ابزارهای محاسباتی برای پیچیده‌ترین چالش‌های جامعه

از زمانی که به یاد دارد، کتی وو (Katy Wu) فارغ‌التحصیل سال ۲۰۱۲ و ۱۳ کارشناسی ارشد، همواره به دنبال راه‌هایی برای حل مشکلات و بهبود زندگی مردم بوده است. والدین او مهاجرانی تایوانی بودند و پدرش مسافت طولانی‌ای را برای رفتن به سر کار طی می‌کرد که او را از خانواده دور نگه می‌داشت. با بودجه محدود، بقیه اعضای خانواده اغلب در خانه‌ای می‌ماندند که خیابان جلوی آن برای بازی کردن در فضای باز خیلی شلوغ بود. وو و خواهر و برادرهایش وقت زیادی را صرف انجام بازی‌های کامپیوتری می‌کردند.

وو می‌گوید اشتیاق او به بهتر کردن دنیا، مبارزه روزانه پدرش با ترافیک و بازی‌هایی که انجام می‌داد، مانند "SimCity"، بذرهای انگیزه‌اش برای طراحی سیستم‌های حمل‌ونقل ایمن و کارآمد بودند. وو در حال حاضر دانشیار در دپارتمان مهندسی عمران و محیط زیست (CEE) و موسسه داده‌ها، سیستم‌ها و جامعه (IDSS) دانشگاه MIT است و محقق اصلی در آزمایشگاه اطلاعات و سیستم‌های تصمیم‌گیری به شمار می‌رود. تحقیقات او بر استفاده از یادگیری ماشین و یادگیری تقویتی (RL) برای پیشبرد استراتژی‌های قابل اعتماد جهت بهبود طیف وسیعی از سیستم‌های پیچیده، از جمله حمل‌ونقل، متمرکز است.

وو می‌گوید: «طراحی سیستم‌های حمل‌ونقل شامل مدل‌سازی و تجزیه‌وتحلیل ده‌ها، اگر نه صدها یا هزاران، تغییر است، به این معنی که رویکرد مبتنی بر شواهد برای طراحی این سیستم‌ها با ابزارهای امروزی در دسترس نیست.» وو ادامه می‌دهد: «این همان جایی است که RL نقش خود را ایفا می‌کند. اگر موفقیت‌آمیز باشد، محققان حمل‌ونقل و همکاران آن‌ها را قادر می‌سازد تا سیستم‌هایی را که می‌خواهند طراحی کنند.»