12 de junio de 2026
Yen Ling Kuo Siempre quise entender cómo funcionaban las cosas. Cuando ella estaba creciendo en Taiwán, leyendo la historia de Michael Faraday en la escuela primaria despertó su curiosidad por el mundo natural. Durante ese tiempo, ella conoció Logo, un programa de computadora con un cursor de tortuga para ayudar a los niños a aprender codificación básica mediante experimentación práctica.
Fue la introducción de Kuo a programación lógica.
Yen Ling Kuo
Empleador
Universidad de Virginia en Charlottesville
Título
Profesor asistente de informática.
Grado de miembro
Miembro
alma mater
Universidad Nacional de Taiwán; MIT
En la escuela secundaria aprendió la capacidad que tenían las computadoras. Se dio cuenta de que podía escribir programas que completaran tareas de forma independiente.
“Una vez que descubrí lo poderosas que pueden ser las computadoras”, dice, “supe que quería centrarme en usarlas para resolver problemas del mundo real”.
Kuo, miembro del IEEE, nunca perdió su interés en el “cómo” detrás de los procesos y herramientas. Su curiosidad, combinada con una temporada trabajando en una valle del silicio empresa, la llevó a centrarse en las innovaciones que se encuentran en la intersección de las ciencias cognitivas e informáticas.
Kuo, ahora un profesor asistente de informática en la Universidad de Virginia en Charlottesville, el año pasado recibió el Sociedad de robótica y automatización IEEEes inaugural Premio a la contribución temprana de su carrera a mujeres destacadas en robótica y automatización. El premio es parte del Premios en papel de mujeres destacadas en robótica y automatización (WiRA) de IEEE-RAS Women in Engineering, que promueven la excelencia y reconocen el impacto que las investigadoras tienen en robótica y automatización campos en diferentes etapas de sus carreras académicas.
El artículo ganador de Kuo, “Diff-DAgger: Estimación de la incertidumbre con política de difusión para manipulación robótica“, demuestra un método novedoso para ayudar a los robots a identificar y estimar mejor la incertidumbre cuando se enfrentan a escenarios en los que no han sido entrenados. El método reduce la cantidad de supervisión humana, mejora la tasa de finalización exitosa de tareas de un robot y abre un camino para introducir modelos más complejos con mayores demandas de datos en entornos interactivos. aprendizaje de robots.
Ella dice que su investigación ayudará a las personas que trabajan en los campos de la robótica y la automatización a recopilar de manera más eficiente los datos necesarios para un entrenamiento de modelos efectivo.
El impacto de Silicon Valley
Kuo obtuvo una licenciatura y una maestría en informática en la Universidad Nacional de Taiwán, en Taipéi, en 2009 y 2012. Cuando estaba a punto de terminar su maestría, hizo lo que hacen muchos graduados en ciencias de la computación: realizó una pasantía de verano en una empresa de tecnología.
Pasó el verano de 2011 en el campus de Google en Kirkland, Washington, trabajando en el proyecto de la empresa. proyecto de anuncios comparativos.
Cuando terminó su pasantía, se unió a la Laboratorio de medios del MIT como estudiante visitante, trabajando en el Proyecto Mente Abierta y Sentido Común con Henry Liberman.
Mientras estaba considerando realizar un doctorado, una llamada de Google cambió sus planes. La empresa le ofreció un puesto de tiempo completo como ingeniera de software.
“La oferta de trabajo me pareció positiva”, afirma. “Creo que nunca perjudicará su futura carrera investigadora tener alguna experiencia del mundo real en su haber”.
Fue contratada en 2012 y ayudó a desarrollar técnicas que incorporan visión por computadora y procesamiento del lenguaje natural para mejorar la experiencia de búsqueda de compras del cliente. Ella dirigió la empresa Compre la iniciativa Look, un predecesor del actual Google Experiencia de compra impulsada por IA. El proyecto conectado redes sociales contenido con los resultados de búsqueda, algo que la empresa había tenido dificultades para hacer en el pasado.
A Kuo y su equipo se les asignó la tarea de construir una conexión entre el lenguaje natural que las personas usan para describir un elemento y una imagen que coincida con la intención del buscador. Fue en un momento en que el red neuronal-usando aprendizaje profundo modelos para impulsar los productos de Google, estaba ganando impulso en la empresa. Integrar herramientas de redes neuronales en su trabajo era un requisito, lo que generó dudas para Kuo.
“Estaba aplicando las herramientas de la red neuronal”, dice. “Pero no tenía un 100 por ciento de certeza sobre cómo funcionaban realmente”.
