Todos os anos, o Berkeley Synthetic Intelligence Analysis (BAIR) Lab forma algumas das mentes mais talentosas e inovadoras em inteligência synthetic e aprendizado de máquina. Nossos graduados em Ph.D. expandiram as fronteiras da pesquisa em IA e agora estão prontos para embarcar em novas aventuras na academia, na indústria e além.
Esses indivíduos fantásticos trazem consigo uma riqueza de conhecimento, novas ideias e um impulso para continuar contribuindo para o avanço da IA. Seu trabalho na BAIR, que vai de aprendizado profundo, robótica e processamento de linguagem pure a visão computacional, segurança e muito mais, contribuiu significativamente para seus campos e teve impactos transformadores na sociedade.
Este web site é dedicado a mostrar nossos colegas, tornando mais fácil para instituições acadêmicas, organizações de pesquisa e líderes da indústria descobrir e recrutar da mais nova geração de pioneiros em IA. Aqui, você encontrará perfis detalhados, interesses de pesquisa e informações de contato para cada um de nossos graduados. Convidamos você a explorar as potenciais colaborações e oportunidades que esses graduados apresentam enquanto buscam aplicar sua experience e insights em novos ambientes.
Junte-se a nós para celebrar as conquistas dos mais recentes graduados em PhD da BAIR. A jornada deles está apenas começando, e o futuro que eles ajudarão a construir é brilhante!
Obrigado aos nossos amigos da Laboratório de IA de Stanford para essa ideia!
E-mail: salam_azad@berkeley.edu
Native na rede Web: https://www.azadsalam.org/
Orientador(es): Íon Estóica
Resumo da pesquisa: Meu interesse em pesquisa está amplamente no campo de Aprendizado de Máquina e Inteligência Synthetic. Durante meu doutorado, concentrei-me em métodos de Geração de Ambiente/Aprendizagem Curricular para treinar Agentes Autônomos com Aprendizado por Reforço. Especificamente, trabalho em métodos que geram algoritmicamente diversos ambientes de treinamento (ou seja, cenários de aprendizagem) para agentes autônomos para melhorar a generalização e a eficiência da amostra. Atualmente, estou trabalhando em agentes autônomos baseados em Massive Language Mannequin (LLM).
Empregos de interesse: Cientista pesquisador, engenheiro de ML
E-mail: aliciatsai@berkeley.edu
Native na rede Web: https://www.aliciatsai.com/
Orientador(es): Laurent El Ghaoui
Resumo da pesquisa: Minha pesquisa se aprofunda nos aspectos teóricos de modelos implícitos profundos, começando com uma representação unificada de “espaço de estado” que simplifica a notação. Além disso, meu trabalho explora vários desafios de treinamento associados ao aprendizado profundo, incluindo problemas passíveis de otimização convexa e não convexa. Além da exploração teórica, minha pesquisa estende as aplicações potenciais a vários domínios de problemas, incluindo processamento de linguagem pure e ciências naturais.
Empregos de interesse: Cientista pesquisador, cientista aplicado, engenheiro de aprendizado de máquina
E-mail: catherine22@berkeley.edu
Native na rede Web: https://cwj22.github.io
Orientador(es): Masayoshi Tomizuka, Wei Zhan
Resumo da pesquisa: Minha pesquisa se concentra em aprendizado de máquina e algoritmos de controle para a desafiadora tarefa de corrida autônoma no Gran Turismo Sport. Eu aproveito minha formação em Engenharia Mecânica para descobrir como o aprendizado de máquina e o controle very best baseado em modelos podem criar sistemas de controle seguros e de alto desempenho para robótica e sistemas autônomos. Uma ênfase explicit minha tem sido como aproveitar conjuntos de dados offline (por exemplo, trajetórias de corrida de jogadores humanos) para informar algoritmos de controle melhores e mais eficientes em termos de amostragem.
