas incríveis que nunca teriam conhecido, mas também embarcaram em mais do que algumas “caminhadas de desastre total”, diz ela. Mas cada caminhada, seja uma joia escondida ou uma bagunça enorme, oferece suas próprias recompensas.

E, assim como em sua pesquisa, a curiosidade, a mente aberta e a paixão pela resolução de problemas nunca a desviaram do caminho.