Consideró cómo podría adquirir más conocimientos sobre los modelos de aprendizaje profundo. Fue un momento de cierre del círculo. Decidió que después de casi cuatro años en Google, era hora de obtener un doctorado. en informática. ella regresó a MIT en 2016.
La pregunta que lo cambió todo
Boris Katz, uno de los Ph.D. de Kuo. asesores, es un científico investigador principal y director del MIT Laboratorio de Informática e Inteligencia Artificial (CSAIL) Laboratorio de información. También lideró la creación del INICIO Sistema de lenguaje natural, el primer sistema de respuesta a preguntas basado en la Web del mundo.
Cuando los dos se conocieron, Katz le preguntó a Kuo por qué quería obtener un doctorado. Explicó su interés por entender cómo redes neuronales trabajo y en el uso de ese conocimiento para conectar el mundo físico con el lenguaje humano.
Le sugirió que asistiera a una curso de verano en el MIT Centro para cerebros, mentes y máquinas, una iniciativa de investigación que funcionó desde 2013 hasta 2025. El objetivo del CBMM era reunir a informáticos, científicos cognitivos y neurocientíficos para comprender cómo funciona la inteligencia humana. El objetivo era utilizar los conocimientos resultantes para establecer una práctica de ingeniería para construir inteligencia artificial sistemas.
Para Kuo, fue una oportunidad para comprender mejor la inteligencia humana e identificar formas de replicarla en las máquinas.
“Para mí fue una oportunidad de interactuar con otros científicos y comprender cómo las personas aprenden, comprenden y descubren las cosas en el mundo”, dice. “Lo vi como una forma muy útil e inspiradora de incorporar esas ideas en mi propio trabajo de investigación”.
Durante su doctorado. estudios, fue asistente de investigación en CSAIL. La experiencia ayudó a dar forma a su investigación doctoral, que se centró en la construcción de sistemas de inteligencia artificial que apliquen el aprendizaje anterior a situaciones nuevas. ella desarrollo aprendizaje automático modelos para apoyar los esfuerzos, incluida la comprensión del lenguaje y las interacciones sociales.
Completó su doctorado. en informática en 2022 con especialización en ciencia cognitiva.
Después de graduarse, continuó su trabajo y colaboración en CSAIL, particularmente en proyectos que involucraban el concepto de “teoría de la mente”.
La teoría de la mente no es nueva, ya que se originó con primatólogos que estudian chimpancés a finales de los años 1970. La teoría reconoce que los demás tienen sus propios pensamientos, creencias y perspectivas. Es una habilidad que permite a los humanos inferir el estado mental de alguien y predecir su comportamiento sin comunicación verbal.
“Es como cuando los compañeros de cuarto de la universidad se mudan a su dormitorio. Puede que no hablen demasiado, pero trabajan juntos de forma natural para coordinar sus actividades y lograr objetivos”, dice Kuo. “Pueden inferir e interpretar mentalmente los comportamientos y señales de los demás para tomar decisiones y completar tareas sin palabras”.
Llevó su investigación sobre la teoría de la mente a la Universidad de Virginia cuando se incorporó como profesora asistente en 2023.
Kuo realiza su investigación en el ámbito ciberfísico multidisciplinar de Ingeniería UVA. Laboratorio de enlaces. Su amplia atención se centra en el desarrollo de modelos computacionales que ayuden a los robots a interpretar tanto datos directos como señales silenciosas, desde el lenguaje y los movimientos hasta la mirada de una persona. Si tiene éxito, podría dar a los robots el mismo tipo de capacidades físicas y de razonamiento mental que impulsan las interacciones físicas y sociales entre humanos.
“Aún no existen marcos computacionales disponibles que traduzcan este tipo de comprensión en un robot de manera eficiente”, afirma.
Añade que el proceso para llegar allí comienza mejorando la forma en que los robots aprenden a realizar tareas.
La evolución del aprendizaje de robots
Históricamente, una de las formas en que los robots aprendían era imitando a los humanos. Un investigador guiaría manualmente a un robot a través de una tarea, como cortar una manzana, y este repetiría los movimientos. El robot tuvo éxito hasta que el entorno cambió, como cuando su mano estaba en una posición diferente o la manzana estaba en un ángulo diferente. Luego, el robot se enfrentó a una situación para la que no había sido entrenado. Sin ningún dato disponible que le ayudara a corregir el rumbo, el robot comenzaba a cometer pequeños errores que eventualmente conducían a una falla total del sistema.
Este diagrama describe cómo la percepción visual de la pinza robótica y detección táctil evita que una patata frita se rompa.Xuhui Kang, Yen-Ling Kuo, et al.
