Исследовательница Массачусетского технологического института Кэти Ву разрабатывает методы машинного и подкрепляющего обучения для решения сложных задач в транспортной сфере. Ее работы показывают, что интеллектуальное управление скоростью автомобилей способно снизить выбросы на 11–22%. Ву также создала алгоритм, который ускоряет обучение моделей до 30 раз.
Интерес к транспорту у Ву сформировался еще в детстве. Ее родители приехали из Тайваня, отец много времени проводил в дороге по пути на работу, а семья из-за ограниченного бюджета чаще оставалась дома на улице с оживленным движением. Ву и ее братья и сестры много играли на компьютере, в том числе в «SimCity», а стремление сделать жизнь людей лучше она связывает также с влиянием старшей сестры.
Сейчас Ву занимает должность доцента на кафедре гражданского и экологического строительства MIT и в Институте данных, систем и общества, а также руководит исследованиями в Лаборатории информационных и решенческих систем. По ее словам, транспорт особенно важен потому, что им пользуются все люди и каждый сталкивается с его недостатками. «Мне нравится транспорт, потому что он объединяет всех. Мы все им пользуемся, все с ним сталкиваемся, у всех есть связанные с ним проблемы. Поэтому на каком-то уровне все заинтересованы в том, чтобы система стала лучше», — сказала она.
Во время учебы в MIT Ву заинтересовалась применением искусственного интеллекта к транспорту после лекции профессора Сета Теллера об автономных автомобилях. Позже она работала с Теллером, а затем по его совету перешла к профессору Даниэле Рус, занимавшейся роботизированными такси. После магистратуры в MIT Ву получила докторскую степень в Калифорнийском университете в Беркли, где заметила, что исследователи годами создают методы для анализа одного варианта транспортной системы.
В 2018 году, на последнем году обучения в Беркли, Ву применила подкрепляющее обучение для оценки влияния автономных автомобилей на движение в разных транспортных сетях. Однако последующие попытки использовать этот подход в течение двух лет оказались неудачными. В 2022 году Ву и ее студенты установили, что алгоритмы подкрепляющего обучения крайне чувствительны: метод, сработавший для одной задачи, может оказаться бесполезным даже для близкой по характеру. Год спустя команда предложила выбирать для обучения те задачи, где алгоритмы работают лучше всего. Благодаря этому модели смогли обобщать результаты на связанные задачи, а эффективность обучения выросла максимум в 30 раз.
«Эта работа вернула мне уверенность в том, что подкрепляющее обучение может играть важную роль в решении сложных оптимизационных задач, в том числе в транспорте», — отметила Ву. Ее более поздние исследования показали, что системы экологичного вождения с интеллектуальным управлением скоростью могут сократить лишние торможения и разгоны, а вместе с ними и выбросы на 11–22%. Ву также занимается задачами логистики, цепочек поставок, производства и распределения ресурсов, преподает и наставляет студентов; в 2023 году она получила награду Национального научного фонда США для начинающих преподавателей, а в 2025 году — премию Оле Мадсена за наставничество. Как сообщается на сайте MIT, студентам, работающим над особенно сложными проблемами, она советует начинать с малого, сохранять терпение, задавать вопросы и стремиться быть полезными.