Semillas del MIT-IBM Watson AI Lab para señalización: amplificación del impacto en los profesores que inician su carrera.

El primer año de la carrera de un miembro de la facultad es un momento formativo y emocionante en el que establece una base firme que ayuda a determinar la trayectoria de los estudios de sus investigadores. Esto incluye formar un equipo de investigación, lo que requiere dirección e ideas innovadoras, colaboradores creativos y recursos confiables.

Para un grupo de profesores del MIT que trabajan con y sobre inteligencia artificial, la participación temprana con el Laboratorio de IA Watson del MIT-IBM a través de proyectos ha sido fundamental para ayudar a fomentar líneas de investigación ambiciosas y formar grupos de investigación prolíficos.

Generar impulso

Jacob Andreas, profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS), miembro del MIT-IBM Watson AI Lab fue muy importante para mi éxito, especialmente cuando comencé, miembro del MIT-IBM Watson AI Laboratory (CSAIL) e investigador del MIT-IBM Watson AI Lab que estudia el procesamiento del lenguaje natural de PNL. Poco después de unirse al MIT, Andreas comenzó su primer gran proyecto a través del MIT-IBM Watson AI Lab, trabajando en representación de lenguajes y métodos de aumento de datos estructurados para lenguajes con pocos recursos. “Es realmente lo que me permitió poner en marcha mi laboratorio y empezar a reclutar estudiantes”.

Andreas señala que esto ocurrió durante un “momento crucial” cuando el campo de la PNL experimentó cambios significativos para comprender los patrones del lenguaje, una tarea que requería mucha más computación, que estaba disponible a través del Laboratorio de IA Watson del MIT-IBM. “Siento que el tipo de trabajo que hemos hecho bajo ese [first] El proyecto, y en colaboración con toda nuestra gente del lado de IBM, fue de gran ayuda para descubrir cómo navegar esta transición”. Además, el grupo de Andreas pudo llevar a cabo proyectos de varios años sobre capacitación predictiva, aprendizaje de refuerzo y calibración para respuestas confiables, gracias a los recursos informáticos y la experiencia de la comunidad MIT-IBM.

Para varios otros miembros del profesorado, la participación oportuna en el laboratorio de IA Watson del MIT-IBM también resultó muy beneficiosa. “Tener el apoyo intelectual y también poder aprovechar algunos de los recursos informáticos del MIT-IBM fue completamente transformador e increíblemente importante para mi programa de investigación”, dice Yoon Kim, profesor asociado de EECS, CSAIL e investigador del Laboratorio de IA Watson del MIT-IBM, quien también ha visto cambiar su campo de investigación. Antes de unirse al MIT, Kim conoció a sus futuros colaboradores durante una beca postdoctoral MIT-IBM, donde se dedicó al desarrollo de modelos neurosimbólicos; Ahora, el equipo de Kim desarrolla métodos para mejorar la capacidad y eficiencia de los grandes lenguajes de modelado (LLM).

Uno de los factores que señala que ha llevado al éxito de su grupo es un proceso de investigación fluido con socios intelectuales. Esto permitió a su equipo MIT-IBM implementar un proyecto, experimentar a escala, identificar cuellos de botella, validar técnicas y adaptarse según sea necesario para desarrollar métodos de vanguardia para su posible inclusión en aplicaciones del mundo real. “Es un impulso para nuevas ideas, y eso es lo que creo que es único en esta relación”, dice Kim.

Fusionando experiencia

La naturaleza del MIT-IBM Watson AI Lab es que no solo reúne a investigadores en el campo de la IA para acelerar la investigación, sino que también combina el trabajo entre disciplinas. El investigador de laboratorio y profesor asociado de EECS y CSAIL del MIT, Justin Solomon, describe que su grupo de investigación crece con el laboratorio y que la colaboración es “esencial… desde sus inicios hasta ahora”. El equipo de investigación de Salomon se centra en problemas geométricos de orientación teórica relacionados con los gráficos por computadora, la visión y el aprendizaje automático.

Salomon atribuye a la colaboración MIT-IBM la ampliación de sus habilidades y la implementación del trabajo de su grupo, un sentimiento que también comparten los investigadores del laboratorio Chuchu Fan, profesor asociado de aeronáutica y astronáutica y miembro del Laboratorio de Sistemas de Información y Decisión, y Faez Ahmed, profesor asociado de ingeniería mecánica. “Ellos [IBM] “Son capaces de traducir algunos de estos problemas realmente complicados de ingeniería al tipo de activos matemáticos en los que nuestro equipo puede trabajar y cerrar el círculo”, dice Salomon. Esto, para Salomon, incluye fusionar diferentes modelos de IA que han sido entrenados con diferentes datos de entrenamiento para tareas separadas. “Creo que todos estos son espacios realmente interesantes”, dijo.

“Creo que estos proyectos se encuentran en las primeras etapas de sus carreras. [with the MIT-IBM Watson AI Lab] ha dado forma en gran medida a mi propia investigación”, dice Fan, cuya investigación intersecta robótica, teoría de control y sistemas de seguridad críticos. Al igual que Kim, Solomon y Andreas, Fan y Ahmed iniciaron proyectos a través de la colaboración en su primer año en el MIT. Las restricciones y la optimización gobiernan los problemas que Fan y Ahmed abordan y, por lo tanto, requieren un conocimiento profundo en el campo de la IA.

Trabajar con el MIT-IBM Watson AI Lab permitió al grupo de Fan combinar métodos formales con el procesamiento del lenguaje natural, lo que, según él, permitió al equipo pasar del desarrollo de tareas autorregresivas y planificación de movimiento para robots a la creación de agentes basados ​​en LLM para la planificación de viajes, la toma de decisiones y la verificación. “Este trabajo fue la primera exploración utilizando un LLM para traducir cualquier forma libre de lenguaje natural a algunas especificaciones que los robots puedan entender y ejecutar. Esto es algo de lo que estoy muy orgulloso y muy difícil en ese momento”, dice Fan. Además, a través de una investigación conjunta, su equipo pudo mejorar el razonamiento del LLM, un trabajo que “habría sido imposible sin el apoyo de IBM”, afirmó.

A través del laboratorio, la colaboración de Faez Ahmed ha facilitado el desarrollo de métodos de aprendizaje automático para acelerar el descubrimiento y el diseño en sistemas mecánicos complejos. El trabajo de Linkages, por ejemplo, emplea “optimización generativa” para resolver problemas de ingeniería de manera precisa y basada en datos; más recientemente, se están aplicando datos multimodales y LLM al diseño asistido por computadora. Ahmed afirma que la IA se aplica a menudo a problemas que ya están resueltos, pero que podrían beneficiarse de una mayor velocidad o eficiencia; sin embargo, los desafíos, como los enlaces mecánicos que se consideraban “casi insolubles”, ahora están a nuestro alcance. “Creo que esa es definitivamente la marca [of our MIT-IBM team]”, dice Ahmed, elogiando los logros de su grupo MIT-IBM, codirigido por Akash Srivastava y Dan Gutfreund de IBM.

Lo que comenzó como la primera colaboración de cada miembro del profesorado del MIT se ha convertido en una relación intelectual duradera, en la que ambas partes están “entusiasmadas con la ciencia” y “impulsadas por los estudiantes”, añade Ahmed. Juntas, las experiencias de Jacob Andreas, Yoon Kim, Justin Solomon, Chuchu Fan y Faez Ahmed hablan del impacto que una relación universidad-industria práctica y sostenible puede tener en el establecimiento de grupos ambiciosos de investigación y exploración científica.