故事概述
Dileep Kalathil博士致力于通过解决系统的弹性、可扩展性和数据效率来实现人工智能进化的承诺。
人工智能和机器学习已经改变了我们的日常生活。我们的手机变得越来越智能。我们有智能家居设备，可以通过语音命令控制家里的一切。即使是社交媒体平台和网络浏览器也能根据所提供的数据很好地理解我们真正想看什么和做什么。除了所有这些进步之外，人工智能还带来了其他一些东西——具有更多功能的大型、社会规模的工程系统，比如自动驾驶汽车和大型电力系统。
德克萨斯农工大学电气与计算机工程系助理教授Dileep Kalathil博士正在努力实现这些承诺。
Kalathil最近获得了美国国家科学基金会(NSF)颁发的教师早期职业发展(Career)奖，因为他的提案题为“面向弹性、数据高效和可扩展的控制强化学习的原则框架．美国国家科学基金会(NSF)职业生涯奖是给予职业生涯早期研究人员的最负盛名的奖项之一。Kalathil将利用他的职业生涯奖来解决人工智能进化的三大挑战——系统的弹性、可扩展性和数据效率．
为了应对这些挑战，他正在使用强化学习原理。弹性是指人工智能机器的鲁棒性和安全性的集成。例如，如果一辆自动驾驶汽车习惯了德克萨斯州中部的驾驶条件，并且出现了意外的下雪天，那么该车辆适应这些条件并继续安全驾驶的适应性就至关重要。
卡拉希尔说:“这是机器学习的一个没有很好解决的领域。”这就是强化学习的意义所在。强化学习本质上是用来做出主动决策的机器学习。”
此外，Kalathil正在研究可扩展性问题，以便将机器学习系统集成到大型技术中，如大型电力系统。他还在探索如何在机器学习这一领域继续取得进展，即使数据量有限。为了取得进展，需要收集数据。然而，在研究大型系统时，由于成本的原因，数据自然是有限的。
卡拉希尔说:“假设你想设计一种机器学习算法来控制自动驾驶汽车或无人机，你需要驾驶那架无人机。”“然而，驾驶无人机或使用自动驾驶汽车来学习和收集数据并不是一个便宜的提议。在许多情况下，你需要处理这样一个想法，即你的数据量非常有限。”
Kalathil还将利用体验式学习方法，通过与学生合作Aggie Deep Racer项目，将这种强化学习研究整合到他的教育课程中，这是一种小型自动驾驶玩具车，可以测试强化学习模型。其想法是，强化学习算法可以集成到玩具车的系统中，应用程序可以在真实的赛道上进行实践。
卡拉希尔说:“我认为，作为一个工程系，我们应该做的一件事就是给学生体验式学习的机会。”“他们应该能够尝试新事物，解决现实世界的问题，并扮演工程师的角色。”