Empregos de interesse: Cientista de Pesquisa e Engenheiro de Robótica/Controles
E-mail: chawin.sitawarin@gmail.com
Native na rede Web: https://chawins.github.io/
Orientador(es): David Wagner
Resumo da pesquisa: Estou amplamente interessado nos aspectos de segurança e proteção de sistemas de aprendizado de máquina. A maioria dos meus trabalhos anteriores está no domínio do aprendizado de máquina adversário, particularmente exemplos adversários e robustez de algoritmos de aprendizado de máquina. Mais recentemente, estou animado com os riscos emergentes de segurança e privacidade em grandes modelos de linguagem.
Empregos de interesse: Pesquisa científica
E-mail: eko@berkeley.edu
Native na rede Web: https://www.elizakosoy.com/
Orientador(es): Alison Gopnik
Resumo da pesquisa: Eliza Kosoy trabalha na intersecção do desenvolvimento infantil e IA com a Prof. Alison Gopnik. Seu trabalho inclui a criação de benchmarks avaliativos para LLMs enraizados no desenvolvimento infantil e o estudo de como crianças e adultos usam modelos GenAI, como ChatGPT/Dalle, e formam modelos mentais sobre eles. Ela é estagiária no Google, trabalhando na equipe de IA/UX e anteriormente no Empathy Lab. Ela publicou em Neurips, ICML, ICLR, Cogsci e cognição. Seu trabalho de tese criou um ambiente digital unificado para testar crianças e modelos de IA em um só lugar para fins de treinamento de modelos RL. Ela também tem experiência na construção de startups e brinquedos de codificação de {hardware} STEM.
Empregos de interesse: Cientista pesquisador (desenvolvimento infantil e IA), segurança de IA (especialização em crianças), pesquisador de experiência do usuário (UX) (especialização em métodos mistos, jovens, IA, LLMs), educação e IA (brinquedos STEM)
E-mail: fangyuwu@berkeley.edu
Native na rede Web: https://fangyuwu.com/
Orientador(es): Alexandre Bayen
Resumo da pesquisa: Sob a orientação do Prof. Alexandre Bayen, Fangyu se concentra na aplicação de métodos de otimização em sistemas robóticos multiagentes, particularmente no planejamento e controle de veículos automatizados.
Empregos de interesse: Professor ou pesquisador em controle, otimização e robótica
E-mail: frances@berkeley.edu
Native na rede Web: https://www.francesding.com/
Orientador(es): Jacob Steinhardt, Moritz Hardt
Resumo da pesquisa: Meu foco de pesquisa é em aprendizado de máquina para modelagem de proteínas. Trabalho na melhoria da classificação de propriedades de proteínas e design de proteínas, bem como na compreensão do que diferentes modelos de proteínas aprendem. Anteriormente, trabalhei em modelos de sequência para DNA e RNA, e benchmarks para avaliar a interpretabilidade e a imparcialidade de modelos de ML em todos os domínios.
Empregos de interesse: Pesquisa científica
E-mail: kathyjang@gmail.com
Native na rede Web: https://kathyjang.com
Orientador(es): Alexandre Bayen
Resumo da pesquisa: Meu trabalho de tese se especializou em aprendizado por reforço para veículos autônomos, com foco em melhorar a tomada de decisões e a eficiência em cenários aplicados. Em trabalhos futuros, estou ansioso para aplicar esses princípios a desafios mais amplos em domínios como processamento de linguagem pure. Com minha formação, meu objetivo é ver o impacto direto dos meus esforços contribuindo para pesquisas e soluções inovadoras de IA.
Empregos de interesse: Cientista/engenheiro pesquisador de ML
E-mail: nikhil_ghosh@berkeley.edu
Native na rede Web: https://nikhil-ghosh-berkeley.github.io/
Orientador(es): Bin Yu, Canção Mei
Resumo da pesquisa: Estou interessado em desenvolver uma melhor compreensão elementary do aprendizado profundo e melhorar sistemas práticos, usando metodologia teórica e empírica. Atualmente, estou especialmente interessado em melhorar a eficiência de grandes modelos estudando como dimensionar adequadamente hiperparâmetros com tamanho de modelo.
