Pesquisadora Yen-Ling Kuo: Trajetória para o Sucesso
Em uma breve viagem pelo mundo da tecnologia e ciência, encontramos a história de sucesso de Yen-Ling Kuo, uma pesquisadora que ganhou destaque recentemente por seu trabalho em inteligência artificial. Nascida na Taiwan, Yen-Ling sempre quis entender como as coisas funcionavam. A leitura de histórias científicas na escola primária despertou sua curiosidade sobre o mundo natural.
O primeiro contato com a programação foi em uma escola primária quando começou a aprender
Logo, um programa de computador com um cursor tartaruga para ensinar a programação básica. Foi nesse momento que ela teve sua primeira introdução ao raciocínio lógico em programação.
Yen-Ling Kuo é hoje uma
assistente professora de ciência da computação na Universidade da Virgínia, na cidade de Charlottesville. Ela sempre foi fascinada pela capacidade dos computadores em completar tarefas independentemente sem a necessidade humana. 'Uma vez que descobri como os computadores poderosos eram,' ela diz, 'concluí que queria usar essa capacidade para solucionar problemas do mundo real.'
O Desenvolvimento Sustentado
Ela, um
Membro da IEEE, nunca perdeu sua curiosidade pelo 'como' por trás de processos e ferramentas. A combinação de sua curiosidade com uma experiência na indústria em uma empresa de Silicon Valley a motivou a se concentrar em inovações que vivem na intersecção entre ciências cognitivas e computacionais.
Ela foi premiada recentemente pelo
Sociedade de Robótica e Automação da IEEE pelo seu importante
contribution à ciência de robótica e automação. Este prêmio é oferecido como parte dos
Premios WiRA (Mulheres em Engenharia), o qual reconhece o impacto e a excelência das mulheres no campo da robótica e automação ao longo de suas carreiras acadêmicas.
O trabalho premiado dela,
Diff-DAgger: Estimativa de Incerteza com Política de Difusão para Manipulação Robótica, propõe um método inovador para os robôs identificarem e estimem com mais precisão a incerteza quando em cenários nunca vistos. O seu método reduz significativamente a necessidade de supervisão humana, aumenta a taxa de tarefas realizadas com sucesso por robôs e oferece uma rota adicional para introduzir modelos mais elaborados com exigências de dados maiores na aprendizagem interativa dos robôs.
Ela expressa que seu trabalho irá ajudar as pessoas que trabalham no campo da robótica e automação a recolher eficientemente dados necessários para o treinamento dos modelos. Ela também compartilhou que seu futuro plano é explorar mais os aplicativos possíveis de suas descobertas no futuro.