Para resolver el problema, los investigadores desarrollaron el método de agregación de conjuntos de datos (DAgger). Mientras un robot realizaba una tarea, un investigador estaba en espera para proporcionar correcciones en tiempo real durante escenarios inesperados. Los datos de corrección se agregaron continuamente al modelo del robot, enseñándole cómo recuperarse de los errores.
Para reducir el esfuerzo de monitoreo humano, se creó DAgger controlado por robots para permitir que los robots consulten a los humanos cuando las máquinas se vuelven inseguras.
El enfoque más popular para tomar la decisión de una consulta es entrenar varios modelos para considerarlos al determinar un curso de acción. Si todos los modelos están de acuerdo, el robot continúa. Si no están de acuerdo, es probable que el robot se quede atascado y pida ayuda.
Aunque el enfoque de modelos múltiples fue ampliamente adoptado, tiene limitaciones. En la práctica, a medida que los modelos se vuelven más complejos, es difícil o imposible entrenar varias copias. Una cuestión más fundamental es que el desacuerdo entre modelos no siempre implica incertidumbre; podría significar simplemente que hay diferentes formas de realizar una tarea.
La solución Diff-DAgger
Ésa es la brecha que el equipo de investigación de Kuo cerró con la novedosa investigación Diff-DAgger. El enfoque se basa en la política de difusión, una técnica que ayuda a los robots a dar cuenta de las diferentes formas en que se puede realizar una tarea.
El nuevo método reutiliza la pérdida por difusión, la señal que utiliza un robot para mejorar su modelo durante el entrenamiento, como una verificación de confianza en tiempo real. Durante la ejecución de la tarea, el robot calcula la señal y la compara con los valores de sus datos de entrenamiento mediante una prueba estadística. La señal aumenta cuando el caras de robots una situación desconocida y no está seguro de cómo proceder. La señal permanece silenciosa cuando la acción actual del robot se acerca a lo que aprendió antes.
El pico representa la capacidad del robot para autodiagnosticarse y predecir una falla inminente. La intervención humana se activa sólo cuando la señal aumenta. Ningún pico significa que se puede dejar que el robot complete su proceso de toma de decisiones por sí solo.
El equipo de Kuo logró resultados significativos: Las tasas de predicción de fallas mejoraron en un 39 por ciento. Las tasas de finalización de tareas aumentaron en un 20 por ciento y las tareas se completaron casi ocho veces más rápido.
Su investigación en la UVA llamó la atención del Fundación Nacional de Ciencias, que la honró el año pasado con un Premio a la carrera, la subvención emblemática de la fundación para investigadores que inician su carrera. La subvención de cinco años de duración, valorada en 665.000 dólares, respalda su investigación que construye modelos computacionales para las interacciones entre humanos y robots a través de la teoría del razonamiento mental.
Ella también recibió el toyota Instituto de Investigaciones Premio Joven Investigador Docente Enseñar a los coches a razonar sobre las interacciones en la carretera y con el conductor.
Como robots de servicio A medida que los vehículos autónomos se vuelven más disponibles, es probable que tales trabajos hagan que las interacciones entre humanos y robots sean más intuitivas y útiles.
En última instancia, Kuo quiere construir robots más robustos que sean capaces de integrarse en un espacio social con los humanos interactuando con nosotros a través de interacciones basadas en la tierra, dice.
El impacto del IEEE
Como muchos miembros del IEEE, Kuo conoció la organización cuando era estudiante. En 2018 presentó su primer artículo, “Modelos secuenciales profundos para la planificación basada en muestreo,” hacia Conferencia internacional IEEE/Sociedad de Robótica de Japón sobre robots y sistemas inteligentes mientras realizaba su doctorado. en el MIT. Su participación en el IEEE creció junto con su carrera profesional.
“Fue una transición natural la transición de estudiante a miembro de pleno derecho del IEEE”, dice. Hoy ella es una voluntaria activa con el Sociedad de robótica y automatización IEEE, revisor de artículos enviados y presentador y panelista en conferencias.
Ella dice que una de las mejores partes de asistir a conferencias es tener la oportunidad de interactuar con los estudiantes. También le gusta participar como panelista en los almuerzos, dice, porque le brinda tiempo individualizado con los estudiantes asistentes. Puede compartir sus conocimientos y ofrecer ideas mientras se preparan para embarcarse en su carrera.
Su objetivo en los próximos años, afirma, es ampliar su participación en las iniciativas del IEEE y extenderse a otros comités técnicos. Compartir conocimientos y aprender de los demás es esencial para cualquier persona. crecimiento profesional, dice, y “IEEE ofrece una gran oportunidad para ambos”.
Desde su sitio Artículos Artículos relacionados en la Web
Publicado originalmente en espectro.ieee.org el 12 de junio de 2026.
Ver fuente original
