به کارگیری ابزارهای محاسباتی برای حل پیچیده‌ترین چالش‌های اجتماعی توسط کتی وو

کتی وو از دوران کودکی و با الهام از بازی‌های رایانه‌ای و چالش‌های ترافیکی روزمره پدرش، دغدغه حل مشکلات برای بهبود زندگی انسان‌ها را در سر داشت. او هم‌اکنون به عنوان استادیار در دپارتمان مهندسی عمران و محیط‌زیست (CEE) و مؤسسه داده، سیستم‌ها و جامعه (IDSS) در MIT فعالیت می‌کند و پژوهش‌های خود را بر کاربرد یادگیری ماشین و یادگیری تقویتی (RL) برای ارتقای قابلیت اطمینان سیستم‌های پیچیده از جمله حمل‌ونقل متمرکز کرده است.

او در دوران تحصیل در مقطع دکتری در دانشگاه برکلی متوجه شد که محققان حوزه حمل‌ونقل سال‌ها وقت صرف توسعه روش‌های بهینه‌سازی برای مدل‌سازی یک سامانه می‌کنند، در حالی که استفاده از یادگیری تقویتی می‌تواند این فرایند را به شدت تسریع کند. با این حال، پژوهش‌های او با چالش‌های متعددی روبه‌رو شد و در مقطعی الگوریتم‌های یادگیری تقویتی ناپایدار نشان دادند. پس از نتایج منفی اولیه، تیم او سرانجام موفق شد رویکردی را ابداع کند که حساسیت الگوریتم‌ها را کاهش داده و کارایی آموزش را تا ۳۰ برابر بهبود بخشد.

تحقیقات اخیر کتی وو نشان می‌دهد که کنترل هوشمند سرعت وسایل نقلیه برای کاهش توقف و حرکت‌های اضافی می‌تواند انتشار گازهای گلخانه‌ای را بین ۱۱ تا ۲۲ درصد کاهش دهد. این دستاورد نمونه‌ای از پژوهش الهام‌گرفته از کاربرد است که تلاش می‌کند با استفاده از تحلیل‌های سیستماتیک مبتنی بر داده، به سیاست‌گذاران در اتخاذ تصمیمات بهینه برای جامعه کمک کند. او همچنین به دانشجویان خود توصیه می‌کند که در مواجهه با مشکلات پیچیده، صبور باشند و گام‌های کوچک بردارند.