Empregos de interesse: Pesquisa científica
E-mail: oliviawatkins@berkeley.edu
Native na rede Web: https://aliengirlliv.github.io/oliviawatkins
Orientador(es): Pieter Abbeel e Trevor Darrell
Resumo da pesquisa: Meu trabalho envolve RL, BC, aprendizado com humanos e uso de raciocínio de modelo de base de senso comum para aprendizado de agentes. Estou animado com aprendizado de agentes de linguagem, supervisão, alinhamento e robustez.
Empregos de interesse: Pesquisa científica
E-mail: rcao@berkeley.edu
Native na rede Web: https://rmcao.internet
Orientador(es): Laura Waller
Resumo da pesquisa: Minha pesquisa é sobre imagens computacionais, particularmente a modelagem espaço-temporal para recuperação de cena dinâmica e estimativa de movimento. Também trabalho em técnicas de microscopia óptica, design óptico baseado em otimização, processamento de câmera de eventos, renderização de novas visualizações.
Empregos de interesse: Cientista pesquisador, pós-doutorado, corpo docente
E-mail: ryanhoque@berkeley.edu
Native na rede Web: https://ryanhoque.github.io
Orientador(es): Ken Goldberg
Resumo da pesquisa: Algoritmos de aprendizagem por imitação e aprendizagem por reforço que podem ser dimensionados para grandes frotas de robôs que realizam manipulações e outras tarefas complexas.
Empregos de interesse: Pesquisa científica
E-mail: sdt@berkeley.edu
Native na rede Web: https://www.qxcv.internet/
Orientador(es): Stuart Russel
Resumo da pesquisa: Minha pesquisa se concentra em tornar os modelos de linguagem seguros, robustos e protegidos. Também tenho experiência em visão, planejamento, aprendizagem por imitação, aprendizagem por reforço e aprendizagem por recompensa.
Empregos de interesse: Pesquisa científica
E-mail: shishirpatil2007@gmail.com
Native na rede Web: https://shishirpatil.github.io/
Orientador(es): José González
Resumo da pesquisa: Gorilla LLM – Ensinando LLMs a usar ferramentas (https://gorilla.cs.berkeley.edu/); Mecanismo de execução de LLM: garantindo reversibilidade, robustez e minimizando o raio de explosão para agentes LLM incorporados em fluxos de trabalho de usuários e empresas; POET: ajuste fino de LLMs com limite de memória e eficiência energética em dispositivos de ponta, como smartphones e laptops (https://poet.cs.berkeley.edu/).
Empregos de interesse: Pesquisa científica
E-mail: spetryk@berkeley.edu
Native na rede Web: https://suziepetryk.com/
Orientador(es): Trevor Darrell, Joseph Gonzalez
Resumo da pesquisa: Trabalho para melhorar a confiabilidade e a segurança de modelos multimodais. Meu foco tem sido localizar e reduzir alucinações para modelos de visão + linguagem, juntamente com a medição e uso de incerteza e mitigação de viés. Meus interesses estão em aplicar soluções para esses desafios em cenários de produção reais, em vez de apenas em ambientes acadêmicos.
Empregos de interesse: Cientista de pesquisa aplicada em IA generativa, segurança e/ou acessibilidade
E-mail: xingyu@berkeley.edu
Native na rede Web: https://xingyu-lin.github.io/
Orientador(es): Pedro Abbeel
Resumo da pesquisa: Minha pesquisa está em robótica, aprendizado de máquina e visão computacional, com o objetivo principal de aprender habilidades generalizáveis de robótica de dois ângulos: (1) Aprender modelos de mundo estruturados com abstrações espaciais e temporais. (2) Pré-treinar representação visible e habilidades para permitir a transferência de conhecimento de conjuntos de dados de visão em escala de Web e simuladores.
Empregos de interesse: Professor ou cientista pesquisador
E-mail: yyu@eecs.berkeley.edu
Native na rede Web: https://yaodongyu.github.io/
Orientador(es): Michael I. Jordan, Yi Ma
Resumo da pesquisa: Meus interesses de pesquisa estão amplamente na teoria e na prática de aprendizado de máquina confiável, incluindo interpretabilidade, privacidade e robustez.
Empregos de interesse: Faculdade