Кэти Ву, выпускница Массачусетского технологического института 2012 года и магистратуры 2013 года, занимается разработкой безопасных и эффективных транспортных систем. Сейчас она работает доцентом кафедр гражданской и экологической инженерии, а также Института данных, систем и общества MIT. Кроме того, Ву возглавляет исследовательскую группу в Лаборатории информационных и решенческих систем.
Интерес к транспорту у Ву сформировался ещё в детстве. Её родители приехали из Тайваня, отец много времени тратил на дорогу до работы, а семья из-за ограниченного бюджета часто оставалась дома на улице с интенсивным движением. Вместе с братьями и сёстрами Ву играла в компьютерные игры, в том числе в «SimCity», и позже связала эти впечатления с желанием улучшать жизнь людей.
Исследовательница применяет машинное обучение и обучение с подкреплением — метод искусственного интеллекта, который позволяет системе находить эффективные решения на основе опыта, — к сложным задачам, включая транспорт. По её словам, проектирование транспортных систем требует анализа десятков, сотен и даже тысяч вариантов, поэтому традиционные инструменты не позволяют проводить такую работу с опорой на достаточный объём данных. «Это роль, которую играет обучение с подкреплением. Если всё получится, оно позволит исследователям транспорта и их партнёрам-практикам проектировать системы, которые им нужны», — сказала Ву.
Во время учёбы в MIT она заинтересовалась применением искусственного интеллекта к транспорту после лекции профессора Сета Теллера об автономных автомобилях. Лекция состоялась в период независимых занятий и была связана с соревнованием по робототехнике, которое Ву выиграла. Теллер стал её научным наставником, а позднее посоветовал перейти к профессору Даниэле Рус, занимавшейся роботакси; дополнительный опыт Ву получила во время стажировки в Dropbox.
В 2018 году, на последнем году обучения в Калифорнийском университете в Беркли, Ву успешно использовала обучение с подкреплением для оценки влияния автономных автомобилей на транспортные потоки в разных дорожных сетях. Однако последующие попытки применить этот подход к транспортным задачам в течение двух лет оказались безуспешными. В 2022 году Ву и её студенты установили, что алгоритмы обучения с подкреплением крайне чувствительны: метод, работающий для одной задачи, может не справиться даже с близкой по условиям задачей.
В 2023 году команда разработала способ обойти эту проблему. Исследователи выяснили, что алгоритм может плохо обучаться примерно на 90% задач из группы, но успешно работать на оставшихся 10%; обучение на таких задачах позволяет моделям обобщать результаты на весь набор связанных проблем. Созданный алгоритм выбирает подходящие задачи для обучения и повышает его эффективность максимум в 30 раз: вместо примерно 100 моделей может потребоваться всего три. Более поздняя работа Ву показала, что интеллектуальное управление скоростью автомобилей способно сократить выбросы на 11–22%, а её исследования также охватывают логистику, цепочки поставок, производство и распределение ресурсов. Как сообщает сайт MIT, за достижения в науке и наставничестве Ву получила, в частности, премию Национального научного фонда за начало академической карьеры в 2023 году и награду Ole Madsen Mentoring Award в 2025 году.